[Paper] PredMapNet：未来与历史推理用于一致的在线HD矢量地图构建

发布: 3天前 (2026年2月19日 GMT+8 02:08)

7 分钟阅读

原文: arXiv

Source: arXiv - 2602.16669v1

概览

本文提出了 PredMapNet，这是一种端到端的框架，能够在飞行中实时构建高清（HD）向量化地图，并保持时间上的一致性。通过对过去观测和短期未来运动进行显式推理，该系统克服了困扰现有基于查询的地图构建流水线的抖动和漂移问题。

Semantic‑Aware Query Generator – 使用空间对齐的语义掩码初始化地图查询，使模型从一开始就拥有全局场景上下文。
History Rasterized Map Memory – 轻量级的每实例光栅存储，保留细粒度的过去地图几何信息，以提供显式的时间先验。
History‑Map Guidance Module – 将光栅化的历史信息注入当前轨迹查询，显著提升帧间连续性。
Short‑Term Future Guidance – 预测地图要素的近期未来位置并作为提示反馈，防止出现不合理的跳跃。
State‑of‑the‑art performance 在 nuScenes 和 Argoverse‑2 上实现了先进的性能，并具备竞争力的推理速度，表明更丰富的时间推理并不一定要牺牲效率。

输入与主干网络 – 将前置摄像头或 LiDAR 的帧序列输入标准视觉主干网络（例如 ResNet 或 Swin），提取密集特征图。
语义感知查询生成
- 语义分割头生成类别掩码（道路、车道、人行横道等）。
- 将这些掩码展平为一组查询，这些查询已与底层几何对齐，取代了以往工作中使用的随机初始化。
历史栅格化地图记忆
- 对于每个被跟踪的地图实例（例如车道段），系统维护一个小的栅格画布，累计其过去的向量化形状。
- 该记忆在每个时间步更新，提供实例曾经所在位置的高分辨率“幽灵”。
历史地图引导模块
- 通过交叉注意力层将栅格记忆投射回查询空间，使当前查询能够“看到”自己的历史。
短期未来引导
- 轻量级运动预测器（例如基于 GRU 的回归器）根据存储的轨迹预测每个实例接下来几米的运动。
- 将预测的未来点拼接到查询中，推动解码器产生时间上合理的输出。
解码器与向量化
- Transformer 解码器细化查询并输出一组 Bézier 曲线或折线，构成向量化的高清地图。
- 整个流水线端到端训练，使用分类、回归和一致性损失的组合。

面向自动驾驶车辆的鲁棒地图更新： 车队运营商可以从实时传感器流中持续细化高清地图，无需离线批处理，将地图延迟从天级降低到分钟级。
开发者友好 API： 由于模型直接消费原始传感器帧并输出矢量化折线，可包装为即插即用服务，集成到现有感知栈中（例如 ROS 节点或 NVIDIA DRIVE SDK）。
更佳的规划与控制： 随时间保持一致的车道几何形状，使下游轨迹规划更可靠，尤其在临时遮挡常导致地图漂移的复杂城市交叉口。
边缘部署： 适度的计算开销意味着该方法可在嵌入式平台上运行（如 NVIDIA Jetson AGX），与其他感知模块并行，实现车载地图构建，无需云端离线。

PredMapNet 表明，将显式的历史先验与短期预测相结合能够产生更稳定、更加精确的高清地图——这一进展有望使真正的在线地图维护在当今的自动驾驶系统中变得可行。