本文提出了一种名为NeMO的新型范例，通过使用可读写的大地图、基于学习的融合模块和两者之间的交互机制来生成本地地图，该方法支持更长的时间序列融合和长程的bird's-eye视图本地地图生成，并通过NuScenes和BDD-Map数据集的实验，证明了NeMO优于最先进的地图分割方法。
Jun, 2023
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。
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
通过将历史线索整合到当前 BEV 地图中，TempCoBEV 能够在协作感知中改进 BEV 地图分割的质量和可靠性。在 OPV2V 数据集上进行的广泛实验表明，TempCoBEV 在预测当前和未来的 BEV 地图分割方面比非时态模型表现更好，特别是在涉及通信故障的情景中，其整合历史线索到当前 BEV 地图的能力使预测结果在最佳通信条件下提高 2%，在通信故障下提高 19%。
Jan, 2024
从传感器数据在线估计高精度地图的方法中，直接访问内部的鸟瞰图特征可以加快推断速度并提高实时场景中的预测准确度。
Jul, 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。
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。
本研究解决了现有在线向量化高清地图构建方法在复杂场景和遮挡条件下的不足。我们提出的MemFusionMap模型，通过工作记忆融合模块和时间重叠热图的创新设计，显著提高了模型对历史帧的推理能力，最终在主流基准测试中提升了5.4%的mAP性能。该研究为自动驾驶技术的安全规划提供了更强大的支持。