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

利用高精度地图技术和人工智能，该论文研究了从大量低精度 GPS 轨迹数据融合中生成高精度 GPS 数据的快速有效算法，并基于大量社交车辆实现了基于众包更新的地图数据集合模型，从而提高数据精度、降低测量成本以及减少数据存储空间，推动高精度地图在智能车辆领域的合理应用。

Feb, 2024

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

通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

Aug, 2023

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

通过利用智能基础设施中的自主监测交通指南（SSTA）框架，将交通视频预测改为预测未来的车辆流量，以帮助自动驾驶车辆（CAV）的运动规划。该设计在拥挤的城市环境下证明了其有效性。

Sep, 2023

高清地图在现代自动驾驶车辆的发展中起着重要作用，本文介绍了多种先进的在线地图估计方法，并扩展了不确定性预测，以更好地与轨迹预测结合，实验结果表明不确定性的引入可以提高训练收敛速度和预测性能。

Mar, 2024

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

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

本研究介绍了一种信息共享和安全多智能体强化学习框架，通过车辆间通信收集处理后的 LIDAR 和摄像头数据，在提高交通效率和安全方面取得优势，并在 CARLA 模拟器中得到验证。

Feb, 2023