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

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

自动驾驶汽车在今天逐渐进入城市道路，通过高清地图（HDMaps）的帮助。尽管在线HDMap生成算法的性能在远程地区仍然令人不满意，但这一事实促使许多研究人员进行研究。我们提出了P-MapNet，并将字母P强调为我们专注于合并地图先验以提高模型性能的事实。我们在OpenStreetMap中提取了弱对齐的SDMap，作为一个额外的条件分支对其进行编码。我们的基于注意力的架构能够自适应地关注相关的SDMap框架并显著提高性能。此外，我们利用掩蔽自编码器捕获HDMap的先验分布，它可以作为细化模块来减轻遮挡和伪影。通过综合实验，我们展示了：（1）我们的SDMap先验可以提高在线地图生成的性能，使用栅格化输出表示（最多可达到+18.73mIoU）和矢量化输出表示（最多可达到+8.50mAP）。（2）我们的HDMap先验可以提高地图感知度量结果，最高可达到6.34%。 （3）P-MapNet可以切换到不同的推理模式，覆盖了精度-效率权衡的不同区域。 （4）P-MapNet是一个远见的解决方案，在更长范围上带来了更大的改进。代码和模型公开在此https URL。

Mar, 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

本研究解决了传统高成本高清地图在复杂环境下准确性不足的问题，提出了HRMapNet方法，利用历史栅格地图提升在线向量化地图感知性能。我们的创新模块显著增强了鸟瞰视图特征和地图元素查询的能力，并在nuScenes和Argoverse 2数据集上验证了该方法的有效性和应用潜力。

Sep, 2024

本研究探讨了局部地图在自动驾驶技术中的核心作用，尤其是将标准定义地图(SD地图)作为 prior 信息的整合方法。文章的关键发现是，SD地图的低成本、易获取性和高通用性为局部地图感知方法提供了显著的潜力，同时综述了当前研究的最新进展和未来的挑战，引导研究者更好地认识这一领域的趋势与方法。

Sep, 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