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

该研究提出了一种基于参数化方法的高清地图向量化方案，采用了统一分段贝塞尔曲线，通过直接集合预测范式和后处理无关的 BeMapNet 网络架构来实现了向量化。

Jun, 2023

StreamMapNet 是一种能进行长序列时间建模视频的新型在线地图制作方法，能够在广泛感知范围内构建具有高稳定性的大范围本地高清地图，并解决了现有方法的局限性，其在所有设置下均明显优于现有方法，同时保持 14.2FPS 的在线推理速度。

Aug, 2023

我们提出了一个名为 HIMap 的简单而有效的混合框架，可以充分学习和交互点级和元素级信息，生成高清地图。

Mar, 2024

介绍了一种称为 MachMap 的有效架构来构建高清地图，基于 CNN 的骨干结构和 point-detection 范式，经过 Argoverse2 基准测试，MachMap 达到了之前最高的平均精度 83.5。

Jun, 2023

提出了一种新颖的端到端流程，使用车载摄像头传感器实现在线长距离矢量化高清地图构建。通过提取线性结构来改进地图构建的性能，并设计了一种渐进解码机制和基于此表示的监督策略，该方法在 nuScenes 数据集上展现出优越性能，特别是在长距离场景中，超过了以往的最新模型 6.5 mAP，同时达到 18.3 FPS。

Oct, 2023

通过引入 LaneSegNet 方法，通过生成车道段来获得道路结构的完整表示，该方法能够在三项任务中显著提高性能，包括地图元素检测（+4.8 mAP），中心线感知（+6.9 DET_l）以及车道段感知（+5.6 mAP）。

Dec, 2023

本文介绍了一种新型的层级图神经网络 VectorNet，用于解决在自动驾驶汽车的动态多智能体系统中的行为预测问题，并通过在高精度建模的地图和智能体轨迹上的操作，使得该方法在两个行为预测基准测试中均达到优秀的性能。

May, 2020

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

本文介绍 HD 语义地图学习的问题，提出了一种语义地图学习方法 HDMapNet，通过多传感器数据的融合，可以更好地动态地构建地图语义，并且相比于传统基线方法具有更好的性能。

Jul, 2021