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

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

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

该研究论文通过引入 SQD 策略作为一种新的时态建模方法，以提升自动驾驶中复杂场景感知性能，并且在构建高清地图方面展现出潜在的时间信息潜力。

Jan, 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

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

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

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

在自动驾驶系统中，高清地图对运行是至关重要的。本文提出了 EAN-MapNet 方法，通过锚点邻域的高效构建来构建高清地图。利用物理位置特征和分组本地自注意力的方法，可以显著提高预测准确性并降低自注意力的计算复杂度。在 nuScenes 数据集上，EAN-MapNet 在训练 24 个时期后达到了 63.0 的 mAP，且相比基线方法大大降低了内存消耗。

Feb, 2024

提出了一种名为 MGMap 的面具引导方法，通过引入学习到的面具实现了精确的地图元素定位，从而解决了当前的检测框架在定位相关特征范围和预测细节结构时存在的模糊性和丢失问题。

Apr, 2024