[!IMPORTANT] 🌟 请在 opendrivelab.com 上获取最新资讯！

• 论文（已被NeurIPS 2023数据集与基准赛道收录）
• CVPR 2023 自动驾驶挑战赛——OpenLane拓扑赛道
• CVPR 2024 自主驾驶大挑战——无地图驾驶赛道
• 联系人：Huijie (王晖杰) 或 Tianyu (李天羽)

排行榜

CVPR 2024 AGC 无地图驾驶赛道（服务器仍处于“运行中”状态）

我们在“驾驶场景拓扑”任务上维护着一个排行榜和测试服务器。如需添加或修改排行榜上的结果，请按照以下说明发送邮件给我们。

• 2024年挑战赛

CVPR 2023 OpenLane拓扑挑战赛（服务器仍处于“运行中”状态）

我们在“OpenLane拓扑”任务上维护着一个排行榜和测试服务器。如需添加或修改排行榜上的结果，请按照此处的说明发送邮件给我们。

• 2023年挑战赛

目录

• 新闻
• 介绍 OpenLane-V2 更新
• 任务与评估
• 亮点
• 快速入门
• 许可与引用
• 相关资源

新闻

注意

v1.x 和 v2.x 的区别在于，我们在 v2.x 中更新了车道段和标准地图的相关 API 和资料。

❗️ 评估指标 的更新导致了 vx.1（v1.1，v2.1) 和 vx.0（v1.0，v2.0）之间的 TOP 分数差异。 我们建议使用 vx.1 指标。 更多详情请参阅议题 #76。

• 2024/06/01 自主驾驶大挑战（opendrivelab.com/challenge2024/#mapless_driving）圆满结束。
• 2024/03/01 我们正在举办 CVPR 2024 自主驾驶大挑战。
• 2023/11/01 发布了开发工具包 v2.1.0 和 v1.1.0。
• 2023/08/28 发布了数据集子集 subset_B。
• 2023/07/21 发布了数据集 v2.0 和开发工具包 v2.0.0。
• 2023/07/05 OpenLane拓扑的测试服务器（eval.ai/web/challenges/challenge-page/1925/overview）重新开放。
• 2023/06/01 CVPR 2023研讨会中的挑战赛（opendrivelab.com/challenge2023/#openlane_topology）圆满结束。
• 2023/04/21 基于 InternImage 的基线发布。详情请见 这里。
• 2023/04/20 OpenLane-V2 论文 已在 arXiv 上发表。
• 2023/02/15 数据集 v1.0、开发工具包 v1.0.0 以及基线模型发布。
• 2023/01/15 初步的 OpenLane-V2 数据集样本 v0.1 发布。

(返回顶部)

介绍 OpenLane-V2 更新

我们很高兴地宣布 OpenLane 系列的一项重要更新，其中包括两套额外的数据和标注。

• “地图元素桶”。 我们提供多样化的道路元素（作为一个“桶”），用于构建驾驶场景——其涵盖的内容与高清地图中的所有元素相当。借助新引入的 车道段 表示法，我们将各种地图元素统一起来，以全面捕捉静态场景的各个方面，从而赋能 DriveAGI。 :bell: 所提出的 车道段 表示法已随 LaneSegNet 在 ICLR 2024 上发表！

• “标准定义（SD）地图”。 作为一种新的传感器输入，SD 地图 可以补充多视角图像，提供拓扑和位置先验信息，从而增强神经网络对场景结构的理解。

(返回顶部)

任务与评估

驾驶场景拓扑

在给定传感器输入的情况下，本任务要求感知的是车道段，而非 OpenLane 拓扑任务中的车道中心线。 此外，还需要识别人行横道和道路边界，以全面理解驾驶场景。 我们使用 OpenLane-V2 综合评分（OLUS） 来综合评估模型在各个方面的表现。

OpenLane 拓扑

在给定传感器输入的情况下，参赛者不仅需要输出车道和交通要素的感知结果，还需同时预测车道之间以及车道与交通要素之间的拓扑关系。 在此任务中，我们使用 OpenLane-V2 评分（OLS） 来评估模型性能。

(返回顶部)

OpenLane-V2 亮点

统一的地图表示

在这一组中，最优秀的表示方法之一是车道段。它作为一种统一且多功能的车道表示形式，为多种下游应用奠定了基础。随着SD地图的引入，自动驾驶系统能够利用这些信息丰富的先验知识，在感知和推理方面达到令人满意的效果。

下表总结了不同车道表示法在实现各种功能方面的详细对比。

车道表示法	功能
	3D空间	车道线类别	车道方向	可行驶区域	车道级可行驶区域	车道间拓扑关系	与交通要素绑定	无车道线
2D车道线		✅
3D车道线	✅	✅
在线（伪）高清地图	✅			✅
车道中心线	✅		✅			✅	✅	✅
车道段（新发布）	✅	✅	✅	✅	✅	✅	✅	✅

• 3D空间：感知到的实体是否以3D空间形式表示。
• 车道线类别：可见车道线的类别，如实线、虚线等。
• 车道方向：车辆在特定车道中需要遵循的行驶方向。
• 可行驶区域：允许车辆行驶的整个区域。
• 车道级可行驶区域：单个车道的可行驶区域，限制车辆驶入相邻车道。
• 车道间拓扑关系：车道之间的连通性，构建车道网络以提供路径规划信息。
• 与交通要素绑定：与交通要素的对应关系，根据交通规则提供相应的规定。
• 无车道线：在没有可见车道线的区域（如交叉口）提供引导的能力。

引入3D车道线

以往的数据集通常在透视视图的图像上标注车道。这种2D标注方式不足以满足实际需求。 参照OpenLane-V1的做法，我们标注了3D空间中的车道，以反映真实3D世界中的几何属性。

识别极小的交通要素

不仅要避免碰撞，还要提高效率。 车辆遵循预设的交通规则，既能自我约束，又能与其他车辆协作，从而确保交通安全和高效运行。 道路上的交通要素，如交通信号灯和路标，提供了实用且实时的信息。

车道与道路要素之间的拓扑推理

交通要素仅对其对应的车道有效。 如果跟随错误的信号，后果将不堪设想。 此外，车道之间存在前驱和后继关系，共同构成了地图网络。 自动驾驶车辆需要对拓扑关系进行推理，以确保正确行驶。

(返回顶部)

开始使用

• 下载数据
• 安装开发工具包
• 准备数据集
• 训练模型

(返回顶部)

许可与引用

在使用OpenLane-V2数据集之前，您应分别同意nuScenes和Argoverse 2数据集的使用条款。 OpenLane-V2采用CC BY-NC-SA 4.0许可协议分发。 本仓库内的所有代码均采用Apache License 2.0许可。

请在引用OpenLane-V2时使用以下参考文献：

@inproceedings{wang2023openlanev2,
  title={OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping}, 
  author={Wang, Huijie and Li, Tianyu and Li, Yang and Chen, Li and Sima, Chonghao and Liu, Zhenbo and Wang, Bangjun and Jia, Peijin and Wang, Yuting and Jiang, Shengyin and Wen, Feng and Xu, Hang and Luo, Ping and Yan, Junchi and Zhang, Wei and Li, Hongyang},
  booktitle={NeurIPS},
  year={2023}
}

@article{li2023toponet,
  title={Graph-based Topology Reasoning for Driving Scenes},
  author={Li, Tianyu and Chen, Li and Wang, Huijie and Li, Yang and Yang, Jiazhi and Geng, Xiangwei and Jiang, Shengyin and Wang, Yuting and Xu, Hang and Xu, Chunjing and Yan, Junchi and Luo, Ping and Li, Hongyang},
  journal={arXiv preprint arXiv:2304.05277},
  year={2023}
}

@inproceedings{li2023lanesegnet,
  title={LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving},
  author={Li, Tianyu and Jia, Peijin and Wang, Bangjun and Chen, Li and Jiang, Kun and Yan, Junchi and Li, Hongyang},
  booktitle={ICLR},
  year={2024}
}

(返回顶部)

相关资源

• DriveAGI | DriveLM | OpenScene
• TopoNet | LaneSegNet
• PersFormer | OpenLane
• BEV感知综述与实践指南 | BEVFormer

(返回顶部)

OpenLane-V2 快速上手指南

OpenLane-V2 是全球首个用于自动驾驶场景结构感知与推理的基准测试工具。本指南将帮助开发者快速完成环境配置、安装及基础使用。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04/20.04/22.04)
• Python: 3.8 或更高版本
• GPU: 支持 CUDA 的 NVIDIA 显卡（建议显存 ≥ 16GB 以训练大型模型）
• 前置依赖:
  • PyTorch (建议 1.10+)
  • MMCV / MMDetection3D (OpenLane-V2 基于 OpenMMLab 生态构建)
  • Git, Wget/cURL

注意：OpenLane-V2 数据集依赖于 nuScenes 和 Argoverse 2 数据集。使用前请分别同意并下载这两个数据集。

2. 安装步骤

2.1 克隆仓库

首先克隆 OpenLane-V2 代码库：

git clone https://github.com/OpenDriveLab/OpenLane-V2.git
cd OpenLane-V2

2.2 创建虚拟环境

建议使用 Conda 创建独立的 Python 环境：

conda create -n openlane-v2 python=3.8 -y
conda activate openlane-v2

2.3 安装依赖与 Devkit

根据官方 requirements.txt 安装基础依赖，并安装 OpenLane-V2 的开发工具包（Devkit）。

国内加速建议：如果下载速度慢，可临时切换 pip 源为清华源或阿里源。 export PIP_CONFIG_FILE=/dev/null && pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装核心 Devkit（具体版本请参考最新 Release，此处以 v2.1.0 为例）：

# 安装基础依赖
pip install -r requirements.txt

# 安装 OpenLane-V2 devkit (可编辑模式)
pip install -e .

注：若需使用基于 InternImage 的基线模型，请参考 InternImage 仓库 进行额外配置。

3. 基本使用

3.1 数据准备

在使用前，需将下载的 nuScenes 和 Argoverse 2 数据整理到指定目录，并生成 OpenLane-V2 格式的数据集。

假设数据根目录为 /data/nuscenes 和 /data/argoverse，执行以下脚本进行数据转换（具体路径请在 configs/ 中确认）：

# 示例：准备数据脚本 (具体命令参考 docs/getting_started.md)
python tools/data_converter/create_data.py \
    --root-path /data/nuscenes \
    --out-dir ./data/openlane-v2 \
    --extra-tag nuscenes

3.2 模型训练

配置好数据后，使用提供的配置文件启动训练。以下是一个简单的训练示例：

# 单卡训练示例
python tools/train.py configs/openlane-v2/r50_800x320.py --work-dir ./work_dirs/r50_baseline

# 多卡训练示例 (8 张 GPU)
bash tools/dist_train.sh configs/openlane-v2/r50_800x320.py 8 --work-dir ./work_dirs/r50_baseline

3.3 模型评估

训练完成后，使用测试集评估模型性能（如 OpenLane-V2 Score, OLS）：

# 单卡测试
python tools/test.py configs/openlane-v2/r50_800x320.py ./work_dirs/r50_baseline/latest.pth --eval ols

# 多卡测试
bash tools/dist_test.sh configs/openlane-v2/r50_800x320.py ./work_dirs/r50_baseline/latest.pth 8 --eval ols

3.4 提交结果至排行榜

若希望将结果提交至 CVPR Challenge 测试服务器，可生成提交格式的 JSON 文件：

python tools/misc/generate_submission.py \
    configs/openlane-v2/r50_800x320.py \
    ./work_dirs/r50_baseline/latest.pth \
    ./submission_results

生成的 ./submission_results 文件夹内容可上传至 Eval.AI 或 HuggingFace Space 进行测试。