0. 简介
高精地图作为自动驾驶中最关键的组成部分，矢量化高精（HD）地图包含有关周围道路元素的详细信息，这对于现代自动驾驶汽车的各项下游任务是至关重要的，例如车辆规划和控制。最近的工作试图直接检测矢量化高精地图，将其作为点集预测任务，从而显著提高了检测性能。然而，这些方法无法分析并且利用预测点之间的内部实例相关性，这阻碍了进一步的发展。《INSIGHTMAPPER: A CLOSER LOOK AT INNERINSTANCE INFORMATION FOR VECTORIZED HIGHDEFINITION MAPPING》利用内部实例信息通过Transformers进行矢量化高精建图，并且引入了InsightMapper。本文提出了InsightMapper中的三种新型设计，其通过不同的方式利用内部实例信息，包括混合查询生成、内部实例查询融合以及内部实例特征聚合。并最终完成了建图。具体的项目代码在github上可以查到。
1. 主要贡献
本文的贡献总结如下：
1）本文研究了内部实例点之间的相关性，证明了利用内部实例点信息可以有效地提高最终性能；
2）为了更好地利用内部实例信息，本文引入了一个称为InsightMapper的新模型，用于在线高精地图检测。InsightMapper包含三个具有不同功能的新型模块，包括查询生成、查询融合以及内部实例自注意力；
3）本文评估了所有的模块设计以及nuScenes数据集上的基线。InsightMapper的性能优于所有基线模型，并且维持了具有竞争力的效率。
2. 点相关性
2.1 预处理：向量地图分解和采样
设 G G G为场景的原始向量地图标签，包含顶点# V V V和边 E E E。向量地图包含多类道路元素，包括人行横道、道路分隔线、道路边界和车道中心线。其中，前三类道路元素是简单的折线或多边形，没有交点。而车道中心线具有更复杂的拓扑结构，如车道分离、车道合并和车道交叉。为了统一所有向量元素，将向量地图分解为没有交点的简单形状（即折线和多边形）。将向量地图中度数大于2的顶点（即交点顶点）从 G G G中移除，并断开相应的边。这样，得到一组没有交点的简单折线和多边形，表示为 G ∗ = { l i } i = 0 N ∗ G^∗ = \{l_i\}^{N^∗}_{i=0} G∗={li}i=0N∗，其中 G ∗ G^∗ G∗是一个无向图。每个形状 l i l_i li被定义为一个实例， N ∗ N^∗ N∗表示向量地图中实例的总数。为了增强模型的并行化能力，按照MapTR的方法，每个实例都被均匀地重新采样为具有固定长度点的形式，即 l i = ( v 0 , v 1 , … , v j , … v n p ) l_i = (v_0, v_1, …, v_j , …v_{n_p}) li=(v0,v1,…,vj,…vnp)。 l i l_i li按照 v 0 v_0 v0到 v n p v_{n_p} vnp的顺序排列，其中 n p n_p np是每个实例采样点的数量。对于多边形实例， v 0 v_0 v0等于 v n p v_{n_p} vnp。预处理模块的可视化如图2所示。