GeoReFormer: Geometry-Aware Refinement for Lane Segment Detection and Topology Reasoning

Resumen Técnico: GeoReFormer

1. Planteamiento del Problema

La construcción de mapas en línea para la conducción autónoma requiere una percepción precisa de la geometría de la carretera y la razonamiento sobre la topología (conectividad). Aunque los enfoques recientes basados en Transformers (inspirados en DETR) han formalizado la detección de líneas de carril como una predicción de conjuntos basada en consultas (query-based set prediction), presentan limitaciones inherentes:

• Incompatibilidad de Diseño: La mayoría de los métodos heredan diseños de decodificadores desarrollados originalmente para la detección de objetos compactos (como cajas delimitadoras), los cuales no capturan adecuadamente la naturaleza de las líneas de carril: polilíneas continuas incrustadas en grafos dirigidos.
• Falta de Inducciones Geométricas: La inicialización de las consultas y el refinamiento geométrico suelen ser unconstrained (sin restricciones), lo que ignora la continuidad espacial y la estructura relacional de las carreteras.
• Desacoplamiento: La estimación geométrica y el razonamiento topológico a menudo están débilmente acoplados o separados en cabezales de predicción paralelos, lo que dificulta la consistencia global.
• Falta de Interpretabilidad: Las consultas aprendidas carecen de roles semánticos consistentes, haciendo difícil entender qué patrones geométricos detecta cada consulta.

2. Metodología: GeoReFormer

GeoReFormer es una arquitectura unificada basada en consultas que integra sesgos inductivos geométricos y topológicos directamente dentro del decodificador del Transformer. El sistema se basa en tres principios de diseño complementarios:

A. Inicialización con Priors Geométricos Basados en Datos
En lugar de inicializar las consultas con posiciones aleatorias o embeddings aprendidos, GeoReFormer utiliza un mecanismo de K-medoids espacialmente estratificado:

• Se extraen polilíneas de carril del conjunto de datos de entrenamiento y se normalizan.
• El espacio BEV (Bird's Eye View) se divide en una cuadrícula.
• Se asigna un presupuesto de consultas a cada celda basado en la densidad de datos (ponderación por $\sqrt{n_k}$).
• Se seleccionan representantes reales (medoides) dentro de cada celda para inicializar las consultas.
• Beneficio: Esto proporciona una inicialización estructurada y espacialmente equilibrada que actúa como un sesgo geométrico explícito y fijo (no entrenable).

B. Refinamiento de Polilíneas en Espacio de Coordenadas Acotado
Se reformula el proceso de actualización iterativa de las consultas:

• En lugar de realizar actualizaciones en el espacio de logits (como en DETR estándar), el refinamiento ocurre directamente en el espacio de coordenadas normalizadas.
• Se utiliza una función de activación tanh para acotar las correcciones residuales ($\Delta$) dentro de un rango fijo $[-s, s]$.
• Beneficio: Esto garantiza que las actualizaciones geométricas sean interpretables, estables y preserven la localidad. Evita desplazamientos arbitrariamente grandes que podrían desestabilizar la estructura de la polilínea.

C. Propagación de Topología con Puertas por Consulta (Per-Query Gated)
Para integrar la razonamiento relacional dentro del decodificador:

• Se introduce un módulo de convolución gráfica (GCN) que opera sobre un grafo de adyacencia suave de las líneas de carril predichas.
• A diferencia de métodos anteriores que aplican la topología uniformemente a todas las consultas, GeoReFormer utiliza un mecanismo de puerta (gate) escalar aprendido por consulta.
• La fórmula de actualización es: $H = X + MLP(X) + g(X) \cdot GCN(MLP(X), A)$.
• Beneficio: Esto permite que la información topológica refine las características solo donde es beneficioso (ej. segmentos de carril conectados) y suprima el ruido en elementos topológicamente aislados (ej. pasos de peatones), mejorando la robustez.

3. Contribuciones Clave

1. Arquitectura GeoReFormer: Un detector unificado que combina detección de segmentos 3D y razonamiento de topología con sesgos geométricos explícitos.
2. Inicialización con Priors Geométricos: Un mecanismo de clustering basado en datos que inyecta sesgo espacial estructurado en los puntos de referencia del decodificador.
3. Refinimiento Acotado: Una regla de actualización residual en espacio de coordenadas que asegura deformaciones de polilíneas estables y geométricamente interpretables.
4. Propagación de Topología con Puertas: Un mecanismo de convolución gráfica en el nivel del decodificador que integra el razonamiento relacional de manera selectiva y controlada.

4. Resultados y Evaluación

El modelo se evaluó en el benchmark OpenLane-V2 (división Subset A), comparándose con el estado del arte (SOTA) como MapTR, LaneSegNet, TopoLogic y Topo2Seq.

• Rendimiento General: GeoReFormer alcanzó un mAP del 34.5%, superando al método anterior (Topo2Seq) en +0.9 puntos.
• Métricas Específicas:
  • $AP_{ls}$ (Segmentos de carril): 33.9% (+0.2 sobre SOTA).
  • $AP_{ped}$ (Pasos de peatón): 35.0% (+1.5 sobre SOTA). La mejora significativa aquí se atribuye a la puerta selectiva que evita el ruido topológico en estructuras aisladas.
  • $TOP_{ls}$ (Topología): 28.9%.
• Eficiencia: Logra estos resultados con un modelo más compacto (48M parámetros) en comparación con competidores como TopoLogic (53M) o Topo2Seq (52M).
• Análisis de Ablación:
  • Se demostró que los priores geométricos y el refinamiento acotado son complementarios: usar uno sin el otro degrada el rendimiento.
  • La puerta por consulta es crítica para la detección de pasos de peatón; un enfoque de puerta global reduce la precisión en esta categoría.
  • El factor de escala residual ($s$) tiene un impacto crítico: valores muy bajos impiden el ajuste, y valores muy altos desestabilizan la estructura. El valor óptimo encontrado fue $s=0.25$.

5. Significado e Impacto

GeoReFormer representa un cambio de paradigma en la detección de líneas de carril al abandonar la adaptación genérica de detectores de objetos para adoptar una arquitectura nativamente consciente de la geometría y la topología.

• Interpretabilidad: A diferencia de los modelos anteriores donde las consultas son "cajas negras", GeoReFormer demuestra que las consultas aprendidas convergen hacia roles geométricos consistentes (ej. una consulta específica siempre detecta carriles con cierta orientación), lo que mejora la transparencia del modelo.
• Robustez: La combinación de inicialización estructurada y refinamiento acotado permite una reconstrucción de escenas más fiable, especialmente en regiones distantes o en estructuras complejas como intersecciones.
• Futuro: El trabajo sienta las bases para extender estos principios de refinamiento geométrico a entornos temporales (streaming) y para aprender priores adaptativos a diferentes configuraciones viales.

En conclusión, GeoReFormer demuestra que inyectar conocimiento estructural explícito en el proceso de decodificación de Transformers es fundamental para superar las limitaciones de los enfoques puramente basados en datos en tareas de percepción de infraestructura vial compleja.