该研究提出了一种新颖的多模态地理语言模型 (MGeo) 用于查询-POI 匹配，通过将地理信息视作一个新的模态，在提取多模态相关性的同时准确表示查询中的多个地理对象，提升了通用 PTMs 的查询-POI 匹配能力。

Jan, 2023

本研究探索利用生成型AI作为绘图的助手的概念，以增强协作绘图的效率，并结合志愿地理信息和大型语言模型进行实验，结果表明，采用更详细的来源照片描述或结合附加上下文可以在不修改底层AI模型的情况下有效地提高地图标记建议的准确性。

Jun, 2023

地理人工智能（GeoAI）在测绘学中的应用与研究展现了巨大潜力，同时也引发了伦理问题的关注，本文通过对GeoAI和测绘学整合的研究进行综述和分析，总结了关于GeoAI在测绘设计中的应用方法以及相关的伦理挑战，并提出了未来的研究方向。

Dec, 2023

通过建立大规模标准数据集，我们希望能够为AI增强的制图应用提供有用的资源，包括地图文本注释识别、地图场景分类、地图超分辨率重建和地图风格转换等任务，以推动深度学习方法在复杂地图内容识别、模式识别和内容检索方面的最新技术发展。

Dec, 2023

该研究论文提出了DUFOMap，这是一种用于高效在线处理的新型动态感知映射框架，通过利用光线投射来识别和分类完全观察到的空区域，从而创建只包含静态部分的地图。在各种不同场景下进行评估，并且在精确性和计算效率方面优于现有的方法。

Mar, 2024

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

该研究提出了一种基于向量高清地图的算法，将地图构建作为一个跟踪任务，并使用以往的潜在记忆来确保随时间的一致性重建。MapTracker通过将传感器流积累到两种潜在表示的内存缓冲区中，即鸟瞰图和道路元素的向量潜在，来实现这一目标。该方法借用了跟踪文献中的查询传播范式，将上一帧中跟踪到的道路元素明确地与当前帧中的元素关联起来，并使用距离步幅选择的一部分内存潜在进一步增强时间连续性。通过解码向量潜在，可以重建道路元素的几何形状。该研究还通过1)改进现有数据集的处理代码，以产生具有时间对齐的一致地面真实性和2)通过一致性检查增强现有的mAP度量标准，做出了基准贡献。在nuScenes和Agroverse2数据集上，MapTracker相对于传统度量标准和新的一致性感知度量标准分别提高了8%和19%。

Mar, 2024

提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建QR-P图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

Mar, 2024

DuMapNet是一种工业级解决方案，通过提供标准化的矢量地图元素和拓扑关系，克服了城市尺度车道级地图生成中存在的困难，并通过组别车道预测系统和上下文促进编码器模块实现车道预测和全局一致性的提高。大规模实际数据集上的实验证明了DuMapNet的优越性和有效性，已经在百度地图生产环境中应用，为360多个城市的车道级地图生成任务带来了95%的成本降低。

Jun, 2024

该论文通过分析当前的机器学习方法在更新地图方面的应用，提出了DeepMapper作为未来推进自动在线地图更新过程的实际解决方案，并确定了一些关键的研究空白。

Jun, 2024