高德终端技术总结:高可用架构如何练成?

前言

高德地图作为国民级应用,特别是出行场景的独特性,要确保在线导航高并发和交通安全级的超稳定性,这对技术团队提出异乎寻常的高要求,无论是终端、云端,还是“终端-云端”之间的连接,都必须实现“高可用、高性能、高效率”的技术目标。

2024年,国内外都出现过大的互联网平台的崩溃性故障,数字经济大发展的时代,这些常用的基础平台出现大故障,会迅速造成舆情和巨大的业务损失。「系统稳定性」问题一定要警钟长鸣,不可大意。

稳定性工作的性质

稳定性工作属于「流水不腐,户枢不蠹」。它和做业务的维度大不相同:稳定性工作一定要保持踏实的工匠精神、不能有丝毫的夸张或隐藏。既要做好系统的架构设计夯实地基,也要老老实实的去做大量日常繁琐的事情,还要有“功成不必在我”的心理素质。

对高德超稳定性工作的要求

  • 防架构腐化|历史上的死角和垃圾一定要坚决清理;

  • 全链路实战演练|平常多流汗,战时少流血。摒弃侥幸心理:你担心的一定会发生;

  • 多云架构支持| 任何基础设施都会出现意外。架构要「可依赖、可扩展、简单」。

2024年国庆节,高德地图的用户量突破新高。这么一个超级APP,在业务快速演进、产品体验不断完善、智能技术持续加持的压力下,如何保持“启动秒开、瘦安装包、低网络流量”,同时还要考虑“多系统、多设备、多语言(国际化)”的业务拓展要求,是一道非常难解的技术课题。现在把这几年我们在终端方面的解题思路做个整理,分享经验,以期同行批评指正,大家互相取经、教学相长,共同为中国数字经济的持续发展添砖加瓦。

背景

随着多年来快速发展,高德地图已成为了国民级超级应用,终端也不可避免面临超级应用的通用效率难题,即如何高效地支撑多系统、多设备、多语言和多业务的快速发展。高德地图终端也面临着其独有的性能与稳定性难题,由于出行导航使用场景的特殊性,用户往往时间比较紧迫,对交互耗时的敏感度非常强,同时稳定性也必须保证交通安全级的高可用。

因此我们在全团队提出了“高可用、高性能、高效率”三大技术目标,发起了技术攻坚。经过全体团队的不懈努力与磨练,我们终于做到了:
「高可用」溃率达到十万分水位,并持续稳定保持低水位;
「高性能」包体积与流量双降,包体积减少近一半;启动速度实现“秒开”,达到业内领先水平;
「高效率」通过“一体化容器架构”的结构化升级,我们实现了一套架构支撑多系统、多设备、多语言和多业务,支撑国际图上线,同时在业内率先支持鸿蒙 NEXT 系统。

高德终端团队“不仅要把问题解决了,方式上更是要从技术架构和机制层面根本解题” ,这篇总结与各位技术伙伴分享与探讨过程中的探索与实践,希望能有所助益。

架构解题

过去,终端技术治理的惯性更倾向于遇题解题、单点局部运动式解题。但随着持续发展,技术债务逐渐累积,这种方式带来的成本越来越高,而且效果会反复恶化,经常出现“按下葫芦起了瓢”的情况。因此我们思考需要从这种“局部优化”到“结构性简化”的转变,用一套架构统一支撑多系统、多设备、多语言,才能系统性解决面临的问题。围绕这一方向,我们从顶层整体设计并落地了一体化容器架构:


整体设计统一容器,向下统一封装适配多环境(包括多设备、多系统、多语言、多网络、多规则),解决业务需要各自分别高成本适配各种环境的问题;向上对业务提供跨平台、可复用、一致性的一体化地图终端能力(包括Engine、UI、Service、IO、Framework),支撑多业务的快速迭代。

在技术栈设计上,除调用系统平台服务的部分使用原生语言(Java//OC//ArtTS)外,其他均使用跨平台语言,来实现最大限度的跨平台,其中对于高性能要求的能力(如地图引擎、基础库)使用C++实现,而对于高效率要求的能力(如前端页面)则使用JS实现。这样在满足性能的要求下,实现一码多端的高效跨平台开发。

篇幅所限,这里仅从启动秒开、包体积瘦身、多系统、多设备、多语言等几个方面,具体介绍我们的思考与实践。

启动秒开:按需加载框架

过去,很多能力只管功能完成,而性能问题往往被推到上线前做决策,结果常常“带伤”上线。一旦上线,这些遗留问题因为优先级低,很难再被安排优化,即上线即终点,管生不管养,这就导致问题越积越多,最后只能运动式解决,再周而复始。这就能理解为什么运动式优化,优化之后又快速反弹的原因。无论是启动性能、包体积还是存储,都存在类似的问题。

为此,针对启动性能,我们在App上制定了“秒开”的高目标,这个目标回头来看也极具挑战性,这样也倒逼我们打破过去路径依赖的思维模式,实现结构性的简化。此前整个端的架构是,所有业务模块都是在启动阶段无差别的进行初始化,比如音乐模块,即使用户不开启音乐,也会在应用启动阶段进行加载初始化。这就导致启动阶段,随着时间业务发展,越来越慢,而且每次治理后很快就会反弹。因此,终端团队通过按需加载框架的设计,一方面,实现从“全功能加载”到“即用即加载”的结构性简化,根据用户实际需求动态加载模块,减少资源浪费和性能开销。另一方面,重新定义首屏启动模块,对启动模块极致简化,同时在结构上解耦启动与具体业务,这样也避免了启动性能因后续业务迭代而恶化,做到了长治久安。


     

从结果看, 在低端机(17年 PIXEL手机)上,都能够实现启动秒开。同时,运行一年以来,在业务快速发展下,耗时持续保持平稳。

包大小瘦身&流量降本

包大小重点不只是反映体积大小的表象,更重要的是反映架构臃肿,代码债高筑,稳定性、性能和效率风险成比例上升的问题。这就像减肥,过分胖了不止是形象问题,他是一种身体不健康表征,隐含着心脑血管并发症等整体机制问题。同样包大小优化表象目标上是降体积,根本目标是整体的技术架构健康,是对整个应用各个已有模块进行架构简化、瘦身增肌,同时长序地对新增模块进行良好的架构设计。因此,在具体落地过程中我们关注两个方面:

对于降体积,上云是一个常用手段,但上云很容易带来流量成本上涨,所以从目标上我们降体积和降流量并举,避免姿势变形,拆东墙补西墙。并从整体架构上提供端云一体的全栈按需加载能力和降流量能力,在云端通过数据压缩,继承复用,差量更新进行数据优化,来减少流量;在通道上,通过升级ODR和xCDN能力,实现流量降成本;在终端通过全技术栈按需加载能力,降低包体积,并通过预加载、静默、差量加载来保证包大小降低的同时,用户数据加载体验不受损。

用户体验是综合题,包括流畅、稳定、存储、能耗等,一项项见题解题,很容易治标不治本,根本上需要产研架构设计的机制和素养的形成。所以,在推动包大小优化过程中,主要的不是包大小指标,而是更关注是否有架构设计以及设计的合理性,长期全局的架构设计要求从一开始业务设计判断上就融合考虑。所以在平台上,终端团队建立数据管控机制,从一个需求开始到下线全生命周期中每个环节中,都要保证架构的前置和全局设计。


多系统:鸿蒙高性能CAPI框架

随着设备及系统不断增多,每个系统都有自己的生态开发语言与服务特点,如果每个系统单独开发势必成本会越来越大,高德终端团队一直思考如何做到用一套代码跨平台运行来支持多系统产品。我们在各系统之上设计封装了系统服务与交互组件的平台层,基于自研的与地图深度融合的跨平台AJX前端引擎,搭建了高性能的跨平台容器环境,支持业务一次JS语言开发、多系统多设备运行。正得益于此,我们能够鸿蒙系统快速适配,在业内率先支持鸿蒙 NEXT系统。

在鸿蒙系统适配过程中,遇到了一些技术难点。鸿蒙提供的原生开发方式是ArkUI,因为其动态语言的特性,导致用其来开发平台层组件时,整体性能不理想。于是我们联合华为推进性能更高的C语言的CAPI方案演进,CAPI是ArkUI的底层绘制接口,由C语言编写,具有更好的性能以及系统一致性的体验。但应用CAPI方案也存在一些问题:一个是组件丰富度不全;另一个是一些三方模块比如lottie是以ArkUI方式提供的,代码上万行,如果翻译到CAPI上成本巨大;三是CAPI有很多枚举、万能接口,直接用成本高,易出错。我们设计了通用UI引擎,封装抽象一体化的UI套件,提供给上层开箱即用,同时,向下也支持灵活扩展其他UI库。另外建设HybridView层将CAPI不支持的复杂组件桥接到ArkUI层,在保证整体性能的同时,避免了CAPI组件不足影响业务快速迭代的问题。

多设备:多屏合一框架

由于地图应用场景的广泛性,高德地图终端不但需要支持多尺寸手机、平板、手表等移动设备,还需要支持各种车机投屏。各设备单独定制适配与维护会消耗大量人力成本,因此,整体设计了多屏合一框架,封装统一投屏接口层,组合地图面、标准化控件、状态控制一体的 地图UI 设计,通过自适应布局能力让一套方案能够支持多种投屏协议以及设备屏幕。同时,增强配置化设计,支持不同设备屏幕尺寸、屏幕方位下的灵活扩展、动态加载和高效定制。

(多屏合一&探路合一)

多语言:配置化框架

随着高德国际化的发展,需要在不同国家提供不同功能与语言,甚至还需要满足包体积、不同平台的要求,因此整体上设计了一套配置化框架来实现多应用形态,满足国际图、包体积、多平台的不同需求。

配置化设计由两种通道组成,一种是将当前语言标识上传的服务,服务根据语言不同下发相应数据,端侧根据数据进行展示,从而实现功能的配置,这种通道适用于类似信息瀑布流的服务数据驱动场景。另一种则对于功能逻辑存在于终端本地(如启动、导航链路)的场景,通过对UI组件标签进行不同语言环境下的配置,根据配置进行相应展示,实现端侧 Feature 化的配置。两种通道相互协同,能更灵活应对全球化场景下的多语言、多功能需求。

感谢

这一年,我们在技术探索和业务支持上不断突破,也在架构师机制建设中迈出扎实一步。高德内部一直强调“人人都是架构师” ,技术同学如果只把需求堆上线,不做技术架构,就没法做好技术。无论面对复杂的技术挑战,还是多样化的业务目标,我们在攻克一个个难题的同时,也清楚地知道,每一次进步都离不开全员的共同努力。

衷心感谢高德各团队的每一位成员,是你们的努力和专注,让我们一次次攻克难关。同时也感谢集团合作方在技术方面的交流学习。

这是一场协作的胜利,也是一场架构与机制的实践成果,感谢每一位参与者的付出!

相关推荐

让AI读懂代码需求:大模型微调训练实践及端侧运行部署

集团内部有多个微调训练的平台,譬如openLM, 魔搭平台的SWIFT等,集团外部有LLaMA-Factory,利用服务端共享的GPU集群进行训练,支持多种先进的微调算法和模型,适用于参数量大的复杂模型训练任务,但是对简单模型训练任务,希望在单机有限GPU资源下完成,并且缩短训练周期,基于这个考虑,选择了unsloth高性能训练框架。把代码知识图谱,分片存入向量数据库,通过RAG进行匹配查找,会存在召回率和准确率的问题,在实际过程中,LLM基于查询结果会存在不稳定的输出;

高德技术 791

高德沉浸式AI“云境”助力三维数字孪生

城市级数字孪生体,正是以强大仿真引擎与神经渲染等AI前沿技术基石、同时融合了(数据实时汇入环境、交通、能源、安防等)共同孕育的“智能生命体”,它超越了静态的“三维模型”,实时数据赋予了模型一系列“生命体征”,结合大数据分析与人工智能,实现对城市运行状态的动态监测、问题预警(如交通拥堵、内涝风险)、趋势推演(如人口流动、碳排放模拟)和策略优化(如信号灯配时、应急响应)。构建一个与现实城市一模一样的“镜像”,每盏路灯的能耗、每道车流的韵律、每片绿地的呼吸,都在镜像中实时搏动。

高德技术 2210

ICCV 2025|高德USP:图像生成与理解的统一自监督预训练

在将预训练模型权重适配到下游理解和生成模型时,针对图像分类任务,ViT 编码器的预训练权重可直接继承,无需额外调整,且仍然使用Class Token作为最终表征。USP 显著提升了 DiT 与 SiT 两个扩散模型的训练效率,仅用 600K 和 150K 步即可超越原始 7M 步的表现,分别加速 11.7× 和 46.6×,同时在图像识别任务中也保持了强大表示能力,具备良好的扩展性且无额外开销。同时,USP结合其他利用外部模型加速扩散模型收敛速度的方法,可以取得比单一方法更好的效果,表现出良好的正交性。

高德技术 904

生成模型双突破|高德技术如何让AI视频「更懂人」、图像「自愈」?

本文提出了首个人类感知对齐的视频运动质量评估基准 VMBench,受人类运动感知机制的启发,分层构建了五维度的运动感知评估指标 (PMM)体系和大规模的元信息引导提示生成 (MMPG)框架,覆盖了自然界中六大运动模式,为视频生成模型的运动质量评估树立了新的行业标准。传统研究侧重于特定任务的解决方案,采用设计的网络架构,使用相应的数据集对特定类型的退化进行优化。本研究提出了首个开源的、与人类感知对齐的视频运动质量评测基准VMBench,为社区提供了标准化的评测框架、可操作的诊断工具和量化的评估标准。

高德技术 1545

ICCV 2025|车道图的链式生成!高德将车道拓扑网学习革新为链式图扩展

在nuScenes和Argoverse 2数据集上进行的大量实验表明,与现有的基于检测和基于生成的方法相比,SeqGrowGraph在拓扑准确性和网络完整性方面表现出更优越的性能,通过引入类人结构化推理与序列建模,推动了车道图构建技术的发展,从而为动态环境下的自动驾驶提供精确的中心线。相比之下,SeqGrowGraph不仅提供了稳定和鲁棒的建模,还能有效合并地面实况数据中存在的冗余点,从而在构建车道图方面取得了更优越的结果,凸显了SeqGrowGraph在克服这些挑战方面的有效性和可靠性。

高德技术 977

高德测试体系智能化升级:AI驱动质量保障新范式

上面讲了通过构建生态化能力解决测试的质量、效率与管控的问题,起了一个好开始,用俗话说在“一盘棋”里,但什么时候能走到“天下大同”的局面,得一步步来,现在是 AI 博弈的一局,不敢说能“胜天半子”,但也不能 AI 过后一泻千里。事情可真不少,每个阶段就产生了完成各种“任务/工作项”的平台,以需求为事项跟踪的 Aone,以工作时序为主的五月花,现在团队项目管理的 Teambition,以测试专业为主的老 Kelude 到现在的 Aone,这还不包括有业务或团队特色的自己的任务平台。

高德技术 1504

技术思辨|AI Coding:经验壁垒正在失效,工具进化重塑编程

你能够将一个超级庞大的项目拆解成AI可以理解和逐步执行的细粒度任务,并预见在整合这些AI"零件"时可能出现的挑战和协同问题,这正是"1000倍杠杆"的起点。而"初生牛犊"则需要警惕,不能因为有了AI这个强大的工具就忽视了基础能力的培养、批判性思维的锻炼以及对问题本质的深入理解,否则可能永远停留在"能够使用AI的初学者"阶段,难以应对未来更复杂、更具挑战性的工作。能够洞察问题的本质,发现隐藏的关联,提出全新的思路,设计出AI都"想不到"的巧妙方案——这种源于人类灵感、直觉和想象力的创造力,是AI难以复制的。

高德技术 1161

全流程开源!高德3D贴图生成系统,白模一键生成真实感纹理贴图

我们团队自研的MVPainter系统,作为业内首个全流程开源的3D贴图生成方案,仅需一张参考图与任意白模,即可自动生成对齐精确、细节丰富、具备PBR属性的高质量贴图,全面提升3D内容生产效率与真实感表现,助力构建标准化、智能化的三维视觉基座。高质量数据构建与筛选流程:我们提出了一套自动化的数据筛选与增强Pipeline,针对公开3D数据中普遍存在的纹理缺失、光照,视角单一等问题,设计了贴图质量过滤、光照,视角增强等模块,用于构建一个高质量的多视角贴图训练集。

高德技术 1934

高德地图应用OceanBase单元化构建下一代在线地图服务

IEEE International Conference on Data Engineering (ICDE) 是数据库和数据工程领域的顶级学术会议之一(与SIGMOD、VLDB并成为数据库三大顶会),自1984年首次举办以来,每年举办一次。ICDE涵盖广泛的主题,包括数据库系统及其架构、数据管理与存储、大数据技术与应用、数据挖掘与知识发现、数据流处理与实时分析、分布式与并行数据库、数据隐私与安全等。本届会议接收到1518份投稿,共有300篇论文被接收发表,此外还包括10场Tutorials,11场wor

高德技术 1287

解锁高德语音包新玩法:这个六一,用孩子的声音,导航你的世界

因此,我们设计了Teacher - Force蒸馏的方案,通过同时约束蒸馏模型预测的声学特征和真实声学特征及基础模型预测的声学特征之间的误差,确保模型既可以较低难度的学习基础模型的声学输出,也可以同时保证蒸馏模型尽可能接近真实声学特征输出。第一阶段,我们首先会基于数千位高质量录音人的数据训练一个声学基础模型,模型在训练时,会对语义信息和说话人信息进行特征分离,以确保我们通过大规模数据进行预训练时可以充分实现说话人信息和语义信息的解耦,确保模型在微调阶段仅需调整少量的参数,加速模型产出的速度。

高德技术 2066

从底层重构强化学习训练框架,高德开源新方法

通过将基于组内的决策动态直接纳入标准的PG方法,GPG简化了训练过程,并显著减少了计算开销,而不削弱模型效果。这一突破为训练能够进行复杂推理的先进LLM提供了更高效的框架,从而为更具资源效率和可扩展性的人工智能系统做出了贡献。GPG开创性地从底层重构强化学习训练框架,仅需优化原始目标,解决已有方法偏差,提高训练效率。:首次揭示现有方法的奖励偏差问题,提出轻量化且高精度的梯度估计方案,显著提升策略稳定性。在一个组中,所有奖励都是0的简单问题的比例和所有奖励都是1的困难问题的比例。

高德技术 293

IJCAI 2025 | 高德首个原生3D生成基座大模型「G3PT」重塑3D生成的未来

该模型通过单张图像即可生成高质量3D Mesh,其核心创新之处在于提出了Cross-scale Querying Transformer模块,实现了3D 数据的多尺度1D Tokenizer,并且引入了Next-scale Autoregressive架构,取代了传统GPT中的Next-token Autoregressive架构,从而巧妙地解决了3D数据无序性这一长期困扰自回归建模的关键难题。它有效地解决了3D数据的无序性和多分辨率特性带来的挑战,实现了从粗到细的高质量3D内容生成,并支持多种条件模态。

高德技术 1718

高德开源数字人核心引擎,打造真实可控的音频驱动数字人

此外,我们集成了一个运动强度调制模块,显式控制表情和身体运动的强度,使肖像运动的操控不仅限于唇部动作。然而,自然说话头生成不仅需要关注与音频直接相关的唇部运动,还需关注与音频特征弱相关的其他面部组件和身体部位的运动(如眉毛、眼睛和肩膀)。为了解决这些限制,我们提出了一种新颖的框架,利用预训练的视频扩散变换模型生成高保真、连贯的说话肖像,并具备可控的运动动态。在与Hallo3的对比中,Hallo3的输出存在明显缺陷,对比的结果中Hallo3出现面部/唇部畸变和虚假背景运动和僵硬的头部运动。

高德技术 972

Tech Reader|高德技术人的灵感书单

在代码与算法的世界里,什么才是高德技术人「不迷路」的导航坐标?欢迎在评论区分享你对本期推荐书单的阅读心得或推荐你的灵感书单;在世界读书日,我们一起通过阅读校准下一段技术征程!答案或许藏在这份高德技术人的推荐书单里,选择5名粉丝随机送出本期推荐书籍!

高德技术 381

ICASSP 2025|高德推理检测助手和创新图像生成模型实力出圈

为了解决这些挑战,我们提出了一种创新的图像编辑框架,它利用Chain-of-Thought(CoT)推理和多模态大语言模型(LLMs)的定位能力来帮助扩散模型生成更精致的图像。大量的实验表明,我们的模型在图像生成方面在定性和定量上都超越了现有最先进的模型。本文提出了一种创新的图像编辑框架,该框架结合了链式思考(Chain-of-Thought, CoT)推理和多模态大型语言模型(Multimodal Large Language Models, MLLMs)的区域定位能力,以协助扩散模型生成更精细的图像。

高德技术 1756

CVPR 2025 Highlight|HumanRig:3D数字人黑科技,解锁更智能的3D角色动画框架

我们将分别介绍这些模块。这一优势主要归功于我们采用的基于Point Transformer的网格编码器,它能够有效区分不同身体部位的特征,从而生成更加精确的蒙皮权重分布,最终实现更高质量的网格变形效果。在这个过程中,我们确定粗略的三维骨架,通过计算每条射线与网格表面的交点,并使用每个三维粗略关节的第一次和最后一次交点的中点来得到结果。我们推出了一种创新的自动绑定算法,我们方法的核心模块包括:a)先验引导骨架估计器(PGSE),使用投射到3D空间中的2D先验初始化粗略骨架,显著降低绑定任务的复杂性。

高德技术 1963

高德视觉技术中心团队携CVPR论文成果亮相China3DV 2025

在"优秀论文Fastforward"环节,论文第一作者储泽栋通过现场演示与理论解析,详细展示了HumanRig技术创新,此研究不仅填补了3D人形角色绑定领域的数据集空白,还提出一种创新的自动绑定算法,推动动画行业向更高效、更自动化的角色绑定方向发展。高德视觉技术中心始终站在计算机视觉研究与应用的创新高地,是高德空间智能互联网领域重要的技术实践者。作为三维视觉领域年度盛会,本次高德视觉技术中心的创新成果展示,不仅彰显了团队在计算机视觉领域的技术积淀,更为行业提供了数字内容生产的革新方案。

高德技术 1110

技术公益|高德「卫星求救」与「无网导航」,用技术开拓无人区

无网导航通过技术保障用户体验。高德用户会在某些位置发起请求,如果是网络原因导致的请求失败,那就可以识别出来这块区域网络不顺畅,如果大量用户都在这里发出网络请求失败信息,就形成了我们所说的无网区域,用户本次导航途经无网区域,高德APP会提前缓存导航数据至后台,以备不时之需。高德通过与各大手机厂商的合作,接入厂商卫星能力SDK,统一接口标准,构建了一套通用化卫星通信解决方案,以此借助手机的硬件能力,建立与卫星的双向通信,将救援信号发送至卫星的同时也能从卫星接收对救援信息的回复,实现整个卫星救援能力上的闭环。

高德技术 1627

高德2025科研课题正式发布,研究型实习生岗位等你加入!

对于导航/定位地图而言,主要需要从众包数据中提取场景中对导航和定位重要的少量的稳定的信息,实景地图包含显著更多的细节,端云交互可以以更高效的隐式表达进行(类似Nerual Map),场景中的对象的几何和外观都可能发生显著的变化,这是实现大规模实景地图的众包渐进式构建与更新的核心难点。近年来,多模态大模型的兴起为这一领域提供了新的技术手段。这些技术的应用使平台和商家能够充分利用AI智能创作的能力,可以根据用户的特性,生成个性化的素材或者内容,高效地产出多样性的视觉效果,从而带来了巨大的商业价值。

高德技术 1501

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 961

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 288

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 181

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 156

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 223

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 107

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 298

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 181

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 439

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 503

CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!

其中 MEE 模型专门用于对矢量地图进行特征编码,将每个矢量点进行 tokenize,使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合,融合后每个 query 对应一条矢量的特征信息。高德认为,遵守交通规则行驶是实现自动驾驶系统的必要条件,车道级交通规则通常包含在高精地图中,为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发,从交通标志中理解交通规则需要完成两个任务,理解交通标志牌中指示的。

高德技术 131
上一篇: CVPR 2025|突破自动驾驶“交规困境“:高德车道级交通规则在线理解,让AI更懂交规!
下一篇: 高德2025科研课题正式发布,研究型实习生岗位等你加入!
高德技术
高德技术 企业官方账号 企业官方账号
博客等级 码龄7年 1270粉丝 146原创
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
 
 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