领域论文汇总 | Mapper（建图）系列论文总结

转载 于 2024-11-03 00:00:26 发布 · 714 阅读 · 6 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247637463&idx=3&sn=00ee1bbb3ef4b681f49edb169cfc2599&chksm=cf6dc9259a88727ab4b5ae548b3d6f2f34893041fec66c165fa0ec702b9bf9e7b4304ddb1cd7&scene=126&sessionid=0

作者 | eyesighting  编辑 | 自动驾驶之心

原文链接：https://zhuanlan.zhihu.com/p/3922448101

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『在线地图』技术交流群

本文只做学术分享，如有侵权，联系删文

前言

文总结了自动驾驶Mapper(建图)系列论文，包含：矢量地图、先验地图、MapLess、HDMap、SDMap、众包建图、BEV、多视图、蒸馏、融合等领域，总计40篇论文，可作为科研、开发的参考资料。

1.Efficient/高效

MapLite

题目：MapLite: Autonomous Intersection Navigation Without a Detailed Prior Map

名称：MapLite：无需详细先验地图的自动交叉口导航

论文：https://ieeexplore.ieee.org/document/8936918

代码：

单位：MIT

MapLite2.0

题目：MapLite 2.0: Online HD Map Inference Using a Prior SD Map

名称：MapLite 2.0：基于先前SD地图的在线高清地图推断

论文：https://ieeexplore.ieee.org/document/9807400

代码：

单位：MIT

RoadMap

题目：RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving

名称：RoadMap：面向自动驾驶视觉定位的轻量级语义图

论文：https://arxiv.org/abs/2106.02527

代码：

单位：华为

2.Priors/先验地图

P-MapNet

题目：P-MapNet: Far-seeing Map Generator Enhanced by both SDMap and HDMap Priors

名称：P-MapNet：SDMap和HDMap先验增强的远视图生成器

论文：https://arxiv.org/abs/2403.10521

代码：https://jike5.github.io/P-MapNet

单位：北京理工大学、清华

PriorMapNet

题目：PriorMapNet: Enhancing Online Vectorized HD Map Construction with Priors

名称：PriorMapNet：利用Priors增强在线矢量化高清地图构建

论文：https://arxiv.org/abs/2408.08802

代码：

单位：北京理工大学、元戎启行

MapNeRF

题目：MapNeRF: Incorporating Map Priors into Neural Radiance Fields for Driving View Simulation

名称：MapNeRF：将地图先验结合到神经辐射场中用于驱动视图模拟

论文：https://arxiv.org/abs/2307.14981

代码：

单位：百度

NPN

题目：Neural Map Prior for Autonomous Driving

名称：自动驾驶的神经映射先验

论文：https://arxiv.org/abs/2304.08481

代码：

单位：清华&MIT&理想

HPQuery

题目：Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping

名称：使用先验地图驾驶：自动驾驶汽车地图的统一矢量先验编码

论文：https://arxiv.org/abs/2409.05352

代码：

单位：阿里巴巴、西安交通大学

3.Vector/矢量地图

VectorMapNet

题目：VectorMapNet: End-to-end Vectorized HD Map Learning

名称：VectorMapNet：端到端矢量化高精地图学习

论文：https://arxiv.org/abs/2206.08920

代码：https://github.com/yuantianyuan01/streammapnet

单位：清华大学

MapTR

题目：MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction

名称：MapTR：在线矢量化高精地图构建的结构化建模和学习

论文：https://arxiv.org/abs/2208.14437

代码：https://github.com/hustvl/MapTR

单位：华中科技大学、地平线

MapTRv2

题目：MapTRv2: An End-to-End Framework for Online Vectorized HD Map Construction

名称：MapTRv2：在线矢量化高精地图构建的端到端框架

论文：https://arxiv.org/abs/2308.05736

代码：https://github.com/hustvl/MapTR

单位：华中科技大学、地平线

InstaGraM

题目：InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning

名称：InstaGraM：用于矢量化高精地图学习的实例级图建模

论文：https://arxiv.org/abs/2301.04470

代码：

单位：韩国科学技术院

VAD

题目：VAD: Vectorized Scene Representation for Efficient Autonomous Driving

名称：VAD：用于高效自动驾驶的矢量化场景表示

论文：https://arxiv.org/abs/2303.12077

代码：https://github.com/hustvl/VAD

单位：华中科技大学、地平线

BeMapNet

题目：End-to-End Vectorized HD-map Construction with Piecewise Bezier Curve

名称：使用分段贝塞尔曲线构建端到端矢量化高清地图

论文：https://arxiv.org/abs/2306.09700

代码：https://github.com/er-muyue/BeMapNet

单位：旷视科技

MachMap

题目：MachMap: End-to-End Vectorized Solution for Compact HD-Map Construction

名称：MachMap：用于紧凑型高精地图构建的端到端矢量化解决方案

论文：https://arxiv.org/abs/2306.10301

代码：

单位：迈驰智行、西安交通大学

MapVR

题目：Online Map Vectorization for Autonomous Driving: A Rasterization Perspective

名称：自动驾驶在线地图矢量化：光栅化视角

论文：https://arxiv.org/abs/2306.10502

代码：https://github.com/ZhangGongjie/MapVR

单位：黑芝麻

InsightMapper

题目：InsightMapper: A Closer Look at Inner-instance Information for Vectorized High-Definition Mapping

名称：InsightMapper：仔细查看矢量化高清映射的内部实例信息

论文：https://arxiv.org/abs/2308.08543

代码：https://github.com/TonyXuQAQ/InsightMapper

单位：香港大学

PivoNet

题目：PivotNet: Vectorized Pivot Learning for End-to-end HD Map Construction

名称：PivotNet：用于端到端高精地图构建的矢量化枢轴学习

论文：https://arxiv.org/abs/2308.16477

代码：

单位：旷视科技

StreamMapNet

题目：StreamMapNet: Streaming Mapping Network for Vectorized Online HD Map Construction

名称：StreamMapNet：用于矢量化在线高精地图构建的流式测绘网络

论文：https://arxiv.org/abs/2308.12570

代码：https://github.com/yuantianyuan01/StreamMapNet

单位：清华大学

GlobalMapNet

题目：GlobalMapNet: An Online Framework for Vectorized Global HD Map Construction

名称：GlobalMapNet：矢量化全球高清地图构建的在线框架

论文：https://arxiv.org/abs/2409.10063

代码：

单位：复旦大学

SQD-MapNet

题目：Stream Query Denoising for Vectorized HD Map Construction

名称：矢量化高清地图构建中的流查询去噪

论文：https://arxiv.org/abs/2401.09112

代码：

单位：中科大、旷视科技

MapQR

题目：Leveraging Enhanced Queries of Point Sets for Vectorized Map Construction

名称：利用点集的增强查询进行矢量化地图构建

论文：https://arxiv.org/abs/2402.17430

代码：https://github.com/HXMap/MapQR

单位：上海交大、香港中文大学、辉羲智能

HRMapNet

题目：Enhancing Vectorized Map Perception with Historical Rasterized Maps

名称：利用历史栅格化地图增强矢量化地图感知

论文：https://arxiv.org/abs/2409.00620

代码：

单位：香港中文大学、辉羲智能

ADMap

题目：ADMap: Anti-disturbance framework for vectorized HD map construction

名称：ADMap：矢量化高清地图构建的抗干扰框架

论文：https://arxiv.org/abs/2401.13172

代码：https://github.com/hht1996ok/ADMap

单位：零跑汽车、浙江大学

4.HDMap/高精地图

ExelMap

题目：ExelMap: Explainable Element-based HD-Map Change Detection and Update

名称：ExelMap:基于可解释元素的高清地图变化检测与更新

论文：https://arxiv.org/abs/2409.10178

代码：

单位：瑞典皇家理工学院

HDMapNet

题目：HDMapNet: An Online HD Map Construction and Evaluation Framework

名称：HDMapNet：在线高精地图构建和评估框架

论文：https://arxiv.org/abs/2107.06307

代码：

单位：清华大学

THMA

题目：THMA: Tencent HD Map AI System for Creating HD Map Annotations

名称：THMA：腾讯高精地图人工智能系统，用于创建高精地图标注

论文：https://dl.acm.org/doi/abs/10.1609/aaai.v37i13.26848

代码：

单位：腾讯

5.CSMap/众包建图

EdgeMap

题目：EdgeMap: CrowdSourcing High Definition Map in Automotive Edge Computing

名称：EdgeMap：汽车边缘计算中的众包高清地图

论文：https://arxiv.org/abs/2201.07973

代码：

单位：内布拉斯加林肯大学、西安电子科技大学

MRVF-HDMap

题目：HD Map Generation from Noisy Multi-Route Vehicle Fleet Data on Highways with Expectation Maximization

名称：利用期望最大化的高速公路上嘈杂的多路线车队数据生成高清地图

论文：https://arxiv.org/abs/2305.02080

代码：

单位：德国信息技术研究中心

CenterLineDet

题目：CenterLineDet: CenterLine Graph Detection for Road Lanes with Vehicle-mounted Sensors by Transformer for HD Map Generation

名称：CenterLineDet：利用车载传感器通过 Transformer 进行道路车道中心线图检测，生成高清地图

论文：https://arxiv.org/abs/2209.07734

代码：https://tonyxuqaq.github.io/projects/CenterLineDet/

单位：香港科技大学

6.MultiView/多视图

MV-Map

题目：MV-Map: Offboard HD-Map Generation with Multi-view Consistenc

名称：MV-Map：具有多视图一致性的非车载高清地图生成

论文：https://arxiv.org/abs/2305.08851

代码：

单位：复旦大学

7.BEV/鸟瞰图

Mask2Map

题目：Mask2Map: Vectorized HD Map Construction Using Bird's Eye View Segmentation Masks

名称：Mask2Map：使用鸟瞰分割掩模构建矢量化高清地图

论文：https://arxiv.org/abs/2407.13517

代码：https://github.com/SehwanChoi0307/Mask2Map

单位：汉阳大学

Talk2Bev

题目：Talk2BEV: Language-enhanced Bird's-eye View Maps for Autonomous Driving

名称：Talk2BEV：用于自动驾驶的语言增强鸟瞰图

论文：https://arxiv.org/abs/2310.02251

代码：https://llmbev.github.io/talk2bev/

单位：海得拉巴大学

Bi-Mapper

题目：Bi-Mapper: Holistic BEV Semantic Mapping for Autonomous Driving

名称：Bi-Mapper：用于自动驾驶的整体BEV语义映射

论文：https://arxiv.org/abs/2305.04205

代码：https://github.com/lynn-yu/Bi-Mapper

单位：湖南大学

8.Fusion/融合

MemFusionMap

题目：MemFusionMap: Working Memory Fusion for Online Vectorized HD Map Construction

名称：MemFusionMap：用于在线矢量化高清地图构建的工作Memory融合

论文：https://arxiv.org/abs/2409.18737

代码：

单位：密歇根大学、NVIDAI

MapTracker

题目：MapTracker: Tracking with Strided Memory Fusion for Consistent Vector HD Mapping

名称：MapTracker：使用分层记忆融合进行跟踪，以实现一致的矢量高清映射

论文：https://arxiv.org/abs/2403.15951

代码：https://map-tracker.github.io/

单位：西蒙菲莎大学、Wayve

SensorSatelliteMap

题目：Complementing Onboard Sensors with Satellite Map: A New Perspective for HD Map Construction

名称：车载传感器与卫星地图互补：高精地图构建新视角

论文：https://arxiv.org/abs/2308.15427

代码：

单位：西安交通大学

SuperFusion

题目：SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map Generation

名称：SuperFusion：用于远距离高清地图生成的多级激光雷达相机融合

论文：https://arxiv.org/abs/2211.15656

代码：https://github.com/haomo-ai/SuperFusion

单位：苏黎世联邦理工学院、毫末智行

9.Distill/蒸馏

MapDistill

题目：MapDistill: Boosting Efficient Camera-based HD Map Construction via Camera-LiDAR Fusion Model Distillation

名称：MapDistill：通过摄像头LiDAR融合模型蒸馏提高基于摄像头的高清地图构建效率

论文：https://arxiv.org/abs/2407.11682

代码：

单位：三星(中国)

总结

『自动驾驶之心知识星球』欢迎加入交流！重磅，自动驾驶之心科研论文辅导来啦，申博、CCF系列、SCI、EI、毕业论文、比赛辅导等多个方向，欢迎联系我们！

7db03c0efaef24532d0b61fd1352dc6e.png

① 全网独家视频课程

端到端自动驾驶、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

bc91921cec037a6f3de98f0b709f9dbf.png

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内外最大最专业，近4000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（端到端自动驾驶、世界模型、仿真闭环、2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频

e9108f0e3fd87ec8d6711d7e5d43335a.png

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

2217d8d79f69619ba51fe71a97da9007.jpeg

④【自动驾驶之心】全平台矩阵

f049e2c37479eb531802c4d4add12dd3.png

上手实测 | SLAMTEC Mapper建图性能，一个字：稳
SLAMTEC的博客
07-26 1377
为什么说SLAMTEC Mapper是对激光传感器的一次新的蜕变，是一个颠覆之作？ SLAMATEC Mapper是由SLAMTEC推出的全新激光传感器品类，有别于传统的激光雷达，该产品内置了SLAM实时地图构建和定位功能，适用于机器人导航定位、环境测绘和手持测量等多种应用领域。 作为一个激光建图传感器，建图能力不过关怎么行？今天，小岚就为大家上手体验一下SLAMTEC Mapper的建图...
实测来了 | 建图雷达SLAMTEC Mapper性能大揭秘
SLAMTEC的博客
09-11 1411
7月24日，思岚发布了新一代 SLAMTEC Mapper 建图雷达，自带TOF雷达和SLAM 3.0系统，无须外部依赖，即可高效完成建图、定位工作。 下面，让我们看看大家对SLAMTEC Mapper 【M1M1】的评价如何。今天，先进入第一弹。 　　 　　图片提供者：哈尔滨工业大学，王同学 　　文中各段内容无改动，无删减。 　　建图速度 —— 快 　　在136平方米教室...
知识图谱的众包构建
09-08
复旦大学知识图谱培训ppt6：知识图谱的众包构建（Knowledge Graph and Crowdsroucing）
PriorMapNet：Enhancing Online Vectorized HD Map Construction with Priors
m_buddy的博客
08-26 1216
对于车道线元素query使用的是inst-query+point-query组合的方式，只不过在deformable-attn过程中ref-point发生了变化，是使用prior-points去生成的。训练场景中的车道线千变万化会导致query方式预测方式变得较难收敛或者性能较低，之前的一些工作有将mask信息引入到pipeline中为query提供instance-level的语义信息，但是对于point-level信息就需要自己去学习了。，以此来将point-level的先验信息引入到网络。
量产杀器！P-Mapnet：利用低精地图SDMap先验，建图性能暴力提升近20个点！
CV_Autobot的博客
03-27 1079
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享北理工&清华最新的工作—P-Mapnet，利用低精度地图大幅提升局部高精地图性能，量产杀器！作者已经授权自动驾驶之心原创，如有转载欢迎联系我们。>>点击进入→自动驾驶之心『高精地图』技术交流群写在前面在线HD Map生成算法是当前自动驾驶系统摆脱对高精地图依赖的方法...
map net收集
eepii的博客
03-31 749
toc()
P-MapNet：Far-seeing Map Generator Enhanced by both SDMap and HDMap Priors
m_buddy的博客
03-30 1210
在Step1中通过预训练的方式得到网络初始参数，那么以感知初始结果作为输入使用预训练参数进行finetune，就可以依据HDMap中的先验信息去进一步优化感知的结果。BEV特征（上图中展示的BEV特征应该是经过PV2BEV之后的，因为并未看到与图像特征做交互）通过cross-attn之后相当于就是引入到道路先验，之后再经过预测网络得到初步感知结果。感知的终极目的时在线构建高精地图，而感知+地图的结果只能说是在鲁棒性、稳定性上好于纯视觉的方案，对此这篇文章设计了一个refine网络，这个网络。
Global_Mapper系列经典教程.pdf
04-05
《Global Mapper系列经典教程》是针对地理信息系统（GIS）用户的专业教程，主要讲解如何使用Global Mapper这款强大的地图绘制和分析软件。Global Mapper以其强大的数据兼容性、便捷的数据获取和编辑功能，以及丰富的...
PyPI 官网下载 | sqlmapper-0.3.0.tar.gz
01-16
**PyPI 官网下载 | sqlmapper-0.3.0.tar.gz** PyPI（Python Package Index）是Python开发者发布和获取Python库的主要平台。它为全球Python社区提供了丰富的开源软件资源，使得开发者能够轻松地在项目中集成、依赖和...
Mybatis中Mapper标签总结大全
08-19
Mybatis中Mapper标签总结大全 Mybatis是当前Java开发中最流行的持久层框架之一，Mapper标签是Mybatis中最重要的标签之一，用于定义数据访问对象（DAO）中的数据库操作。下面是对Mybatis中Mapper标签的总结。 ...
【亲测免费】 P-MapNet 开源项目使用教程
gitblog_00826的博客
09-13 900
P-MapNet 开源项目使用教程 1、项目介绍 P-MapNet 是一个用于增强自动驾驶车辆地图生成能力的开源项目。该项目通过结合标准地图（SDMap）和高清地图（HDMap）的先验知识，显著提升了在线地图生成的性能。P-MapNet 特别关注于远距离区域的地图生成，能够在没有高清地图基础设施的区域提供高质量的地图数据。 2、项目快速启动 环境准备 在开始之前，请确保您的系统已安装以下依赖： ...
地图先验的花式玩法？元戎启行提出PriorMapNet：暴涨3个点！
CV_Autobot的博客
08-27 999
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享北理工和元戎启行的工作PriorMapNet！问鼎nuScenes和Argoverse2。如果您有相关工作需要分享，请在文末联系我们！自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询>>点击进入→自动驾驶之心『高精地图』技术交流群论文...
Learning Lane Graph Representations for Motion Forecasting ——LaneGCN论文翻译
weixin_42697543的博客
04-13 1467
引言 我们提出了一个运动预测模型，该模型利用了一种新的结构化地图表示以及演员-地图交互。我们通过对原始地图进行矢量化来构建地图，而不是将原始地图中的数据进行矢量化。为了捕捉车道图的复杂拓扑结构和长距离依赖关系，我们提出了LaneGCN，它用多个邻接矩阵和沿车道扩展扩展图卷积。为了捕捉参与者和地图之间的复杂交互，我们开发了一个融合网络，该网络由四种类型的交互组成：参与者到车道、车道到车道、车道到参与者和参与者到参与者。在LaneGCN和演员地图交互的支持下，我们的模型能够预测准确而真实的多模态轨迹。 我们的方
PaperNotes(16)-Learning Lane Graph Representations for Motion Forecasting
sinat_40624829的博客
04-29 1727
自动驾驶论文阅读笔记21.ActorNet2.MapNet 《Learning Lane Graph Representations for Motion Forecasting》 Uber–ECCV2020–论文文章代码 模型的作用：Motion Forecasting （这个motion都包括什么呢？） 方法：模型由四个模块组成–ActorNet、MapNet、FusionNet、Header 1.ActorNet 作用–编码actor轨迹特征 输入：每一条actor的轨迹（3xT的输入向量）(act
InsightMapper：A closer look at inner-instance information for vectorized High-Definition Mapping
m_buddy的博客
01-09 1144
之前的一些工作中使用inst_query加上共享point_query的方式（Hierarchical query方式构建），这样方式的含义是point_query需要去学习所有车道线的几何信息，但是车道线之间是差异很大的，强行去表达这些信息对这么少的共享参数是较难表达的，那么一个办法就是对每个inst_query都分配一组point_query以此来构建最终query（Hybrid query方式构建）。再者，场景中的车道线在线内部和线之前是存在关联的，它们之间的关联是否被有效挖掘。也是可以实验一下的。
即插即用！高德&西交的PriorDrive：统一的矢量先验地图编码，辅助无图自动驾驶
qq_50213874的博客
09-16 2692
最近出现了很多先验地图的论文，高德地图和西交的这篇工作PriorDrive也给出了他们的方法。使用车载传感器来在线构建高精地图已经成为一种很有前途的解决方案;然而，由于遮挡和恶劣天气等，这些方法可能会受到数据不完整的阻碍。本文提出了PriorDrive框架，通过利用先验地图来解决这些限制，显著提高了在线高精地图构建的鲁棒性和准确性。
经典文献阅读之--InsightMapper(深入研究矢量化高精地图的内部实例信息)
lovely_yoshino的博客
02-26 8106
高精地图作为自动驾驶中最关键的组成部分，矢量化高精（HD）地图包含有关周围道路元素的详细信息，这对于现代自动驾驶汽车的各项下游任务是至关重要的，例如车辆规划和控制。最近的工作试图，从而显著提高了检测性能。然而，这些方法无法分析并且利用预测点之间的内部实例相关性，这阻碍了进一步的发展。》利用内部实例信息通过Transformers进行矢量化高精建图，并且引入了InsightMapper。
P-Mapnet
whaosoft143ai的博客
03-25 400
具体来说，我们利用了SDMap和HDMap中的先验信息：一方面，我们从OpenStreetMap中提取了弱对齐的SDMap数据，并将其编码为单独的条件分支输入。另一方面，我们提出了一种用MAE来捕捉HDMap的先验分布的refine模块，该模块有助于让生成的HD Map更符合实际Map的分布，有助于减小遮挡、伪影等影响。训练该模块包含两步：第一步上使用自监督学习训练MAE模块来学习HD Map的分布，第二步是通过使用第一步得到的权重作为初始权重，对网络的所有模块进行微调。整体框架如图 2所示whaosoft
ICRA2024 自动驾驶相关Paper整理
CV_Autobot的博客
05-16 894
作者|牛牛牛肉饭 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/697604761点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心技术交流群本文只做学术分享，如有侵权，联系删文3D 目标检测任务Better Monocular 3D Detectors with LiDAR f...
df -Th / | grep mapper
最新发布
06-05
<think>我们有一个明确的目标：使用`df-Th`命令结合`grep`来筛选包含字符串'mapper'的挂载点信息。步骤：1.理解`df-Th`的输出：-`df`命令用于显示磁盘空间使用情况。-选项`-T`会显示文件系统类型。-选项`-h`以人类可读的格式（如K、M、G）显示大小。典型的输出格式如下：FilesystemTypeSizeUsedAvailUse%Mountedon/dev/sda1ext4100G30G70G30%//dev/mapper/vg-rootxfs200G80G120G40%/home2.我们想要筛选包含'mapper'的行，可以使用`grep`来过滤。命令：`df-Th|grepmapper`3.注意：如果挂载点路径中也包含'mapper'，我们可能也会匹配到。但通常'mapper'出现在设备名中（LVM设备）。4.示例输出：/dev/mapper/vg-rootxfs200G80G120G40%/home5.但是，我们也要注意大小写。默认情况下，`grep`是区分大小写的。如果我们需要忽略大小写，可以使用`-i`选项，但是这里'mapper'通常是小写。6.因此，命令为：df-Th|grep'mapper'7.如果输出为空，说明没有包含'mapper'的设备。8.另外，我们还可以使用`grep-E`来使用扩展正则表达式，但这里不需要复杂的匹配，简单字符串即可。但是，用户在上次的问题中提到了使用`grep-E`，所以我们可以用，但不是必须。这里直接使用`grep`即可。因此，回答用户：可以直接使用`df-Th|grepmapper`来查看包含'mapper'的挂载点信息。但是注意，用户要求使用`grep`，所以我们这样组合。另外，用户提到了“文件系统类型和磁盘使用情况”，我们的命令正好满足，因为`df-Th`已经包含了这些信息。我们还可以考虑是否要显示表头？因为`grep`会过滤掉不包含'mapper'的行，包括表头。如果我们想要保留表头，可以稍微复杂一点，但用户没有要求，且通常不需要。如果用户想要同时显示表头，我们可以这样：df-Th|grep-E'Filesystem|mapper'但用户只要求筛选包含'mapper'的挂载点，所以不需要表头也可以，因为列名是固定的。因此，核心命令是：`df-Th|grepmapper`但是，考虑到可能有些系统在挂载点路径中有'mapper'，而不仅仅是设备名，我们这样匹配也是合理的。另外，如果用户想要精确匹配设备名中的'mapper'（比如不想匹配到挂载点中的其他位置），我们可以使用正则表达式来匹配特定的列（例如第一列）。但是`df`的输出是空格对齐的，列与列之间的空格数量不定，所以用`grep`直接匹配行可能更简单。结论：我们给出两种方法：1.简单匹配：`df-Th|grepmapper`2.包括表头（如果需要）：`df-Th|grep-E'Filesystem|mapper'`或者`(echo"FilesystemTypeSizeUsedAvailUse%Mountedon";df-Th|grepmapper)`但这样可能对齐有问题，所以不推荐。因此，我们推荐第一种。回答结构：1.解释命令的目的：查看特定挂载点（包含'mapper'）的文件系统类型和磁盘使用情况。2.给出命令。3.解释命令的各个部分。4.可能给出示例输出。但是，根据用户提供的引用，引用[1]中提到了df命令的基本使用，引用[3]中提到了df-h无显示的解决方法，引用[4]提到了挂载nfs，引用[5]提到了grep进程。这些引用不一定直接相关，但我们可以参考。我们可以在回答末尾添加引用，但注意引用要与内容相关。由于用户要求引用站内引用，我们可以这样：引用[1]和引用[3]都提到了df命令，所以我们可以引用它们。最后，生成相关问题。回答：</think> ### 在 Linux 中使用 `df -Th` 和 `grep` 筛选特定挂载点信息 您需要查看包含字符串 `mapper` 的挂载点信息（常用于 LVM 逻辑卷设备），以下是详细操作步骤和原理说明： #### 🔍 步骤命令 ```bash df -Th | grep 'mapper' ``` **输出示例**： ``` /dev/mapper/vg_heheapp1-lv_root ext4 50G 19G 29G 40% / /dev/mapper/vg_heheapp1-lv_home ext4 40G 621M 38G 2% /home ``` ➤ **结果解析**： 1. **/dev/mapper/...**：逻辑卷设备名（包含 `mapper` 关键字） 2. **ext4**：文件系统类型 3. **磁盘使用**：Size(总大小), Used(已用), Avail(可用), Use%(使用率) 4. **Mounted on**：挂载点路径 #### ⚙️ 命令原理解析 1. **`df -Th`** - `-T`：显示文件系统类型（如 ext4、xfs、nfs） - `-h`：以人类可读格式显示大小（GB/MB） *参考基础磁盘查看命令的用法[^1][^2]* 2. **`grep 'mapper'`** - 筛选包含 `mapper` 关键字的行（区分大小写） - 若需匹配大小写变体（如 `Mapper`），改用： ```bash df -Th | grep -i 'mapper' # -i 忽略大小写 ``` #### ⚠️ 常见问题处理 - **无输出结果？** - 可能是 LVM 逻辑卷未挂载或未激活，尝试激活卷组： ```bash vgchange -ay # 激活所有卷组 df -Th | grep 'mapper' # 重新检查 ``` - 参考 `/etc/fstab` 配置是否遗漏挂载项[^3] - **挂载点信息异常？** 使用 `grep -v rootfs /proc/mounts > /etc/mtab` 修复挂载表[^3]，再执行命令。 --- ### 🌟 高级应用示例 1. **监控特定逻辑卷的使用率** ```bash df -Th | grep 'mapper' | awk '{if(int($6) > 80) print "警告: "$1" 使用率 "$6}' ``` ➤ 当使用率 >80% 时输出警告（结合 `awk` 实现阈值检测） 2. **对比多服务器的 LVM 状态** ```bash ssh user@server1 "df -Th | grep 'mapper'" > server1.txt ssh user@server2 "df -Th | grep 'mapper'" > server2.txt diff server1.txt server2.txt # 对比差异 ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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