一句话理解在线地图
在线地图 = 让车自己"看着路画地图"，而不是依赖提前铺好的高精地图，从而实现更广的运营范围和更强的鲁棒性。
传统高精地图（HD Map）需要专业采集车提前扫描、人工标注、定期更新，成本极其高昂（每公里数千元），且无法覆盖所有道路。在线地图构建（Online HD Map Construction）的目标是用车上现有的传感器（摄像头、LiDAR），实时地在驾驶过程中把路网结构重建出来。
🎯 高精地图包含什么
核心地图元素
高精地图不是普通导航地图的"放大版"。它包含厘米级精度的几何和语义信息：
| 元素 | 描述 | 表示方式 |
|---|---|---|
| 车道线 | 车道边界（实线/虚线/双黄线） | 折线 + 类型标签 |
| 道路边界 | 路沿/隔离带 | 折线（多边形） |
| 人行横道 | 斑马线区域 | 多边形 |
| 停止线 | 路口停止位置 | 折线 |
| 交通信号灯 | 灯组位置和关联车道 | 3D 位置 + 语义 |
| 车道中心线 | 每条车道的行驶参考线 | 折线 + 方向 |
| 车道连接 | 车道之间的拓扑关系 | 有向图 |
| 限速/标志 | 交通标志含义 | 属性标签 |
车道图（Lane Graph）
地图不仅仅是几何线段的集合。一个完整的在线地图还需恢复车道之间的拓扑关系——即车道图（Lane Graph）：
- 节点：车道段内的中心线或车道段的端点
- 边：表示车道之间的连接关系（变道、直行、转弯）
- 属性：行驶方向、是否可变道等
这个图结构直接输入规划模块，告诉车辆"你可以从这里走到那里"。
🔧 在线地图构建的范式演进
在线地图构建经历了从"感知 → 后处理向量化"到"端到端向量解析"的演进。
第一代：分割 → 向量化
代表工作：HDMapNet（2021）
HDMapNet 采用的是"先分割、后向量化"的流水线：
- 图像特征提取：使用 EfficientNet-B0 等多尺度 backbone 提取多视角图像特征
- BEV 特征变换：通过 IPM（逆透视映射）或 MLP 将图像特征映射到 BEV 空间
- 语义分割：在 BEV 空间上做逐像素分类（车道线、边界、人行道等）
- 实例分割：区分不同的车道线实例（同一条车道线为同一个实例）
- 后处理向量化：对每个实例做聚类、多边形拟合、卡尔曼平滑，最终输出折线/多边形
局限性：
- 多阶段流水线，误差会累积（分割错 → 向量化也错）
- 后处理中的手工规则（聚类阈值、拟合参数）难以迁移到新场景
- 无法端到端优化，感知和向量化各自独立，中间没有梯度传递
MapTR 系列（2022-2023）极大地简化了这个流程。
第二代：端到端 Transformer 解析
MapTR（2022）——MapTR 提出了一种新的地图表示和端到端学习范式：
- Hierarchical Query Embedding：定义可学习的实例 query（lane query）和点 query（point query）
- Transformer Decoder：使用 DETR 风格的 decoder，通过 cross-attention 从 BEV 特征中解析地图元素
- Permutation-based Matching：MapTR 的关键创新——把地图元素匹配看作排列等价问题：
- 车道线由一组有序点构成，但方向可以正反颠倒（排序排列）
- 采用 Hungarian algorithm 在预测和真值之间找到最优排列匹配
- Loss 包含：分类 loss、点位置 loss、方向 loss
MapTRv2（2023）——在 MapTR 基础上做了多项改进：
- 引入 在线矢量化辅助损失（Online Vectorized Auxiliary Loss），对每个 decoder layer 的中间输出计算损失，加速收敛
- 加入 方向分类头，显式预测车道点的方向（从哪个方向到哪个方向）
- 引入 自适应点采样，根据不同车道线的长度动态分配点数
性能对比：
| 方法 | mAP (车道线) | 推理速度 | 是否端到端 | 是否需要后处理 |
|---|---|---|---|---|
| HDMapNet | ~32.5% | ~15 FPS | ❌ | 是（复杂） |
| MapTR (n=50) | ~56.2% | ~22 FPS | ✅ | 否 |
| MapTRv2 (n=50) | ~62.8% | ~20 FPS | ✅ | 否 |
| VectorMapNet | ~55.3% | ~10 FPS | ✅ | 是（AutoRegressive） |
VectorMapNet（2022）
VectorMapNet 将地图构建视为序列生成问题：
- 图注意力编码：在 BEV 特征上构建图结构，通过 GAT 捕获车道间的空间关系
- 自回归解码：按"实例 → 点序列"的顺序逐步生成：
- 先生成一个车道实例的起始点
- 然后一步步预测后续点的位置
- 用特殊的"结束 token"标记序列终止
- 点序列 loss：使用 chamfer distance 衡量预测点和真值点的匹配程度
优点：可以处理可变长度的车道线（不同长度的车道使用不同的点数）。 缺点：自回归解码慢，无法并行生成，推理速度受限。
🔄 车道图构建
从折线到拓扑图
仅仅检测出车道线还不够——规划模块需要知道它们之间的连接关系。车道图构建通常包括：
- 车道段提取：将检测到的折线分割为"段"（segment），每个段内车道属性一致（宽度、方向）
- 邻接关系判定：根据空间位置（端点距离 < 阈值）和几何方向（夹角 < 阈值）判断哪些段相连
- 拓扑推理：利用交通规则（如实线不能变道）约束图结构
- 方向赋值：根据车道线的虚线/实线和行车方向赋予边的方向属性
车道图构建流程详解
一个完整的车道图构建系统包含以下步骤：
- 车道段（Lane Segment）提取：将 MapTR/HDMapNet 输出的折线按属性（实线/虚线/双黄线）分割为语义一致的段
- 邻接判定：基于空间距离和几何连续性判断段间连接关系
- 拓扑推理：利用交通规则约束——实线两侧不可变道、路口内全连通
- 车道中心线生成：根据左右车道边界的中线计算每条车道的行驶参考线
- 方向赋值：结合行车方向和交通规则给每条边赋予方向属性
这一过程类似从"路网骨架"恢复"完整的路网地图"。
最近进展：隐式车道图
一些新工作试图绕过显式图构建，直接在隐空间进行路径推理，比如：
- STSU (Structured Scene Understand)：将车道图表示为 Transformer 中的 token 关系
- LaneGAP：使用图神经网络直接生成可达路径，而非先建图后规划
🗺️ 地图在规划中的角色
在线地图构建的最终目的是服务规划。地图为规划提供硬约束和先验知识：
硬约束
| 约束 | 含义 | 违反后果 |
|---|---|---|
| 车道保持 | 车辆必须在车道边界内行驶 | 压线/借道扣分 |
| 方向约束 | 车辆必须沿车道指定方向行驶 | 逆行 |
| 变道限制 | 实线段不能变道，仅虚线段可以 | 违章 |
| 路口规则 | 红灯停、斑马线让行 | 安全事故 |
软约束（先验）
- 行驶轨迹先验：沿车道中心线行驶是最自然的驾驶行为
- 速度先验：不同车道类型（直行、转弯）有不同的合理速度范围
- 交互先验：在与它车交互时，车道关系决定了谁有路权
一个典型的规划系统会将地图约束建模为优化问题中的成本函数：
$$ \mathcal{L}_{\text{map}} = w_1 \cdot \mathcal{L}_{\text{lane}}(\tau) + w_2 \cdot \mathcal{L}_{\text{boundary}}(\tau) + w_3 \cdot \mathcal{L}_{\text{direction}}(\tau) $$其中 $\tau$ 是规划轨迹，每个项衡量轨迹对地图约束的遵守程度。
🔮 趋势与争议
趋势 1：端到端模型可能替代显式 HD Mapping
随着 UniAD、VAD 等工作将感知→预测→规划整合为一个端到端网络，一些研究者认为显式的地图构建可能是多余的——模型可以直接从 BEV 特征中隐式学习到路网结构，不需要输出显式的地图元素。
反方观点：显式地图具有可解释性和可调试性。当车辆行为异常时，工程师可以检查"地图建错了还是规划错了"，这对安全至关重要。
趋势 2：在线地图与导航地图的融合
导航地图（SD Map）虽然精度低（米级），但覆盖广。一些最新的工作探索如何将 SD Map 作为先验、用在线感知结果做细粒度修正——实现"粗到细"的地图构建。
趋势 3：时间融合提升鲁棒性
单帧检测难免有漏检和误检，但通过时序融合（将过去几秒的检测结果对齐后融合）可以大幅提升地图构建的稳定性和完整性。MapTR 的后续工作引入了 temporal decoder 来实现这一目标。
📚 延伸阅读
- Li, Q. et al. “HDMapNet: An Online HD Map Construction and Evaluation Framework.” ICRA, 2022.
- Liao, B. et al. “MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction.” ICLR, 2023.
- Liao, B. et al. “MapTRv2: An End-to-End Framework for Online Vectorized HD Map Construction.” arXiv:2308.05736, 2023.
- Mi, J. et al. “VectorMapNet: End-to-End Vectorized HD Map Learning.” ICML, 2022.
- Hu, Y. et al. “Planning-oriented Autonomous Driving (UniAD).” CVPR, 2023.
- Jiang, B. et al. “VAD: Vectorized Autonomous Driving.” NeurIPS, 2023.