- 解决**高精地图(HD Map)**的实时更新和高精度问题，以支持自动驾驶安全与高效
- 现有地图生成方法依赖昂贵传感器或预定义特征，难以低成本保持地图的时效性
- 利用**众包车辆轨迹数据**作为低成本数据源，自动提取道路拓扑和车道级特征
- 研究背景：自动驾驶需要高更新率的HD地图，而传统制图方式难以满足规模化需求
- 采用**检测变换器(Detection Transformer, DETR)**架构，以**栅格化表示(rasterized representation)**的车辆轨迹作为输入，预测**向量化车道(vectorized lane)**表示
- 将车队众包轨迹切分为局部瓦片(tiles)，每个瓦片通过**HSV色彩空间变换(HSV-transformed)**编码轨迹的存在和方向信息，生成多通道栅格图
- 输出每个车道包含**中心线(centerline)**、方向及受中心线几何约束的**车道分隔线(lane divider)**
- 使用**注意力机制(attention mechanism)**进行端到端的拓扑推理，直接预测矢量化的有向车道
- **首次**将**HSV变换(HSV-transformation)**应用于众包轨迹的栅格编码，以多通道方式同时编码轨迹位置和方向，增强模型对车道拓扑的感知能力
- **端到端(end-to-end)**的DETR框架直接从众包轨迹栅格图回归车道中心线和分隔线，避免了传统方法中分割后处理或几何约束步骤
- **联合预测**中心线与几何约束分隔线，确保车道拓扑的连续性和一致性
- **利用众包数据**的瓦片化处理，使方法可扩展至大规模城市级地图生成
- 提出了一种**新颖的众包轨迹到HD地图车道拓扑的生成范式**，结合HSV编码与DETR实现了高效准确的向量化预测
- 在内部数据集和**nuScenes**、**nuPlan**公开数据集上验证了方法的有效性，为低成本地图更新提供了实用方案
- 为自动驾驶领域提供了一种**可复现的端到端框架**，降低了高精地图维护的依赖成本
- 推动了**众包感知(crowdsourced perception)**在道路建模中的应用，并为后续研究提供了开源实验基线