- 您的高精地图构建器在传感器异常下是否可靠？
这项工作介绍了 MapBench，它是第一个旨在评估高清地图构建方法对各种传感器损坏的鲁棒性的全面基准。我们的基准包括来自相机和 LiDAR 传感器的共 29 种类型的损坏。对 31 种高清地图构建方法进行的广泛评估揭示了在恶劣天气条件和传 - 基于稀疏点云的自动无里程计 OpenDRIVE 生成
基于点云信息，本文提出了一种生成真实道路表示的新方法，无需 LiDAR 传感器、安装位置、里程计数据、多传感器融合、机器学习或高精度校准，基于 OpenDRIVE 格式进行评估。
- 带有扩散模型的车道分割细化
通过改进和扩展分割方法，结合扩散概率模型，提高道路图的质量，特别是在非交叉区域中的连通性，从而优于先前方法。
- 提升车道检测泛化性能：一种利用高精度地图提升多样性的新框架
通过将数据分解为车道结构和周围环境，利用高清地图和生成模型增强多样性，本文提出了一种用于车道检测的单源域泛化（SSDG）的新框架，通过策略性选择核心子集数据来增强泛化性能，实验证明该框架提高了车道检测的泛化性能，与基于域自适应的方法相当。
- 基于运动数据的交通标志到车道分配的语义地图学习
自动驾驶车辆利用高清地图中的交通信号灯分配信息可准确地了解每个车道的交通灯控制，本研究提出一种新方法，通过分析交通信号灯状态和车辆运动模式来自动推导交通灯分配，有效解决了信息手动提供的繁琐、昂贵和不可扩展问题，并通过基于统计的方法和拒绝方法 - 基于合成驾驶数据的轨迹预测预训练
在有限的数据可用性下，我们提出了利用高精度地图和轨迹的图表示以及预训练策略相结合的方法来学习通用的轨迹预测表示，进而对轨迹预测模型进行改进，从而在数据扩展和预训练策略方面取得了显著的效果。
- StreamMapNet：面向矢量化在线高清地图构建的流式映射网络
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。
- 通过知识蒸馏提升无地图轨迹预测能力
本篇论文利用分层知识蒸馏框架，将基于高清地图的预测模型的知识迁移到不需要高清地图的预测模型中，提高了自主驾驶的轨迹预测准确性。
- Road Barlow Twins：道路环境描述和运动预测中的冗余降维
为了确保自动驾驶车辆的安全运行，预测交通代理的未来运动至关重要。本文提出了一种新颖的自监督预训练方法和变压器模型来实现运动预测。
- 无需高清地图：直接从无人机图像预测驾驶行为
利用无人机鸟瞰图像构建的地图表示法可以有效地提供路况信息，实现了在多智能体轨迹预测中获得与高清地图相当的性能。
- 基于学习的运动预测中航行地图的探索
本文提出了一种通过集成导航地图来提高无人驾驶预测周围物体运动的方法，并且针对训练中可用的高清地图提出了一种自适应知识蒸馏的技术，实验表明这些方法可以显著改善预测效果。
- 路径感知图注意力在动作预测的应用
提出了一种基于路径感知的图形注意力机制，用于对高清地图进行编码，以帮助自主驾驶汽车预测路径，并在 Argoverse Motion Forecasting 数据集上取得了最优结果。
- HDMapGen：一种高清地图的分层图形生成模型
介绍了一种通过自动递归生成方法生成高清地图的任务和被称为 HDMapGen 的层次图生成模型，该模型能够通过粗到精细的方法制作高质量且多样化的高清地图，并在 Argoverse 数据集和内部数据集上显示出在基线方法上明显的提高，同时表明了该 - LiRaNet: 基于时空雷达融合的端到端轨迹预测
本文提出的 LiRaNet 是一种新颖的端到端轨迹预测方法，利用了雷达传感器信息和广泛使用的激光雷达和高清晰度地图，通过高效的时空雷达特征提取方案，实现了多个大规模数据集上最先进的性能表现，并获得了高加速度物体预测误差的 52％降低和远距离 - 城市自动驾驶应用的概率语义地图
本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。
- CVPRArgoverse: 富含地图的 3D 跟踪和预测
Argoverse 是包含 HD 地图的自动驾驶数据集，通过提供详细的地图信息，如车道方向、可行车道区域和地面高度，提高了 3D 目标跟踪和动态预测的准确性。