MapTR - 端到端矢量化高清地图构建框架 MapTR

[ICLR'23 Spotlight & ECCV'24 & IJCV'24] MapTR: Structured Modeling and Learning for Online Vectorized HD Map Constructio

MapTR是一个面向自动驾驶场景的在线矢量化高精地图构建框架，由华中科技大学与地平线联合研发，相关论文已被ICLR 2023接收为Spotlight，并进一步扩展至IJCV 2024。该项目核心解决的是传统高精地图构建依赖离线标注、更新成本高且难以实时适应动态环境的问题。MapTR提出了一种端到端的Transformer架构，能够直接从多视角车载摄像头图像中在线生成矢量化地图元素，包括车道线、人行横道、道路边界等。其关键技术在于统一置换等价建模方法，将地图元素视为具有一组等价排列的点集，从而准确描述任意形状的地图元素并稳定学习过程。同时，项目设计了层次化查询嵌入方案来灵活编码结构化地图信息，并采用层次化二分匹配进行地图元素学习。为了加速收敛，MapTR还引入了辅助的一对多匹配和密集监督机制。在技术栈方面，项目基于PyTorch和MMDetection3D框架实现，支持ResNet-18、ResNet-50等多种骨干网络，并兼容BEVFormer、BEVFusion等多种BEV编码器。实验结果表明，MapTR在nuScenes和Argoverse2数据集上均达到了当时最先进的性能，其中MapTRv2版本在ResNet-50骨干网络下mAP达到68.7%，推理速度可达14.1 FPS。该框架适用于需要实时高精地图更新的自动驾驶系统，尤其适合城市复杂道路场景下的路径规划和决策模块，能够有效降低对预采集高精地图的依赖，提升系统的泛化能力和鲁棒性。