MapTR 是一个高效的在线矢量高清地图构建系统，采用基于点集的建模方法和分层查询嵌入方案，可用于自动驾驶系统中进行规划，具有比现有方法更好的性能和效率。

Aug, 2022

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

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

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

在线高清地图 (HDMap) 估计通过传感器提供一个低成本的替代手动获取 HDMap 的方法，我们提出通过考虑已有的地图来改进在线 HDMap 估计，并引入 MapEX，一种新颖的在线 HDMap 估计框架，通过将地图元素编码为查询令牌，并改进用于训练经典查询基础地图估计模型的匹配算法，我们在 nuScenes 数据集上证明了 MapEX 能够显著提高性能。

Nov, 2023

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

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

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

介绍了 2024 年自治大挑战赛 - 无地图驾驶的第一名解决方案，该解决方案使用了新型在线制图流程 LGmap，并引入了对称视图变换（SVT）和分层时间融合（HTF）模块，实现了高稳定性的长程高清地图构建，同时通过简化行人过马路表示提高了解码器收敛性能，最终在无地图驾驶 OpenLaneV2 测试集上实现了 0.66 的 UniScore 得分。

Jun, 2024