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

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

在线高清地图 (HDMap) 估计通过传感器提供一个低成本的替代手动获取 HDMap 的方法，我们提出通过考虑已有的地图来改进在线 HDMap 估计，并引入 MapEX，一种新颖的在线 HDMap 估计框架，通过将地图元素编码为查询令牌，并改进用于训练经典查询基础地图估计模型的匹配算法，我们在 nuScenes 数据集上证明了 MapEX 能够显著提高性能。

Nov, 2023

高清地图、自动驾驶导航、纯视觉感知、MapNeXt架构以及无地图的视觉感知单一模型等是此研究论文的主要关键词和研究领域。

Jan, 2024

通过对合成扰动进行实验和实际自主驾驶数据的评估，研究发现在现实世界高清地图变化中，合成先前扰动与实际观察到的地图变化之间仍存在较大的差距，从而限制了当前利用先前信息的高清地图预测模型的实用性。

Jun, 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

本研究解决了传统高清地图构建过程中存在的高成本和低可扩展性问题。提出了GlobalMapNet，一个创新的在线框架，通过结合众包和在线制图的优势，实现矢量化全球地图的直接生成，显著提高了地图的一致性和精确性。研究结果表明，GlobalMapNet在知名数据集上表现优越，有望推动自动驾驶领域地图构建的进步。

Sep, 2024

本研究针对传统高清地图构建的高成本和低可扩展性问题，提出了一种新的全球地图构建方法。通过全球地图构建框架GlobalMapNet，结合众包和在线制图的优点，可以直接生成矢量化的全球高清地图。实验结果表明，该框架在生成全球一致性结果方面具有显著潜力。

Sep, 2024