TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

Apr, 2023

本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

Nov, 2016

通过改进和扩展分割方法，结合扩散概率模型，提高道路图的质量，特别是在非交叉区域中的连通性，从而优于先前方法。

May, 2024

介绍了一种通过自动递归生成方法生成高清地图的任务和被称为 HDMapGen 的层次图生成模型，该模型能够通过粗到精细的方法制作高质量且多样化的高清地图，并在 Argoverse 数据集和内部数据集上显示出在基线方法上明显的提高，同时表明了该模型的可扩展性和高效性。

Jun, 2021

建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

Dec, 2023

提出了使用交通参与者的运动模式作为车道图注释的自动车道图方法，通过预训练的对象跟踪器和 RGB 图像，可以在不需要人类监督的情况下预测车道图，实验证明效果与手动注释的图形数据训练的模型相当。

Jun, 2023

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

基于 Transformer 的新型框架 Topo2D，将 2D 车道实例与 3D 查询和 3D 位置嵌入相结合，显式地将 2D 车道特征纳入车道中心线和交通要素之间的拓扑关系的识别中，在 OpenLane-V2 多视图拓扑推理基准和 OpenLane 单视图 3D 车道检测基准中表现出优于现有最先进方法的性能。

Jun, 2024

理解道路结构对自动驾驶至关重要。传统的道路结构常用车道图表达，其中包括中心线曲线和形成有向无环图的连接。正确提取车道图需要准确估计有向无环图中的顶点和边信息。然而，现有研究主要侧重于明确建模顶点，而将边信息仅嵌入网络中，导致这些方法在车道图提取任务中表现不佳。为解决此问题，我们提出了一种名为 LaneGraph2Seq 的新方法，它采用了编码顶点 - 边的语言模型和增强连接性方法。我们的序列化策略包括以顶点为中心的深度优先遍历和简洁的基于边的分区序列。此外，我们使用无分类器引导结合核心抽样来改进车道连接性。我们在知名数据集 nuScenes 和 Argoverse 2 上验证了我们的方法，展示了一致且令人信服的结果。与车道图提取领域的最新技术相比，我们的 LaneGraph2Seq 方法表现出优越的性能。

Jan, 2024

基于车道几何距离和车道查询相似性的车道拓扑推理方法 TopoLogic 在车道拓扑方面提供更全面的信息，显著优于现有的方法，并且可以在无需重新训练的情况下将几何距离车道拓扑推理方法应用于经过充分训练的模型中，大大提升车道拓扑推理性能。

May, 2024