본 논문은 자율 주행 경로 계획에 중요한 중심선 그래프 학습을 위한 새로운 생성적 패러다임인 LaneDiffusion을 소개합니다. 기존의 결정론적 방법들이 공간적 추론 부족과 가려진 중심선 처리의 어려움을 겪는 문제를 해결하기 위해, LaneDiffusion은 확산 모델을 사용하여 Bird's Eye View (BEV) 특징 수준에서 차선 중심선 사전(prior)을 생성합니다. Lane Prior Injection Module (LPIM) 및 Lane Prior Diffusion Module (LPDM)을 통합하여 확산 목표를 효과적으로 구성하고 확산 과정을 관리합니다. 이후 벡터화된 중심선과 토폴로지는 이러한 사전 주입된 BEV 특징으로부터 디코딩됩니다. nuScenes 및 Argoverse2 데이터셋에 대한 광범위한 평가 결과, LaneDiffusion이 기존 방법보다 우수한 성능을 보이며, 세분화된 포인트 수준 및 세그먼트 수준 지표에서 상당한 개선을 보였습니다.
시사점, 한계점
•
시사점:
◦
중심선 그래프 학습에서 생성적 모델의 새로운 접근 방식 제시
◦
LaneDiffusion은 기존 방법에 비해 성능 향상을 보이며, 특히 가려진 중심선 처리 능력이 향상됨
