Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models

建立和维护高清晰度地图(HD)对于自动驾驶汽车的部署来说是一大障碍。因此，现代在线地图检测模型的进步引发了对在线地图问题的重新关注。然而，有效地预测高质量的在线地图以实现安全的无人驾驶部署仍然是一个重大挑战。最近的研究提出使用低质量的地图先验和合成扰动训练强大的在线地图系统，以模拟过时的HD地图先验。在本文中，我们研究了这些合成扰动地图先验的模型如何推广到实际部署规模下的真实世界地图变化的性能。我们进行了大规模的实验研究，确定哪些合成扰动对于推广到真实世界的HD地图变化最有用，并使用多年的真实世界自动驾驶数据进行评估。我们展示了合成先验扰动和观察到的真实世界变化之间仍然存在巨大的模拟到真实的差距，这限制了当前基于先验的HD地图预测模型的实用性。

本文探讨了如何使用低质量的地图先验和合成扰动训练鲁棒的在线地图系统，以模拟过时的高清地图先验，并研究了这些模型在实际部署的真实世界地图变化中的泛化能力。

本文通过大规模实验研究了哪些合成扰动最有助于泛化到真实世界的高清地图先验变化，发现当前的先验信息预测模型仍存在较大的模拟到真实世界的差距。

本文的实验设计基于多年的真实自动驾驶数据，探究了合成扰动对于先验信息预测模型的影响，但结果表明模型仍存在泛化能力不足的问题。需要进一步研究如何提高模型的泛化性能。

最近的相关研究主要集中在如何使用在线地图系统来解决自动驾驶中的地图问题，如何利用先验信息和传感器数据来提高地图的准确性和实时性等。相关论文包括：《Real-Time Online Map Building for Autonomous Driving》、《Probabilistic Online Map Generation for Autonomous Driving》等。