文章核心观点 - 高德地图视觉技术团队提出了一种名为SeqGrowGraph的全新车道图生成框架，该框架将车道图的构建过程建模为一个链式图扩展过程，颠覆了以往将图视为整体进行处理的思路 [1] - 该方法旨在解决现有技术在处理复杂道路拓扑结构（如环岛、立交桥、双向单车道）时的固有缺陷，通过增量式构建模拟人类绘制地图的直观逻辑 [1][7] - 在nuScenes和Argoverse 2等大规模数据集上的实验表明，SeqGrowGraph在拓扑准确性指标上达到了最优性能，证明了其有效性和优越性 [13][14][18] 技术背景与行业挑战 - 精确、完整的车道级高精地图是实现高级别自动驾驶系统安全可靠路径规划的基石 [1] - 现实世界的道路网络包含非线性复杂结构，给传统车道图构建方法带来巨大挑战，现有方法难以捕捉全局拓扑或无法处理闭环结构 [1] - 行业主流技术路线分为基于检测和基于生成两类，但前者易产生断连、冗余或拓扑错误，后者则受限于有向无环图假设，难以表达闭环和双向道路 [2][5] 核心方法：SeqGrowGraph - 核心思想是将车道图构建分解为一系列原子的图扩展步骤，并利用自回归模型学习这一动态生成过程 [7] - 构建过程包含四个关键步骤：引入新节点、扩展邻接矩阵、更新几何矩阵（采用二次贝塞尔曲线描述形状）、以及序列化与自回归预测 [6][8] - 采用深度优先搜索顺序组织扩展步骤，并利用基于Transformer的解码器自回归地预测序列，将复杂图结构分解为线性序列 [8][10][11] 实验性能与优势 - 在nuScenes数据集的default划分上，SeqGrowGraph在Landmark和Reachability指标上全面领先，例如Landmark-Precision达到63.6，显著优于TopoNet的52.5和LaneGAP的49.9 [14][15] - 在更具挑战性的PON划分（训练测试集场景无重叠）上，该方法也展现出强大泛化能力，Landmark-Precision达到43.5，优于RNTR的39.9和LaneGraph2Seq的21.9 [14][15] - 定性分析显示，该方法能生成拓扑连续、结构完整且几何精确的车道图，有效解决了其他方法存在的断连和路径冗余问题 [16]