本文探讨了OpenStreetMap数据在地球观测图像语义标注中的应用，实验结果显示其显著提高了模型的精度和收敛速度。同时，提出了GlobalMapNet框架，结合众包和在线制图，解决了高清地图构建的高成本和低可扩展性问题，展现出良好的性能和潜力。

本文介绍了HDMapNet、VectorMapNet和MapTR等高清地图学习方法，强调通过多传感器数据融合和新型神经网络结构提高地图构建的精度与效率。这些方法在自动驾驶中尤为重要，特别是在复杂环境下的实时推断和稳定性方面。研究还探讨了标准定义地图在局部地图感知中的潜力及未来挑战。

本文提出了一种基于车载摄像头的道路布局推断模型，结合深度学习和高清地图，提升自动驾驶的导航能力和安全性。研究表明，该模型在车道检测和拓扑预测方面显著提高了性能，促进了高清地图的生成与维护。

本文探讨了高清地图技术在自动驾驶中的应用，提出了一种Q-learning算法以优化车载网络和地图更新，显著提高数据延迟性能。研究比较了深度强化学习策略，提出增强移动机器人无地图导航能力的方法，实验结果表明双重深度结构优于传统Q结构。此外，介绍了基于超维强化学习的QHD模型，提升了学习速度和效率，适用于边缘环境。

本文介绍了多种高清地图学习方法，如CAMA、HDMapNet、VectorMapNet和VMA，强调它们在自动驾驶中的应用及性能提升。这些方法通过融合多传感器数据、优化注释框架和提高生成效率，显著改善了地图构建和语义标注能力。

本文介绍了多种高清地图构建方法，包括 MGMap、VectorMapNet 和 MachMap。MGMap 通过学习面具实现精确定位，VectorMapNet 提高了地图学习性能，MachMap 达到最高精度。此外，提出了 M2BEV 框架，结合多摄像头图像进行三维物体检测和地图分割，优化了在线高清地图构建的准确性和效率。

StreamMapNet是一种新型在线地图制作方法，能够高效构建稳定的高清地图，克服了现有方法的局限性。该方法在多种设置下表现优异，推理速度达到14.2FPS。研究还提出了MachMap和VectorMapNet等架构，进一步提升了高清地图的构建精度和性能，尤其在复杂场景中表现突出。

本研究提出了VectorMapNet，一个端到端的矢量化高清地图学习管道，能够利用传感器数据预测稀疏折线，生成适合自主驾驶的地图。实验结果表明，该方法在nuScenes和Argoverse2数据集上的表现优于以往方法，MAP分别提高了14.2和14.6。

该研究提出了一种基于向量高清地图的算法MapTracker，通过潜在记忆确保时间一致性重建。该方法在nuScenes和Agroverse2数据集上分别提高了8%和19%。此外，HybriMap和InsightMapper等新方法在高清地图构建中表现出色，尤其在拓扑正确性和实时推断速度方面。

本文讨论了高清地图（HDMap）在自动驾驶中的重要性，提出了MapEX框架、Q-learning算法和知识蒸馏技术等多种改进方法，以提高地图估计和预测的准确性。这些方法通过融合传感器数据和已有地图，显著提升了性能和延迟表现。

通过使用高清地图，设计了一种单级探测器，能够提取几何和语义特征，并提出地图预测模块，从而提高三维物体探测器的效能和稳健性。实验证明该探测器在有无地图情况下优于现有技术水平，每秒20帧的运行速度。

该研究提出了一种利用高清地图中交通信号灯分配信息的新方法，通过分析交通信号灯状态和车辆运动模式自动推导交通灯分配，解决了信息手动提供的问题，并提供了数据集转换方法和公开 API，方便研究人员开发和评估自己的方法。

本文介绍了一种从高清地图中提取几何和语义特征的单级探测器，并提出了一个地图预测模块，可以从原始 LiDAR 数据中实时估计地图。实验结果表明，该探测器在有地图和无地图情况下都优于现有技术水平，并且整个框架的运行速度达到了每秒 20 帧。

本文介绍了一种利用高清地图提取几何和语义特征的单级探测器，并提出了一个地图预测模块，可以实时估计地图。实验结果表明，该探测器在有无地图情况下均优于现有技术水平，且运行速度达到每秒20帧。