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

本研究提出了一种名为 NMP 的神经网络结构，能够自动更新全局地图并改善局部地图推理性能，实现了全局地图先验的初步学习。实验表明，该框架对各种地图分割和检测架构具有高度兼容性，并且即使在恶劣天气条件和较长的预测时间跨度内，也能显著增强地图预测性能。

Apr, 2023

利用无人机鸟瞰图像构建的地图表示法可以有效地提供路况信息，实现了在多智能体轨迹预测中获得与高清地图相当的性能。

May, 2023

本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。

May, 2022

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

通过对合成扰动进行实验和实际自主驾驶数据的评估，研究发现在现实世界高清地图变化中，合成先前扰动与实际观察到的地图变化之间仍存在较大的差距，从而限制了当前利用先前信息的高清地图预测模型的实用性。

Jun, 2024

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

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

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021