高精度地图（HD maps）是自动驾驶中的一个重要模块。高精度地图包含道路厘米级的几何和语义信息，包括车道线，道路边界以及道路的拓扑结构。高精度地图可以使自动驾驶车辆更准确地定位，预测其他运动物体，在传感器之外进行规划。

然而，传统的使用算法预标注和人工标注的高精度地图生成框架面临着许多挑战。首先，高精度地图所需原始点云由车载的移动测绘系统收集，其中配备激光雷达、GPS、IMU、车轮里程计等传感器，所有传感器需要精确的校准和维护，可扩展性较差。其次，同一场景的多片点云需要使用SLAM进行融合，以保证场景高精度，高密度的点云表达。SLAM算法产生的微小错误会造成高精度地图的错位。此外，融合后的点云需要由算法预标注和人工标注道路的几何形状、语义标签、可驾驶区域等标签信息。预标注以及人工标注都需要花费大量的资源和人工成本。最后，道路信息是经常变化的，为了满足长期使用，必须不断更新维护高精度地图。

为此，清华大学交叉信息研究院助理教授赵行等人提出了一种在线地图学习框架HDMapNet，利用车载传感器即时预测周边地图信息。这样的框架不需要更新或维护本地高精度地图，更易实现，可扩展性更强。HDMapNet将车载传感器获取的图片或点云作为输入，输出矢量化的地图元素，包括车道线、道路边界、人行道、斑马线。同时，文章提出使用语义层面和实例层面的指标来评估构建出的地图的性能。

同时，针对现有方法通过离线手动标注来解决语义构图的可扩展性问题。赵行教授还提出了一个端到端矢量化高精地图学习框架VectorMapNet。

VectorMapNet获取车载传感器观测数据，并在鸟瞰图（BEV）中预测一组稀疏的多段线（polylines）原素，以模拟高清地图的几何结构。基于此，VectorMapNet可以显式地建模地图元素之间的空间关系，并生成对下游自主驾驶任务友好的矢量化地图，而无需进行后处理。在实验中，VectorMapNet在nuScenes数据集上实现了强大的高清地图学习性能，mAP超过了以前最好方法14.2。定性上，VectorMapNet能够生成全面的地图，并捕获道路几何中更细粒度的细节。

8月8日晚7点，「自动驾驶新青年讲座」第5讲，清华大学交叉信息研究院助理教授赵行将主讲《以视觉为主的自动驾驶高精度语义地图感知》。