ADMap: 在线重建矢量化高清地图的抗干扰框架
内容提要
本文综述高清地图与自动驾驶感知技术进展，涵盖VMA、StreamMapNet、MachMap、HDMapNet、VectorMapNet、GeMap等框架，这些框架提升了地图生成效率、在线推理速度与精度，并探索了无人机地图、无地图驾驶及MOVAD实时系统。
延伸解读
技术演进：从离线到在线矢量化地图
文章梳理了高清地图生成技术的演进脉络：从2021年的HDMapNet、2022年的VectorMapNet等早期方法，到2023年的StreamMapNet、MachMap、GeMap等在线框架。早期方法多依赖离线处理，而新方法强调在线推理能力，如StreamMapNet达到14.2FPS，这反映了自动驾驶对实时性的迫切需求。技术路线也从多传感器融合转向端到端矢量化，提升了地图的表示效率。
性能对比：精度与速度的权衡
不同框架在性能上各有侧重：MachMap在Argoverse2基准上达到83.5的平均精度，VectorMapNet在nuScenes和Argoverse2上MAP分别提升14.2和14.6，而StreamMapNet在保持14.2FPS在线推理速度的同时优于现有方法。这些数据表明，在线地图生成正逐步解决精度与速度的平衡问题，但各方法测试基准和指标不一，直接比较需谨慎。
应用拓展：无人机与无地图驾驶
文章提到利用无人机鸟瞰图像构建的地图表示法，在多智能体轨迹预测中达到与高清地图相当的性能，这为地图采集提供了低成本替代方案。同时，无地图自主驾驶的端到端方法以原始传感器数据和高级命令为输入，利用在线地图和动态代理预测，通过神经运动规划器实现可解释决策，并在长期闭环模拟中表现更安全舒适。这些探索降低了对于高精地图的依赖。
实时系统与异常响应
MOVAD是一个利用固定摄像头视频进行信息提取和关联的实时系统，包含短期和长期记忆模块，能在DoTA数据集上取得比同类技术高2.81的准确率。这显示了在线地图技术在实时异常响应方面的潜力，但文章未详细说明其与高清地图生成框架的直接集成方式，读者需注意其应用场景的差异性。
Q&A
VMA框架如何解决高清地图生成中的空间可扩展性问题？
VMA采用分治注释方案，将地图要素抽象为不同的几何图案统一点序列表示，从而提高了生成地图的效率和灵活性。
StreamMapNet在线地图制作方法有什么优势？
StreamMapNet能进行长序列时间建模视频，在广泛感知范围内构建高稳定性的大范围本地高清地图，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。
MachMap在高清地图构建中取得了什么成绩？
MachMap基于CNN骨干结构和point-detection范式，在Argoverse2基准测试中达到了之前最高的平均精度83.5。
VectorMapNet相比之前最先进方法有哪些提升？
VectorMapNet在nuScenes和Argoverse2数据集上的地图学习性能优于以前的最先进方法，MAP分别提高了14.2和14.6。
GeMap如何构建在线矢量化高清地图？
GeMap通过学习欧氏空间的形状和关系，利用几何损失和自注意机制，实现了最先进的性能。
MOVAD实时系统在异常情况响应方面表现如何？
MOVAD利用固定摄像头拍摄的视频进行信息提取和关联，包含视频分析技术和短期记忆与长期记忆两部分，在DoTA数据集测试中比同类技术准确率高2.81。
