通过对合成扰动进行实验和实际自主驾驶数据的评估，研究发现在现实世界高清地图变化中，合成先前扰动与实际观察到的地图变化之间仍存在较大的差距，从而限制了当前利用先前信息的高清地图预测模型的实用性。

Jun, 2024

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

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

自动驾驶库存着一直依赖昂贵且劳动密集的高清地图，制约了其可扩展性，而标准清晰度地图则更经济实惠且具有全球覆盖，为提供可扩展的替代方案。本文系统性地研究了标准清晰度地图对实时车道拓扑理解的影响，并提出了一种将标准清晰度地图集成到在线地图预测的新型框架，使用基于 Transformer 的编码器 SD Map Encoder Representations from transFormers 利用标准清晰度地图中的先验知识来进行车道拓扑预测任务。这种改进可以显著提高（高达 60%）当前最先进的在线地图预测方法的车道检测和拓扑预测能力，而且可以立即应用于任何基于 Transformer 的车道拓扑方法。

Nov, 2023

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

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

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

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

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