无图NOA行不行？聊一聊在线高精地图的边界~

最新推荐文章于 2025-03-29 10:45:53 发布
转载 最新推荐文章于 2025-03-29 10:45:53 发布 · 540 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247581991&idx=5&sn=7c0ec4e02ce8925864025c69136048fa&chksm=cf12992256b5eb7b24945ccd4ae849c56aecaae152a6204a3ee6ec61de0dba14d7c66bfdcad4&scene=126&sessionid=0

高精地图曾被视为自动驾驶的“灵魂伴侣”，以其厘米级的精度为自动驾驶研发提供了有力支撑。但时效性低、构建成本高昂的问题逐渐浮现。自2022年起，“重感知轻地图”成为自动驾驶界的新潮流。特斯拉、小鹏、理想等头部企业纷纷跟进，先后发布了去高精地图的方案。

“重感知轻地图”的核心思想是什么？实时感知！让自动驾驶系统更多地依赖传感器等设备，实时捕捉环境信息，而不是死板地遵循预先设定的地图。这样，系统能更灵活适应各种道路和交通环境，实现更安全、高效的自动驾驶。在“重感知轻地图”的浪潮下，在线高精地图构建任务应运而生，成为自动驾驶感知和地图模块的“新星”。这种方法利用激光雷达、摄像头等传感器，实时捕捉道路和交通环境的详细信息，为自动驾驶提供实时、准确的依据。

许多研究如HDMapNet、MapTR、BeMapNet等，对地图要素建模进行了深入探索，提出了统一的建模方式来表达地图要素。这些方法在精确预测车道线、道路边沿等方面取得了显著成果，但仍缺乏“车道”的概念和车道之间的拓扑关系构建。为了满足下游规划任务的需求，一些工作如TopoNet更进一步，直接从传感器信息预测车道中心线及车道拓扑。此外，Neural Map Prior等工作通过引入地图先验，显著提升了在线建图在夜间、雨雪等极端感知条件下的性能。

2206cd67d882f9734d1dea34fb342de0.png

在线高精地图构建任务的兴起，不仅解决了传统高精地图时效性低、构建成本高的问题，还为自动驾驶系统提供了更灵活、实时的环境感知能力，助力实现更安全、高效的自动驾驶。各大自动驾驶公司更是投入重金研发在线高精地图模型，期望早日落地城区NOA，在成本和性能、驾驶体验上取得最佳平衡。

新兴技术不知道如何入门？

自动驾驶Daily为大家准备了12篇在线高精地图相关的paper，彻底梳理清楚城市NOA的关键技术。公众号【自动驾驶Daily】后台回复“在线地图”获取所有论文。

  1. HDMapNet：基于语义分割的在线局部高精地图构建 (ICRA2022)

  2. VectorMapNet：基于自回归方式的端到端矢量化地图构建（ICML2023）

  3. MapTR ：基于固定数目点的矢量化地图构建 (ICLR2023)

  4. MapTRv2：一种在线矢量化高清地图构建的端到端框架

  5. PivotNet：基于动态枢纽点的矢量化地图构建 （ICCV2023）

  6. BeMapNet：基于贝塞尔曲线的矢量化地图构建 (CVPR2023)

  7. LATR:  无显式BEV 特征的3D车道线检测 (ICCV2023)

  8. TopoNet: 基于图的驾驶场景拓扑推理

  9. TopoMLP: 先检测后推理（拓扑推理 strong pipeline）

  10. LaneGAP：连续性在线车道图构建

  11. Neural Map Prior: 神经地图先验辅助在线建图 （CVPR2023）

  12. MapEX：现有地图先验显著提升在线建图性能

自动驾驶技术路线之争：视觉派、激光雷达派与融合派，谁将引领未来？
m0_72427326的博客
06-16 1384
自动驾驶感知技术主要分为三大路线：纯视觉派（以特斯拉为代表，低成本但依赖算法）、激光雷达派（以Waymo等为代表，高精度但成本高）和强感知融合派（主流发展方向）。纯视觉方案通过AI算法从2D图像重建3D环境，优势在于成本低但受环境影响大；激光雷达直接提供高精度3D点云数据，可靠性更高但成本昂贵；融合方案则结合多传感器优势，提升系统鲁棒性，成为高阶自动驾驶的主流选择。技术路线选择需平衡性能、成本和可靠性，未来发展方向取决于算法突破和成本控制。
重感知、轻地图 or 轻感知、重地图​：这是一个问题；高精地图主流制作方案
znqcsj的博客
11-25 1979
高精地图主流制作方案
端到端实现高精地图重建（TopoNet解读和横评）
JJ-Li的博客
02-03 4343
端到端实现高精地图重建的网络解读：TopoNet，以及对比STSU，VectorMapNet和MapTR的横评
【亲测免费】 探索未来驾驶的智能助手：TopoNet - 场景拓扑推理新基准
gitblog_00058的博客
06-21 838
探索未来驾驶的智能助手：TopoNet - 场景拓扑推理新基准 在自动驾驶领域，准确理解周围环境是安全行驶的关键。最近，一款名为TopoNet的新型框架引起了广泛关注。它引入了图神经网络和知识图谱设计，开创性地实现了对驾驶场景中道路元素连接关系的端到端推理。这项技术不仅提升了感知任务的能力，也为构建更智能的自动驾驶系统打开了新的可能。 项目介绍 TopoNet是由OpenDriveLab与华为诺亚...
【AI视野·今日CV 计算机视觉论文速览 第265期】Wed, 11 Oct 2023
TomRen
10-12 985
AI视野·今日CS.CV 计算机视觉论文速览 Wed, 11 Oct 2023 Totally 88 papers 👉上期速览✈更多精彩请移步主页 Daily Computer Vision Papers AutoAD II: The Sequel -- Who, When, and What in Movie Audio Description Authors Tengda Han, Max Bain, Arsha Nagrani, G l Varol, Weidi Xie, Andrew
无图量产起点！聊聊MapTR的过去、现在和未来！
CV_Autobot的博客
03-29 693
高精（HD）地图提供了丰富而精确的驾驶场景环境信息，是自动驾驶系统规划中不可或缺的基本组成部分。MapTR一种高效在线矢量化高精地图构建的端到端结构框架：它采用简单的编码器-解码器-转换器架构和分层二分匹配来执行基于所提出的置换等价建模的地图元素学习。研梦非凡邀请某知名研究所研究员周导师在3月29日晚19:20，带大家从MapTR的算法框架中地图元素建模方法到MapTR框架应用于自动驾驶领域的实现...
BeMapNet：End-to-End Vectorized HD-map Construction with Piecewise Be ́zier Curve——论文笔记
m_buddy的博客
06-23 1648
介绍：对于高精地图中关于地面车道线相关检测这篇文章提出了一种基于贝塞尔曲线的多片段检测方式，也就是将一条车道线划分称为不同的片段，并对这些片段使用贝塞尔曲线拟合，这样可以减少由于曲线本身复杂而导致单条贝塞尔曲线的学习难度，并且表达的曲线更加准确。同时为了提升地面车道元素的感知性能，在感知头部分还提出了Point-Curve-Region Loss，它由多种loss联合组成用于在多个维度下帮助网络收敛。同时还在bev维度上添加语义分割分支和实例分割分支用于帮助网络收敛。
无图NOA到底行不行！聊一聊在线高精地图的边界~
CV_Autobot的博客
01-07 671
自2022年起，“重感知轻地图”成为自动驾驶界的新潮流。特斯拉、小鹏、理想等头部企业纷纷跟进，先后发布了去高精地图的方案。汽车人这几天和很多业内的工程师深入聊了聊，结合最近很多平台小伙伴咨询我们的问题，有感而发，今天就和大家聊聊这两年大火的无图/轻图感知。首先对不了解的小伙伴，最大的误区是以为无图方案没有高精地图了！错错错，无图方案只是不使用图商提供的高精地图，仍然需要使用由感知端构建出实时局部高...
智能驾驶系列报告之一：高精度定位，智能驾驶的可靠辅助
小明师兄的博客
11-05 1455
城市导航辅助驾驶迅速落地，高精度定位迎来发展契机：首先，以城市 NOA为代表的 L3 级别功能正快速落地，智能驾驶已成各车企竞争的核心领域，搭载城市 NOA 功能的车型数量及渗透率快速提升。伴随电动化和智能化的提升，以及北斗、5G 等技术发展，高精度定位的精度与其在自动驾驶中的安全性作用不断增强，加之政策层面的支持，高精度定位愈发不可或缺。第二，高精度定位在汽车领域的应用场景丰富，其定位精度高达分米乃至毫米充分满足智能驾驶中各项定位精度要求，可在恶劣天气、重复场景、非视距场景和车载传感器不稳定情况下有效实现
51c自动驾驶~合集42
whaosoft~aiotの开发板商城
12-20 2577
现有激光雷达语义分割的SOTA方法通常包含专门为机械旋转激光雷达设计的归纳偏置。这限制了模型在其他类型激光雷达技术中的通用性，并使超参数调整变得更加复杂。为了解决这些问题，上海交通大学团队提出了一种通用的框架SFPNet，用稀疏焦点机制代替窗口注意力机制，以适应市场上流行的各种类型的激光雷达。SFPNet能够提取多层上下文信息，并使用门控机制动态聚合不同层次的信息。作者还提出了一种针对工业机器人应用场景的新型混合固态激光雷达语义分割数据集S.MID。
51c自动驾驶~合集32
whaosoft~aiotの开发板商城
11-24 1577
与现有先进的基于3DGS的方法相比，本文的方法实现了25%的速度提升、30%的内存消耗减少，并在质量上取得了更好的表现，为3D网格重建树立了新的基准。之前的研究表明，在多任务学习框架中结合语义分割（SS）和场景语义补全（SSC）可以提升两项任务的性能，其中 SS 提供详细的语义特征，补充 SSC 捕获的几何理解，使得两个模块都能从共享的特征提取中受益。所以，越来越多的研究人员愿意转向高保真的模拟器，如：CARLA等，来生成一些数据，虽然这些合成的数据与真实世界的数据还是存在一些domain gap。
引领自动驾驶新纪元：TopoMLP —— 简洁强大的拓扑推理管道
gitblog_00004的博客
06-21 810
???????? 引领自动驾驶新纪元：TopoMLP —— 简洁强大的拓扑推理管道 项目地址:https://gitcode.com/gh_mirrors/to/TopoMLP 在通往未来的道路上，每一项技术创新都可能成为变革的催化剂。今天，我们聚焦于一项旨在推动自动驾驶领域发展的前沿成果——TopoMLP。作为首个在OpenLane拓扑挑战中拔得头筹的解决方案，它不仅以独特的“先检测后推理”理念刷新了业界认...
探索未来驾驶的秘籍：BeMapNet，高清地图构建的新里程碑
gitblog_00045的博客
06-07 655
探索未来驾驶的秘籍：BeMapNet，高清地图构建的新里程碑 去发现同类优质开源项目:https://gitcode.com/ 在自动驾驶领域，精确到厘米级的环境信息感知是关键，这就是高清地图（HD-Map）的重要性所在。BeMapNet，一个创新性的、端到端的向量化高清地图构建网络，正在引领这一领域的革命。它以优雅且简洁的方式采用统一的贝塞尔曲线参数化方法，解决了复杂环境下的地图元素矢量化...
在线建图方案TopoNet 与TopoLogic 代码详解与结构梳理
qq_41928168的博客
12-17 620
最近搞车道拓扑的相关项目，然后看了两篇论文并复现部署了一下，下面是个人理解，错误之处请指明，大家一起学习，感谢~ 第一次写分享，要是有侵权的地方，欢迎指出
PivotNet：Vectorized Pivot Learning for End-to-end HD Map Construction
m_buddy的博客
11-05 904
注意由于每条车道线中关键点的位置是不一致的，则使用share方式构建的point-query会存在一定歧义（也就是文中说的Hierarchical Query），这种share方式构建的index-dependent，而对于动态预测车道线关键点则需要index-independent。在MapTR系列的算法中将单个车道线建模为固定数量的有序点集（对应下图Evenly-based），这样的方式对于普通道路场景具备一定适应性。在初始的时候使用一堆点的方式构建车道线query，它的维度是。
【亲测免费】 开源精粹：TopoMLP —— 驱动拓扑推理的简洁强效方案
gitblog_01300的博客
10-18 583
开源精粹：TopoMLP —— 驱动拓扑推理的简洁强效方案 在自动驾驶技术的浩瀚星海中，有一个名为【TopoMLP】的开源项目脱颖而出，它基于Python为主要编程语言，聚焦于提升驾驶场景中的拓扑推理能力。这个项目由一群才华横溢的研究者倾力打造，并在ICLR2024上获得了认可，展现了一条通往先进自动驾驶理解的新路径。 核心魅力：构建智能化的拓扑理解 TopoMLP设计了一个直观而强大的流程，专注...
【亲测免费】 TopoMLP 项目安装和配置指南
gitblog_01237的博客
10-18 883
TopoMLP 项目安装和配置指南 1. 项目基础介绍和主要编程语言 TopoMLP 是一个用于自动驾驶领域的开源项目，旨在解决自动驾驶中的拓扑推理问题。该项目由 Dongming Wu 等人开发，并在 ICLR2024 会议上被接受。TopoMLP 采用了一种“先检测后推理”的哲学，通过两个高性能检测器和两个带有位置嵌入的 MLP 网络来实现拓扑推理。 该项目主要使用 Python 编程语言进行...
计算机视觉算法——基于深度学习的高精地图算法（MapTRv2 / PivotNet / BeMapNet）
weixin_44580210的博客
11-17 2606
具体来说就是将PV Feature上的每一个点通过IPM映射获得对应Work系下的一个坐标，同时BEV Feature上的每一个点通过Scale操作也对应World系下的一个坐标，然后分别通过Sin映射获得World PE，最后一个Shared FC Layer分别获得PV Feature和BEV Feature对应的Position Embedding，使用Shared FC Layer的目的是为了消除IPM引入的高度误差。这样做相当于增加了正样本的比例，从而可以加速收敛。
BeMapNet：端到端向量化的高精度地图构建方案
gitblog_00820的博客
03-29 862
BeMapNet：端到端向量化的高精度地图构建方案 项目介绍 在自动驾驶领域，向量化的高精度地图（HD-map）构建是感知环境信息的关键技术之一。BeMapNet项目提出了一种简洁优雅的方案，采用统一分段贝塞尔曲线参数化方法，实现了从原始图像到向量化的HD地图的直接转换。项目的核心是Piecewise Bezier HD地图网络（BeMapNet），它采用端到端的架构，无需后期处理，即可输出高质量...
自动驾驶无图noa实现
最新发布
05-09
<think>好的，用户想了解如何实现自动驾驶的无图NOA功能。首先，我需要回顾之前的对话和引用内容，确保回答符合用户的需求。根据引用[2]和[3]，无图NOA是当前的热点，比如小米、蔚来、华为都在推进，但需要注意无图可能并非完全不用地图，而是依赖实时感知和车端处理。 首先，我应该明确无图NOA的定义，它不依赖高精地图，而是通过传感器实时感知环境。然后，分步骤讲解技术实现方案。根据引用[3]，特殊道路规则的处理是关键，所以需要强调实时感知和动态建模的重要性。 接下来，技术架构部分需要包括传感器配置、感知模块、定位与建图、规划与控制等模块。引用[1]提到的多传感器融合和BEV感知应该在这里展开，说明如何融合摄像头、激光雷达等数据，构建BEV视角。 然后，关键技术点需要详细说明，比如BEV感知、Occupancy网络、端到端模型等。引用[2]中提到小米的端到端大模型量产，这部分需要解释端到端如何替代传统模块化流程，提高处理效率。 挑战部分要提到实时性、数据驱动的训练、长尾问题等，引用[3]中的corner case例子，说明无图NOA在特殊场景下的困难。最后，行业趋势部分引用[2]中各家的进展，比如特斯拉FSD V12.3和大疆的低成本方案，展示技术发展方向。 需要确保回答结构清晰，分点明确，同时结合引用内容，自然地插入引用标识。另外，用户可能对技术细节感兴趣，比如BEV和Occupancy的具体实现，或者端到端模型的结构，但根据用户问题，主要关注整体方案，所以保持概述层面的解释。 最后生成的相关问题要引导用户深入技术细节或应用场景，比如传感器融合算法、实时建图技术、数据闭环的作用，以及无图和有图的对比。这些能帮助用户进一步探索感兴趣的方向。</think>自动驾驶无图NOA技术实现方案可分为以下核心模块和技术路线： ### 一、无图NOA技术架构 1. **传感器配置** - 多摄像头+毫米波雷达+激光雷达融合方案（$S = \sum_{i=1}^{n} w_i s_i$） - 前视800万像素摄像头+侧视300万像素鱼眼摄像头组合[^2] 2. **感知模块** - BEV（鸟瞰图）感知网络构建道路拓扑 - Occupancy网络预测三维占据空间 - 动态目标检测与轨迹预测（$\frac{dx}{dt} = v + \epsilon$） 3. **定位与建图** - 实时SLAM构建局部语义地图 - 车道级拓扑推理（$G=(V,E)$） - 基于GPS/IMU的粗定位修正 4. **规划与控制** - 时空联合轨迹规划算法 - 基于强化学习的决策模型 - 车辆运动学模型预测控制（$u = K(x_{ref} - x)$） ### 二、关键技术实现 1. **BEV感知网络** ```python class BEVFormer(nn.Module): def __init__(self): super().__init__() self.image_encoder = ResNet50() self.transformer = TransformerDecoder() self.bev_embedding = nn.Embedding(200*200, 256) ``` 通过跨注意力机制实现多视角特征融合[^1] 2. **Occupancy预测网络** $$O(x,y,z) = \sigma(\sum_{i=1}^{N} \alpha_i f_i(x,y,z))$$ 使用3D卷积网络预测动态占据栅格 3. **端到端决策系统** $$a_t = \pi_\theta(o_t, h_{t-1})$$ 雷军宣布的端到端大模型直接输出控制指令[^2] ### 三、核心挑战与解决方案 1. **实时性要求** - 采用轻量化网络结构（FLOPs < 50G） - 多任务联合训练框架 2. **数据驱动训练** - 构建百万公里级场景库 - 自动标注流水线（$Acc > 99.7\%$） 3. **长尾问题处理** - 基于场景挖掘的主动学习 - 影子模式数据闭环[^3] ### 四、典型技术路线对比 | 方案类型 | 代表企业 | 定位精度 | 依赖程度 | |----------------|----------|----------|----------| | 纯视觉无图 | 特斯拉 | 分米级 | 零依赖 | | 多传感器融合 | 华为 | 厘米级 | 低依赖 | | 轻高精地图 | 小鹏 | 厘米级 | 中依赖 | ### 五、行业发展趋势 1. 大模型赋能的场景理解（参数量 > 100B） 2. 神经辐射场（NeRF）建图技术 3. 车路云协同定位系统（定位误差 < 10cm）[^2]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值