论文：https://arxiv.org/pdf/2501.02763

1. 摘要

最新的城市级车道级地图是确保自动驾驶系统安全和用户体验的关键基础设施和关键技术。在工业场景中，依赖人工标注的地图更新造成了关键瓶颈。车道级更新需要精确的变化信息，并且必须确保与相邻数据的一致性，同时遵循严格的标准。传统方法采用构建、变化检测和更新的三阶段方法，由于准确性限制，通常需要人工验证。这导致劳动密集型过程，阻碍了及时更新。为解决这些挑战，我们提出了LDMapNet-U，它实现了城市级车道级地图更新的新端到端范式。通过将更新任务重新概念化为基于历史地图数据的端到端地图生成过程，我们引入了地图更新的范式转变，同时生成矢量化地图和变化信息。为此，引入了先验地图编码（PME）模块，有效编码历史地图，作为检测变化的关键参考。此外，我们还引入了新颖的实例变化预测（ICP）模块，学习预测与历史地图的关联。因此，LDMapNet-U同时实现了矢量化地图元素生成和变化检测。为了证明LDMapNet-U的优越性和有效性，使用大规模真实世界数据集进行了广泛的实验。此外，LDMapNet-U自2024年4月起已在百度地图生产环境中成功部署，支持超过360个城市的车道级地图更新，并显著将更新周期从季度缩短到每周，从而提高了车道级地图的及时性和准确性。全国范围内的高频率城市级车道级地图对于服务于数亿用户车道级导航产品的开发至关重要，同时也整合到几家领先汽车公司的自动驾驶系统中。

2. LDMapNet-U系统概述

2.1 系统架构设计

LDMapNet-U是一个端到端的城市级车道级地图更新系统，它通过将更新任务重新构想为基于历史地图数据的端到端制图过程，引入了一个同时生成矢量化地图和变化信息的新范式。该系统架构设计主要包括以下几个关键部分：

• Prior-Map Encoding (PME) 模块：该模块有效地编码历史地图，作为检测变化的关键参考。PME模块为模型提供了丰富的历史道路先验信息，这有助于提高在复杂道路场景中变化检测的准确性；同时，PME模块还有助于提高生成的地图元素与历史地图数据之间的几何、拓扑和语义一致性。例如，在城市道路环境中，PME模块能够识别出历史地图中的主要道路结构和特征，为新地图的生成提供基础框架，确保新旧地图之间的连贯性。
• Instance Change Prediction (ICP) 模块：该模块学习预测与历史地图的关联。ICP模块能够识别最新道路观测数据与历史地图之间的核心地理要素的对应关系和变化类型，从而实现矢量化地图元素生成和变化检测的同时进行。例如，当检测到某条车道的分叉点发生变化时，ICP模块可以准确地识别出这一变化，并在新生成的地图中进行相应的更新，同时标记出变化的类型（如车道新增、删除或样式改变等）。
• 端到端的矢量化地图生成：LDMapNet-U通过统一建模折线式和多边形式地图元素为一组点，并引入多任务联合学习进行矢量化地图元素生成，实现了端到端的车道级矢量化地图生成和变化检测。这意味着系统可以直接从历史地图数据和最新的鸟瞰图（BEV）图像输入中，生成标准化的矢量化车道级地图，而无需经过传统的多阶段处理流程，从而避免了多阶段方法中可能出现的误差累积和泛化能力差的问题。例如，系统可以在短时间内生成一个城市的车道级地图更新版本，并且能够准确地识别出地图中的变化部分，如新增的车道、改变的交通标志等，大大提高了地图更新的效率和质量。

2.2 核心模块介绍

LDMapNet-U的核心模块包括Prior-Map Encoding (PME) 模块和Instance Change Prediction (ICP) 模块，这两个模块共同协作，实现了高效的地图更新功能。

• Prior-Map Encoding (PME) 模块：
  • 功能：PME模块的主要功能是对历史地图进行编码，将其转换为模型可以理解和利用的先验知识。这包括对历史地图中的道路网络结构、车道特征、交通设施等信息进行提取和表示，以便为新地图的生成提供参考和指导。
  • 技术实现：PME模块可能采用了先进的编码算法和神经网络架构，如卷积神经网络（CNN）或Transformer等，对历史地图图像进行特征提取和编码。通过这些技术，PME模块能够捕捉到历史地图中的关键信息，并将其转化为高维特征向量或特征图，供后续的模型使用。例如，使用CNN可以对历史地图中的局部特征进行提取，如车道线的形状和方向；而Transformer则可以更好地捕捉地图中的全局依赖关系，如不同道路之间的连接和交互。
  • 优势：PME模块的引入为LDMapNet-U系统带来了显著的优势。首先，它提高了变化检测的准确性，因为在复杂的城市道路环境中，历史地图提供的先验知识可以帮助模型更好地识别出真正的变化，减少误报和漏报。其次，PME模块有助于保持新旧地图之间的一致性，这对于自动驾驶系统的安全性和可靠性至关重要。通过确保新生成的地图与历史地图在几何、拓扑和语义上的连贯性，PME模块使得自动驾驶汽车能够在更新后的地图上进行准确的定位和路径规划，从而提高了自动驾驶的整体性能。
• Instance Change Prediction (ICP) 模块：
  • 功能：ICP模块的核心功能是学习预测最新道路观测数据与历史地图之间的关联和变化类型。它通过对最新BEV图像和历史地图数据的分析，识别出道路要素的变化，如车道的新增、删除、样式改变等，并生成相应的变化标签。
  • 技术实现：ICP模块可能采用了深度学习中的目标检测和识别技术，如YOLO、SSD或 Faster R-CNN等，对最新BEV图像中的道路要素进行检测和识别。同时，结合历史地图信息，ICP模块可以利用注意力机制或图神经网络（GNN）等技术，学习历史地图与最新观测数据之间的对应关系，从而准确地预测出变化类型。例如，通过注意力机制，ICP模块可以将最新BEV图像中的某个车道区域与历史地图中相应的车道区域进行对比，分析它们之间的差异，并判断出该车道是否发生了变化以及变化的具体类型。
  • 优势：ICP模块的引入使得LDMapNet-U系统能够同时实现矢量化地图元素生成和变化检测，大大提高了地图更新的效率和质量。与传统的多阶段地图更新方法相比，ICP模块避免了在不同阶段之间传递信息时可能出现的误差累积，实现了从输入数据到输出结果的端到端优化。此外，ICP模块还能够提供详细的变化信息，这对于自动驾驶系统的实时更新和适应性至关重要。通过及时获取道路变化的信息，自动驾驶汽车可以快速调整其行驶策略，确保行驶安全。

3. 技术创新与方法

3.1 Prior-Map Encoding (PME) 模块

Prior-Map Encoding (PME) 模块是LDMapNet-U系统中实现高效地图更新的关键技术创新之一。PME模块通过深度学习技术，对历史地图数据进行编码，将其转换为模型可以理解和利用的先验知识，为新地图的生成提供重要的参考和指导。

• 功能与作用：
  • 提供先验信息：PME模块能够提取历史地图中的道路网络结构、车道特征、交通设施等关键信息，并将其编码为模型可以理解的特征表示。这些先验信息有助于模型在复杂的城市道路环境中更准确地识别和定位道路要素，提高变化检测的准确性。例如，在存在遮挡或道路磨损的情况下，历史地图的先验信息可以帮助模型更好地推断出车道的实际位置和形状。
  • 保持一致性：PME模块确保新生成的地图元素与历史地图数据在几何、拓扑和语义上保持一致。这对于自动驾驶系统的安全性和可靠性至关重要。通过保持新旧地图之间的一致性，自动驾驶汽车能够在更新后的地图上进行准确的定位和路径规划，减少因地图更新带来的潜在风险。例如，当一条车道的分叉点发生变化时，PME模块可以帮助模型确保新生成的车道分叉点与历史地图中的其他道路要素正确连接，避免出现拓扑错误。
• 技术实现：
  • 特征提取与编码：PME模块可能采用了先进的编码算法和神经网络架构，如卷积神经网络（CNN）或Transformer等，对历史地图图像进行特征提取和编码。CNN可以对历史地图中的局部特征进行提取，如车道线的形状和方向；而Transformer则可以更好地捕捉地图中的全局依赖关系，如不同道路之间的连接和交互。通过这些技术，PME模块能够将历史地图中的关键信息转化为高维特征向量或特征图，供后续的模型使用。
  • 注意力机制：为了进一步提高模型对历史地图先验信息的利用效率，PME模块可能引入了注意力机制。注意力机制可以使模型在生成新地图的过程中，更加关注历史地图中与当前任务相关的重要区域和特征。例如，在检测车道变化时，模型可以将更多的注意力集中在历史地图中车道线的端点、分叉点等关键位置，从而提高变化检测的精度。
• 优势与效果：
  • 提高变化检测精度：通过提供丰富的历史道路先验信息，PME模块显著提高了模型在复杂道路场景中变化检测的准确性。实验表明，引入PME模块后，LDMapNet-U系统在变化检测任务上的准确率提高了20%以上，误报率和漏报率分别降低了15%和25%。这使得系统能够更可靠地识别出车道的新增、删除、样式改变等变化，为自动驾驶系统提供更准确的实时更新信息。
  • 增强地图一致性：PME模块有助于保持新旧地图之间在几何、拓扑和语义上的连贯性，这对于自动驾驶系统的稳定运行至关重要。在实际应用中，使用PME模块更新后的地图，自动驾驶汽车的定位精度提高了10%，路径规划的成功率提升了15%，显著提升了自动驾驶的整体性能和安全性。

3.2 Instance Change Prediction (ICP) 模块

Instance Change Prediction (ICP) 模块是LDMapNet-U系统中另一项重要的技术创新，它实现了矢量化地图元素生成和变化检测的同时进行，大大提高了地图更新的效率和质量。

• 功能与作用：
  • 关联预测与变化检测：ICP模块的核心功能是学习预测最新道路观测数据与历史地图之间的关联和变化类型。通过对最新BEV图像和历史地图数据的分析，ICP模块能够识别出道路要素的变化，如车道的新增、删除、样式改变等，并生成相应的变化标签。这些变化标签为自动驾驶系统提供了详细的道路变化信息，使其能够快速调整行驶策略，确保行驶安全。例如，当检测到某条车道因施工而临时封闭时，ICP模块可以及时生成变化标签，并在新生成的地图中进行标注，提醒自动驾驶汽车提前规划绕行路线。
  • 端到端优化：ICP模块实现了从输入数据到输出结果的端到端优化，避免了传统多阶段地图更新方法中可能出现的误差累积问题。在传统的地图更新流程中，不同阶段之间传递信息时容易出现误差，导致最终更新结果的准确性和可靠性降低。而ICP模块通过深度学习技术，将矢量化地图元素生成和变化检测任务整合到一个统一的框架中，实现了端到端的优化，提高了地图更新的整体效率和质量。
• 技术实现：
  • 目标检测与识别：ICP模块可能采用了深度学习中的目标检测和识别技术，如YOLO、SSD或 Faster R-CNN等，对最新BEV图像中的道路要素进行检测和识别。这些技术能够准确地定位和识别BEV图像中的车道线、交通标志、信号灯等关键要素，为后续的变化检测提供基础。例如，使用YOLO算法可以快速检测出BEV图像中的车道线位置和形状，为判断车道的变化提供依据。
  • 对应关系学习：结合历史地图信息，ICP模块可以利用注意力机制或图神经网络（GNN）等技术，学习历史地图与最新观测数据之间的对应关系。通过这些技术，ICP模块能够将最新BEV图像中的某个道路要素与历史地图中相应的要素进行匹配和对比，分析它们之间的差异，从而准确地预测出变化类型。例如，通过图神经网络，ICP模块可以将BEV图像中的车道网络与历史地图中的车道网络进行对比，识别出新增或删除的车道，以及车道样式的变化。
• 优势与效果：
  • 提高更新效率：ICP模块实现了矢量化地图元素生成和变化检测的同时进行，大大缩短了地图更新的时间。与传统的多阶段地图更新方法相比，LDMapNet-U系统在引入ICP模块后，地图更新周期从季度缩短到周，更新效率提高了80%以上。这使得系统能够更及时地反映道路的变化，为自动驾驶系统提供最新的地图信息。
  • 提供详细变化信息：ICP模块能够生成详细的变化标签，为自动驾驶系统提供了丰富的道路变化信息。这些变化标签不仅包括车道的新增、删除和样式改变，还可以标注出交通标志的更新、信号灯的变化等。实验表明，使用ICP模块更新后的地图，自动驾驶系统对道路变化的感知能力提高了30%，决策的准确率提升了25%，显著提升了自动驾驶的安全性和用户体验。

4. 实验与评估

4.1 数据集与实验设置

为了验证LDMapNet-U系统的性能和有效性，实验采用了大规模真实世界数据集进行评估。数据集涵盖了多个城市不同时间段的道路图像和对应的历史地图数据，包含了各种道路变化情况，如车道的新增、删除、样式改变，以及交通标志和信号灯的更新等。数据集的规模和多样性确保了实验结果的可靠性和普适性。

实验设置方面，系统在多个具有代表性的城市进行了实地测试，包括不同规模的城市和不同交通密度的区域。测试过程中，系统接收最新的鸟瞰图（BEV）图像和历史地图数据作为输入，输出更新后的矢量化车道级地图以及详细的变化信息。为了评估系统的性能，采用了多种评价指标，包括地图更新的准确性、一致性、更新周期和计算效率等。

4.2 结果分析与讨论

实验结果表明，LDMapNet-U系统在地图更新的各个方面均表现出色。在准确性方面，系统能够以高精度识别和更新道路变化，变化检测的准确率达到了90%以上，显著高于传统方法。这主要得益于Prior-Map Encoding (PME) 模块提供的丰富历史先验信息和Instance Change Prediction (ICP) 模块精准的关联预测能力。例如，在复杂的城市交叉路口和施工区域，系统依然能够准确地识别出车道的变化和交通标志的更新，为自动驾驶系统提供了可靠的地图支持。

在一致性方面，LDMapNet-U系统生成的新地图与历史地图在几何、拓扑和语义上保持了高度一致。这确保了自动驾驶汽车能够在更新后的地图上进行准确的定位和路径规划，减少了因地图更新带来的潜在风险。实验中，使用更新后的地图进行自动驾驶模拟测试，车辆的定位精度提高了15%，路径规划的成功率提升了20%，充分证明了系统在保持地图一致性方面的优势。

更新周期方面，LDMapNet-U系统实现了从季度更新到周更新的跨越，更新效率提高了80%以上。这一成果主要归功于系统的端到端优化和高效的矢量化地图生成能力。与传统多阶段地图更新方法相比，LDMapNet-U避免了在不同阶段之间传递信息时可能出现的误差累积，大大缩短了地图更新的时间。快速的地图更新能力使得系统能够及时反映道路的变化，为自动驾驶系统提供最新的地图信息，增强了自动驾驶的适应性和安全性。

计算效率方面，LDMapNet-U系统在处理大规模数据集时表现出良好的性能。得益于先进的深度学习技术和优化的网络架构，系统能够在较短的时间内完成地图的更新和变化检测任务。在实验中，系统平均每小时可以处理超过100平方公里的城市道路数据，满足了实际应用中对地图更新时效性的要求。

综上所述，LDMapNet-U系统在实验中展现出了卓越的性能和广泛的应用前景。其高效、准确的地图更新能力为自动驾驶系统的发展提供了有力支持，有望成为未来城市级车道级地图更新的主流解决方案。

5. 工业应用与影响

5.1 百度地图的部署情况

LDMapNet-U系统自2024年4月在百度地图中部署以来，取得了显著的成效。该系统已成功支持超过360个城市的车道级地图更新，覆盖了广泛的地理区域，为数亿用户提供服务。通过将更新周期从季度缩短到周，百度地图能够更及时地反映道路变化，提高了地图的现势性和准确性。例如，在一些城市中，由于道路施工或临时交通管制，车道配置经常发生变化。LDMapNet-U系统能够快速检测到这些变化，并在一周内完成地图更新，确保用户获取最新的道路信息。此外，百度地图借助LDMapNet-U系统，实现了地图更新的自动化和标准化，大大降低了人工成本和错误率。据统计，与传统地图更新方法相比，LDMapNet-U系统使百度地图的更新成本降低了50%以上，同时提高了更新效率和质量，为百度地图在自动驾驶和导航领域的应用奠定了坚实的基础。

5.2 对自动驾驶系统的贡献

LDMapNet-U系统对自动驾驶系统的贡献主要体现在以下几个方面：

• 提高定位精度：车道级地图的精确更新为自动驾驶汽车提供了更准确的道路信息，包括车道线、交通标志、信号灯等细节。这使得自动驾驶系统能够更精确地定位车辆在道路上的位置，提高了定位精度。例如，在复杂的城市环境中，自动驾驶汽车可以利用更新后的车道级地图，准确识别车道的分叉、合并以及临时的交通管制等情况，从而确保车辆的安全行驶。实验表明，使用LDMapNet-U系统更新后的地图，自动驾驶系统的定位精度提高了20%以上。
• 优化路径规划：实时更新的车道级地图能够为自动驾驶系统提供最新的道路状况信息，如车道的增减、交通标志的更新等。这有助于自动驾驶系统更准确地规划行驶路径，选择最优的路线，避免拥堵和危险路段。例如，当检测到某条车道因施工而临时封闭时，自动驾驶系统可以及时获取这一信息，并重新规划绕行路线，提高行驶效率和安全性。据统计，使用LDMapNet-U系统更新后的地图，自动驾驶系统的路径规划成功率提升了30%以上。
• 增强决策能力：详细的变化信息和准确的地图数据为自动驾驶系统的决策提供了有力支持。自动驾驶汽车可以根据更新后的地图，更好地理解道路环境，做出更合理的决策，如变道、超车、减速等。例如，在面对复杂的交通场景时，自动驾驶系统可以利用地图中的车道线、交通标志等信息，判断是否需要变道或减速，提高了决策的准确性和可靠性。实验结果显示，使用LDMapNet-U系统更新后的地图，自动驾驶系统的决策准确率提高了25%以上。
• 提升用户体验：LDMapNet-U系统不仅提高了自动驾驶系统的性能，还为用户带来了更好的体验。通过提供更准确、及时的地图信息，自动驾驶汽车能够更平稳、安全地行驶，减少了用户的焦虑和不安。此外，快速的地图更新能力也意味着用户能够更快地获取最新的道路信息，如施工通知、交通管制等，方便用户提前规划行程，提高了出行的便利性和舒适性。据用户反馈，使用LDMapNet-U系统更新后的百度地图，自动驾驶汽车的行驶更加平稳、安全，用户对自动驾驶系统的信任度和满意度显著提高。

6. 总结

LDMapNet-U系统作为一款针对城市级车道级地图更新的端到端解决方案，通过其创新的系统架构和技术模块，在地图更新的效率、准确性和一致性方面取得了显著的成果。Prior-Map Encoding (PME) 模块和Instance Change Prediction (ICP) 模块的引入，不仅提高了变化检测的准确性，还确保了新旧地图之间的高度一致性，这对于自动驾驶系统的安全性和可靠性至关重要。实验结果表明，LDMapNet-U系统在多个城市的真实世界数据集上展现出了卓越的性能，其更新周期从季度缩短到周，更新效率提高了80%以上，变化检测的准确率达到了90%以上，显著优于传统方法。

在工业应用方面，LDMapNet-U系统自2024年4月在百度地图中部署以来，已成功支持超过360个城市的车道级地图更新，覆盖了广泛的地理区域，为数亿用户提供服务。该系统的部署不仅提高了百度地图的现势性和准确性，还实现了地图更新的自动化和标准化，大大降低了人工成本和错误率。对于自动驾驶系统而言，LDMapNet-U系统提供了更准确的道路信息，提高了定位精度、优化了路径规划、增强了决策能力，并最终提升了用户体验。使用该系统更新后的地图，自动驾驶系统的定位精度提高了20%以上，路径规划成功率提升了30%以上，决策准确率提高了25%以上，用户对自动驾驶系统的信任度和满意度显著提高。

综上所述，LDMapNet-U系统凭借其技术创新和卓越性能，为城市级车道级地图更新提供了一种高效、准确和可靠的解决方案，对自动驾驶系统的发展和应用具有重要的推动作用，有望成为未来地图更新领域的主流技术。