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

提出了一种基于光栅化评估度量的MapVR框架，该框架能够有效地适应各种地图元素，提高地图感知的准确性，从而促进更加安全的自动驾驶。

Jun, 2023

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

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

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

本研究针对生成和维护高清地图的挑战，提出将标准定义（SD）地图融入在线映射架构的新方法，以提高城市和高速公路自动驾驶的导航能力。研究发现，SD地图编码器对模型无关，能够快速适应新架构，结果显示该方法显著提高了在线中心线感知任务的性能，缩短了收敛时间，并减少了感知推理任务中的参数数量。

Aug, 2024

本研究解决了在线矢量化高清地图构建中参考点随机初始化导致的匹配不稳定问题。通过引入PPS解码器和PF编码器，结合先验位置和结构信息，本方法提高了学习稳定性并实现了最佳性能。该工作有望显著提升自动驾驶领域的地图构建精度与效率。

Aug, 2024

本研究解决了在线矢量化高精度地图构建中的参考点随机初始化问题，这导致了预测与真实值之间的不稳定匹配。通过引入PriorMapNet，这一方法利用位置和结构先验改善了参考点的匹配稳定性，并在nuScenes和Argoverse2数据集上实现了最先进的性能。

Aug, 2024

本文解决了自动驾驶车辆高精度地图（HD地图）创建和维护中的成本和时效性挑战。提出的PriorDrive框架利用多种先前地图，有效增强了在线HD地图构建的鲁棒性和准确性。研究结果表明，该方法大幅提升了地图预测能力，为更可靠的自动驾驶导航铺平了道路。

Sep, 2024

本文针对高精度地图（HD地图）的创建和维护难题，提出了PriorDrive框架，通过有效利用先前地图来增强在线HD地图构建的鲁棒性和准确性。核心创新在于引入统一向量编码器（UVE）和混合先前表示（HPQuery），显著提高了地图预测性能，为自主车辆导航提供了可靠的解决方案。

Sep, 2024