Producing and Leveraging Online Map Uncertainty in Trajectory Prediction

高清（HD）地图在现代自动驾驶汽车（AV）系统的开发中发挥着重要作用，但伴随着高昂的标注和维护成本。因此，许多最近的研究提出了从传感器数据在线估计HD地图的方法，使AV可以在先前未绘制地区运行。然而，当前的在线地图估计方法是独立于其下游任务而开发的，使其在AV系统中的集成变得复杂。特别是，它们不会产生不确定性或置信度估计。在这项工作中，我们扩展了多种最先进的在线地图估计方法，以额外估计不确定性，并展示了这如何使在线地图制作与轨迹预测更紧密地集成。在这样做时，我们发现，融入不确定性能够使训练收敛速度提高高达50％，在实际的nuScenes驾驶数据集上预测性能提高高达15％。

如何在自动驾驶车辆中实现在线高清地图估计并同时估计不确定性和置信度？

将现有的在线地图估计方法扩展到估计不确定性，从而更好地与轨迹预测集成，提高训练收敛速度和预测性能。

实验使用了nuScenes数据集，结果显示加入不确定性估计后训练收敛速度提高了50％，预测性能提高了15％。该方法有望在自动驾驶领域得到广泛应用。

与该论文相关的其他研究包括：1. 'Probabilistic 3D Multi-Map Fusion for Autonomous Driving'；2. 'Learning to Fuse Maps for Autonomous Driving'。