本文介绍了一种名为SeqGrowGraph的车道拓扑生成框架，旨在解决现有自动驾驶系统中车道图表达能力不足和拓扑错误的问题。该框架受人类绘制地图的启发，将车道图构建过程建模为一系列链式图扩展，通过自回归模型灵活且精确地生成复杂的车道拓扑网络，能够自然处理环岛、双向车道等复杂结构，并在nuScenes和Argoverse 2等数据集上取得了领先性能。
🚦 **链式图扩展框架**：SeqGrowGraph 将车道图的生成过程重新定义为一个序列化的图扩展过程，通过增量式更新邻接矩阵和几何信息来逐步构建网络。这种方法模拟了人类从局部到整体的绘图逻辑，使得模型能够更自然地处理复杂的拓扑结构。
🔄 **灵活的拓扑表达能力**：该框架能够自然地对环路、双向车道等现实世界中常见的复杂道路结构进行建模，无需复杂的预处理或后处理。这克服了传统方法将图结构强制转换为有向无环图（DAG）所带来的限制，扩展了模型的应用场景。
🚀 **先进的性能表现**：在 nuScenes 和 Argoverse 2 等大规模公开数据集上的实验表明，SeqGrowGraph 在拓扑准确性和网络完整性方面均取得了业界领先的性能。可视化结果显示，其生成车道图结构更加完整、连续且无冗余，与真实情况高度一致。
曾爽 2025-11-03 21:32 北京
本文提出了一种全新的车道拓扑生成框架。
©作者 |曾爽单位 | 西安交通大学硕士研究方向 |具身智能、自动驾驶摘要精确的车道级拓扑图是高级别自动驾驶系统的关键基石，它为车辆的全局路径规划和决策提供了结构化信息。然而，现有方法在处理现实世界中复杂的道路结构（如环岛、双向车道）时面临着表达能力不足和拓扑错误等挑战。针对这些问题，高德地图视觉技术团队提出了一种全新的车道拓扑生成框架 SeqGrowGraph。该方法受人类绘制地图时从局部到整体、逐步扩展的启发，将车道图的构建过程建模为一个链式的图扩展序列。
通过自回归模型学习这一序列，SeqGrowGraph 能够灵活且精确地生成复杂的车道拓扑网络。该工作已被 ICCV 2025 接收。
论文标题：SeqGrowGraph: Learning Lane Topology as a Chain of Graph Expansions论文链接：https://arxiv.org/pdf/2507.04822代码链接：https://github.com/MIV-XJTU/SeqGrowGraph引言自动驾驶技术的发展对车载感知系统的环境理解能力提出了更高的要求。其中，在线构建高清矢量地图，特别是车道线的拓扑结构，对于保障行车安全与效率至关重要。当前主流的车道图生成技术主要分为两类：1. 基于检测的方法：此类方法通常先检测车道线的关键元素（如像素点、线段或路径），再通过后处理进行连接，以重建拓扑关系。然而，这些方法严重依赖复杂的后处理逻辑，容易产生线段断裂、连接错误或路径冗余等问题，难以保证拓扑的完整性和准确性。
2. 基于生成的方法：此类方法将车道图视为一个整体进行生成，通常利用序列模型来捕捉结构信息。但现有工作大多将图结构强制转换为有向无环图（DAG），这种简化无法表示现实中常见的环岛或双向道路，限制了模型的应用场景。
为了突破上述局限，我们提出了一种全新的思路：将车道图的生成过程建模为一连串的图扩展行为。这一过程模拟了人类的绘图逻辑：从一个初始节点开始，逐步增加新的节点，并建立新节点与已存在节点间的连接，最终形成完整的图。
▲ 图1：人类绘制地图的直观过程基于此思想，我们设计了 SeqGrowGraph 框架。它将车道图的生成任务重塑为一个自回归的序列预测问题，不仅克服了传统方法的局限性，还能自然地处理复杂拓扑，其核心贡献包括：
1. 提出链式图扩展框架：将车道图生成重新定义为一个序列化的图扩展过程，通过增量式更新邻接矩阵和几何信息来构建网络。
2. 灵活的拓扑表达能力：该方法能够自然地对环路、双向车道等复杂结构进行建模，无需复杂的预处理和后处理。
3. 先进的性能表现：在 nuScenes 和 Argoverse 2 等大规模公开数据集上，SeqGrowGraph 在拓扑准确性和网络完整性方面均取得了业界领先的性能。
核心方法：SeqGrowGraph3.1 图的序列化扩展SeqGrowGraph 的核心在于将一个完整的图结构 G =（V,E）拆解为一系列的扩展步骤。其中，V 代表交叉口等关键拓扑节点，E 代表连接节点的车道中心线。在每一步，模型执行以下操作来扩展图：1. 引入一个新节点：定义新节点的空间坐标。
2. 扩展邻接矩阵：将邻接矩阵 A 从 n×n 扩展至 （n+1）×（n+1）。新增的行和列用于编码新节点与所有已存在节点之间的连接关系（“来自”与“去往”）。
3. 更新几何矩阵：更新几何矩阵 M，以存储新增连接中心线的形状（通过二次贝塞尔曲线表示）。
▲ 图2：邻接矩阵的扩展过程如上图所示，每引入一个新节点，我们便描述其与图中已有节点之间的拓扑关系。例如，在引入节点 ④ 时，我们确定其位置，并定义它“来自”节点 ②，“去往”节点 ②（形成双向道）。这个过程对应于更新邻接矩阵的第 4 行与第 4 列。通过深度优先搜索（DFS）确定节点添加顺序，整个图的构建过程被转换成一个有序的、可预测的序列。3.2 序列表示与模型架构我们将每个节点的扩展步骤编码为一个子序列，包含节点位置、连接关系（如 from 、 to ）以及描述车道线曲率的贝塞尔控制点。所有子序列拼接在一起，形成最终的目标序列。
▲ 图3：SeqGrowGraph 的序列化表示模型整体采用经典的 Encoder-Decoder 架构：BEV编码器：首先，利用 LSS 等 BEV（鸟瞰图）编码器，将多路摄像头图像的特征提取并投影到统一的鸟瞰图空间。Transformer 解码器：随后，一个 Transformer 解码器以自回归的方式，根据 BEV 特征和已生成的 Token，逐个预测目标序列中的下一个 Token，直至生成完整的车道图表示。▲ 图4：模型整体架构实验与分析我们在 nuScenes 和Argoverse 2 两个权威的自动驾驶数据集上对 SeqGrowGraph 进行了全面评估。定量比较：如下表所示，在 nuScenes 数据集上，SeqGrowGraph 在关键的路标点 F1 分数（L-F）和可达性 F1 分数（R-F）上均显著优于现有方法。
特别是在剔除了训练集与测试集场景重叠的 PON 划分上，SeqGrowGraph 依然保持了强大的性能和鲁棒性。▲ 表1：nuScenes 数据集上的性能对比定性分析：从可视化结果可以看出，相比于其他方法，SeqGrowGraph 生成的车道图在拓扑结构上更加完整、连续，且没有冗余。它有效避免了 TopoNet 的断裂问题和 LaneGAP 的路径混淆问题，生成了与真值高度一致的道路网络。▲ 图5：不同方法在 nuScenes 上的可视化结果对比结论本文提出了 SeqGrowGraph，一个用于车道图生成的创新性自回归框架。通过将图的构建过程建模为一系列增量式的局部扩展，我们的方法能够灵活地表示包括环路和双向车道在内的复杂道路结构，有效克服了传统方法的局限性。在多个大规模数据集上的实验证明，SeqGrowGraph 在拓扑准确性和网络完整性方面均达到了业界领先水平。我们相信，这种模拟人类结构化推理的序列建模方式，为自动驾驶环境感知与高精地图构建领域提供了新的解决思路。更多阅读 
