本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

Jun, 2020

自动驾驶无需高清地图，但需要更高水平的场景理解能力。在这项竞赛中，使用多角度相机图像和标清地图来探索场景推理能力的边界。通过加入地图编码预训练和使用 YOLOX 等算法，我们对交通要素进行了更精准的检测，最终实现了 0.58 的 OLUS 评分。

Jun, 2024

本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

Jun, 2017

本文介绍了一种端到端的用于构建具有语义含义的精确高清三维地图的系统的制图组件，使用消费级配件，实现了实时交通标志和车道的三角测量，并具有离线标志 / 车道聚类和离线多次行程的 Bundle Adjustment，如此构建的地图在 25 次路线中的标志角处的平均绝对精度小于 20 厘米。据我们所知，在汽车领域使用成本效益高的传感器，这是第一个使用全局坐标的端到端高清地图管道。

Mar, 2017

提出了一种无地图自主驾驶的端到端方法，该方法以原始传感器数据和高级命令（例如，在十字路口左转）作为输入，利用在线地图以及动态代理的当前和未来状态性能预测，并利用一种新颖的神经运动规划器制定可解释决策，同时能够更好地执行命令和比基线和专家驾驶员更加安全和舒适地执行长期封闭环模拟。

Jan, 2021

自动驾驶车辆利用高清地图中的交通信号灯分配信息可准确地了解每个车道的交通灯控制，本研究提出一种新方法，通过分析交通信号灯状态和车辆运动模式来自动推导交通灯分配，有效解决了信息手动提供的繁琐、昂贵和不可扩展问题，并通过基于统计的方法和拒绝方法实现了安全性考虑。此外，还提出了一种数据集转换方法，将现有的运动预测数据集重新用于语义地图学习，通过提供公开 API，研究人员可以开发和评估自己的方法。

Sep, 2023

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

本文提出了一种通过集成导航地图来提高无人驾驶预测周围物体运动的方法，并且针对训练中可用的高清地图提出了一种自适应知识蒸馏的技术，实验表明这些方法可以显著改善预测效果。

Feb, 2023

自动驾驶库存着一直依赖昂贵且劳动密集的高清地图，制约了其可扩展性，而标准清晰度地图则更经济实惠且具有全球覆盖，为提供可扩展的替代方案。本文系统性地研究了标准清晰度地图对实时车道拓扑理解的影响，并提出了一种将标准清晰度地图集成到在线地图预测的新型框架，使用基于 Transformer 的编码器 SD Map Encoder Representations from transFormers 利用标准清晰度地图中的先验知识来进行车道拓扑预测任务。这种改进可以显著提高（高达 60%）当前最先进的在线地图预测方法的车道检测和拓扑预测能力，而且可以立即应用于任何基于 Transformer 的车道拓扑方法。

Nov, 2023

该研究提出了利用众包 GPS 数据来改进和支持通过航拍图像提取道路的方法，并通过新颖的数据增强、GPS 呈现和一维转置卷积技术，比以前的竞争获胜模型提高了近 5%，并且在预测新的区域时具有更好的稳健性，无需任何新的训练数据或领域适应。

May, 2019