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

提出基于前视单目图像的局部鸟瞰地图重建新框架，利用前向到俯视图像变换（FTVP）模块中的多尺度设计和周期性一致性约束，实现低成本高效的道路与汽车区域感知以及多类别场景理解。在公共基准测试中，该方法在道路布局估计，车辆占用估计和多类别语义估计任务中均达到了最先进的性能，并且在多类别语义估计中优于所有竞争对手。

Nov, 2022

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

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

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

该研究提出了一种无监督学习方法，从单眼正视图像生成语义鸟瞰地图，以在自动驾驶的各种决策任务中提供强大的遮挡推理能力，其使用了 1% 的标注数据和无额外标记数据，在 KITTI-360 和 nuScenes 数据集上表现与现有最先进的方法相当。

May, 2024

本文提出了一种名为 MV-Map 的离线管道，能够有效地生成高清地图，并优化了离线管道的流程。通过聚合所有航空预测的帧，根据不确定性网络赋权重，实现了多视图一致性的增强。在 nuscenes 数据集上的实验证明了本文方法有效性的同时，也突显出将 HD-Map 生成过程转移至离线计算的重要性。

May, 2023

自动驾驶系统的感知输出对于其他智能体和结构的空间推理和路径规划至关重要，基于摄像头图像的透视投影方法不适用于自动驾驶，因此需要使用其他方法来产生所需的地形俯视图像。

Sep, 2023

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

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