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

本文通过使用有向无环图模型 (DAG) 来推断车道边界的几何和拓扑属性，从而提高制作高精度地图的效率。经测试，该方法在两个不同的州的两条北美高速公路上表现出了 89% 的正确率。

Dec, 2020

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

通过利用大型语言模型（LLMs）增强全局交通语境理解来提高动作预测任务的准确性，并考虑到 LLMs 的成本，我们提出了一种成本效益的部署策略：通过拥有 0.7% 的 LLM 增强数据集来扩大动作预测任务的准确性。

Mar, 2024

提出了一种无地图自主驾驶的端到端方法，该方法以原始传感器数据和高级命令（例如，在十字路口左转）作为输入，利用在线地图以及动态代理的当前和未来状态性能预测，并利用一种新颖的神经运动规划器制定可解释决策，同时能够更好地执行命令和比基线和专家驾驶员更加安全和舒适地执行长期封闭环模拟。

Jan, 2021

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

本文提出了一种基于交通流的路径生成框架 FlowMap，该框架可以为自动驾驶车辆生成人类模拟路径，并且可以在不使用高精度地图的情况下应对超级复杂的十字路口。

May, 2023

本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

Jun, 2017