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

构建高清地图是实现自动驾驶的关键需求之一。本研究提出了 DiffMap，一种利用潜在扩散模型对地图分割掩码的结构先验进行建模的新方法，可以提高语义分割方法的性能并有效修正分割输出中的结构错误，进而改进生成地图的质量。通过广泛的可视化分析，我们的模型在生成更准确反映真实世界地图布局的结果方面表现出优越的能力，从而进一步验证了其有效性。

May, 2024

理解道路结构对自动驾驶至关重要。传统的道路结构常用车道图表达，其中包括中心线曲线和形成有向无环图的连接。正确提取车道图需要准确估计有向无环图中的顶点和边信息。然而，现有研究主要侧重于明确建模顶点，而将边信息仅嵌入网络中，导致这些方法在车道图提取任务中表现不佳。为解决此问题，我们提出了一种名为 LaneGraph2Seq 的新方法，它采用了编码顶点 - 边的语言模型和增强连接性方法。我们的序列化策略包括以顶点为中心的深度优先遍历和简洁的基于边的分区序列。此外，我们使用无分类器引导结合核心抽样来改进车道连接性。我们在知名数据集 nuScenes 和 Argoverse 2 上验证了我们的方法，展示了一致且令人信服的结果。与车道图提取领域的最新技术相比，我们的 LaneGraph2Seq 方法表现出优越的性能。

Jan, 2024

建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

Dec, 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

具有结构感知能力的 Lane Graph Transformer (LGT) 模型将地图拓扑结构编码到注意力机制中，以精确预测自动驾驶车辆周围车辆的未来轨迹。对 Argoverse 2 数据集进行的实验结果表明，与基准模型相比，所提出的 LGT 模型在预测性能上显著提高，minFDE$_6$ 指标下降了 60.73%，b-minFDE$_6$ 指标下降了 2.65%。消融实验进一步验证了地图拓扑结构的考虑对模型的有效性，b-minFDE$_6$ 指标下降了 4.24%。

May, 2024

本研究提出了一种新方法，利用扩展后的扩散概率方法，通过端到端学习和使用编码器 - 解码器网络，对图像进行分割。该方法可以迭代地细化分割图，获得最终的分割结果，在多个基准数据集上获得了最先进的结果。

Dec, 2021

本文提出了基于网络特征大小选择和渐进膨胀块对多类车道语义分割问题的解决方法，实验结果表明，该方法在保证推理速度的同时提高了准确性，并可在高分辨率图像上实时运行。

Jul, 2019

通过构建一个从原始地图数据中构造出来的车道图，结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型，可以准确地预测和展示多种行车情景，取得了比现有最好技术更好的表现。

Jul, 2020

该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

Nov, 2018