本研究提出了一个名为 VectorMapNet 的端到端矢量化高清地图学习管道，它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系，并生成对自主驾驶任务友好的矢量化高清地图。实验表明，VectorMapNet 在 nuScenes 和 Argoverse2 数据集上的地图学习性能优于以前的最先进方法，MAP 分别提高了 14.2 和 14.6。

Jun, 2022

本文提出了一种系统化的向量地图注释框架（VMA），用于有效生成大规模自动驾驶场景的高清地图。VMA 采用分治注释方案解决了高清地图生成中的空间可扩展性问题，并将地图要素抽象为不同的几何图案统一点序列表示，从而提高了生成地图的效率和灵活性。实测结果表明，VMA 显著提高了地图生成效率，同时降低了人力成本。

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

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

该研究通过对大型地下停车场地图进行向量化和光栅化存储的研究，提出了一种基于网格索引方法的室内二维地图光栅数据向量化分类存储的方法，实现了室内地图的高效存储和快速查询，并通过插值算法将向量数据提取并转换成光栅数据，从而为车库地图的数字存储和导航提供了有效的技术支持。

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

GeMap 是一种应用于构建在线矢量化高清地图的方法，通过学习欧氏空间的形状和关系，利用几何损失和自注意机制，实现了最先进的性能。

Dec, 2023

研究进行了关于机器学习兼容的矢量化方法的研究，发现尽管现有的方法能够直接指定形状数量和类型，但其工作时间很长且无法准确重现原始图像，因此我们认为没有快速的通用自动方法，需要对每种方法进行人工控制。

Jun, 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

高清地图提供丰富而准确的静态环境信息，是自动驾驶系统规划中不可或缺的基本组成部分。本文提出了一种名为 Map Transformer 的端到端框架，用于在线矢量高清地图构建。我们提出了统一的排列等价建模方法，即将地图元素建模为一个带有一组等价排列的点集，准确描述了地图元素的形状并稳定了学习过程。我们设计了一个层次化查询嵌入方案，以灵活编码结构化的地图信息，并进行地图元素学习的层次二分匹配。为了加速收敛，我们进一步引入了辅助的一对多匹配和密集监督。所提出的方法能够很好地处理任意形状的地图元素。它以实时推断速度运行，并在 nuScenes 和 Argoverse2 数据集上达到了最先进的性能。丰富的定性结果展示了在复杂和各种驾驶场景中稳定和鲁棒的地图构建质量。通过 https://github.com/hustvl/MapTR 提供的代码和更多演示，有助于进一步研究和应用。

Aug, 2023