SeqGrowGraph: Learning Lane Topology as a Chain of Graph Expansions¶

元信息¶

会议: ICCV 2025
arXiv: 2507.04822
代码: 未开源
领域: 自动驾驶
关键词: 车道拓扑, 图生成, 序列建模, 自回归, 邻接矩阵增量扩展

一句话总结¶

模拟人类绘图过程，将车道拓扑建模为逐步图扩展的链式序列，通过自回归变换器增量构建有向车道图，克服 DAG 方法无法表达环路和双向车道的局限。

研究背景与动机¶

精确的车道拓扑对自动驾驶至关重要，现有方法存在三类局限：

检测式方法的碎片化：像素级方法（HDMapNet）无法推断全局拓扑；片段级方法（TopoNet）分段检测中心线导致不连续和错位；路径级方法（LaneGAP）引入冗余和依赖大量后处理。

生成式方法的结构破坏：RNTR 将车道图转为 DAG，序列冗余且无法表达环路和双向车道。LaneGraph2Seq 分别生成节点位置和中心线形状，缺乏整体拓扑理解。

核心洞察——人类如何画图：人类从一个节点开始逐步添加新元素，持续扩展图并与已有节点建立连接。这启示将车道图构建建模为逐步扩展过程。

方法详解¶

车道图数学建模¶

将车道图表示为有向图 \(G = (V, E)\)，\(V\) 为路口节点 \(v_n = (x_n, y_n)\)，\(E\) 为中心线。使用：

邻接矩阵 \(A\)：\(A(i,j) = 1\) 表示 \(v_i\) 到 \(v_j\) 存在直接有向中心线
几何矩阵 \(M\)：\(M(i,j) = (\sigma_x^{ij}, \sigma_y^{ij})\) 为二次贝塞尔曲线控制点

图的序列化¶

定义 \(S_n\) 为前 \(n\) 个节点构成的子图序列。从已有节点来的中心线 \(F_n = \sum_{k=0}^{n-1} M(k,n)\)（"from" 关系），去往已有节点的中心线 \(T_n = \sum_{k=0}^{n-1} M(n,k)\)（"to" 关系）：

\[S_n = S_{n-1} + (v_n + F_n + T_n)\]

每引入新节点 \(n\)，邻接矩阵从 \(n \times n\) 扩展到 \((n+1) \times (n+1)\)，仅关注新节点与已有节点的拓扑关系。节点遍历顺序采用深度优先搜索。

关键优势：与 DAG 方法不同，SeqGrowGraph 可灵活建模环路、双向车道和非平凡拓扑。

离散化¶

坐标量化为离散 bin（分辨率 0.5m）：节点坐标范围 0-200，节点索引范围 200-350，贝塞尔控制点范围 350-570。特殊 token：<to> = 571，<SEP> = 572 等。

模型架构与目标¶

BEV 编码器：基于 ResNet50 的 LSS 编码器，先在中心线分割任务上预训练
序列解码器：6 层 Transformer，自回归生成 token 序列
加权损失：节点位置 token 权重为 2，其余权重为 1

\[\mathcal{L} = -\frac{1}{T}\sum_{t=1}^T \log p(\hat{x}_t | x_1, x_2, \ldots, x_{t-1})\]

实验¶

nuScenes 数据集主实验¶

方法	L-P	L-R	L-F	R-P	R-R	R-F
TopoNet	52.5	47.1	49.6	46.9	10.8	17.5
LaneGAP	49.9	57.0	53.2	74.1	34.9	47.5
RNTR	57.1	42.7	48.9	63.7	45.2	52.8
LaneGraph2Seq	46.9	43.7	45.2	63.7	36.3	46.2
SeqGrowGraph	63.6	50.8	56.4	75.5	61.4	67.8

Argoverse 2 数据集¶

方法	L-P	L-R	L-F	R-P	R-R	R-F
RNTR*	50.7	29.4	37.2	68.1	29.6	41.3
SeqGrowGraph	SOTA	—	—	—	—	—

关键发现¶

可达性指标大幅领先：R-F 从 RNTR 的 52.8 提升到 67.8（+15.0），增量图扩展更好地保持拓扑连通性
Landmark 精度高：L-P 63.6 大幅超越所有基线，节点位置预测准确
端到端无后处理：一步生成连续的中心线结果
可表达复杂拓扑：DAG 方法缺失的环路和双向车道可被正确建模

亮点与洞察¶

仿人绘图直觉：逐步扩展图的方式与人类绘制地图的直觉高度一致
邻接矩阵增量扩展：每步仅需描述新节点与已有节点的关系，序列简洁
DFS 序列化：深度优先遍历确保相邻节点在序列中位置接近
贝塞尔曲线几何表示：二次贝塞尔仅需一个控制点即可描述中心线弯曲
加权损失设计：节点位置权重更高反映"正确的边依赖正确的点"

局限性¶

节点数量增加时序列长度呈二次增长
仅使用二次贝塞尔曲线，对高曲率道路表达能力有限
离散化分辨率 0.5m 限制了精细位置精度

评分¶

新颖性: ⭐⭐⭐⭐⭐ — 图增量扩展序列化方法是全新范式
技术深度: ⭐⭐⭐⭐ — 数学建模严谨，序列化设计精巧
实验充分性: ⭐⭐⭐⭐ — 两个大规模数据集，两种数据划分
写作质量: ⭐⭐⭐⭐⭐ — 图示清晰，逐步扩展过程易懂