T27: Map BEV:自动驾驶在线矢量地图构建

前面BEV成长系列 IPM→LSS→BEVDet→BEVFormer→Temporal→Fusion ，主要围绕动态目标展开，可以归属为Object-centric BEV，关注：

但自动驾驶决策不仅依赖目标位置，还依赖道路结构、交通规则等。例如：当前在哪条车道？前方车道如何连接？是否允许变道？路口拓扑关系如何？这些信息通常由地图来提供。为摆脱离线预存地图的维护成本，行业开始研究基于 BEV 特征的在线矢量建图方案。

早期自动驾驶主要依赖：高精地图与在线定位

流程：离线采集-> 人工建图 ->高精地图 ->在线定位

车辆运行时：实时感知 + 高精地图-> 定位、规划

优点：精度高、方便

缺点：制作成本高、维护成本高、地图更新频率不够高

Map BEV的核心任务是从输入的传感器数据中

代表技术：

VectorMapNet核心思想：BEV Feature → Vector Prediction直接预测地图元素向量。解决以往 Segmentation → 后处理 → Vector链路过长的问题。《VectorMapNet: End-to-end Vectorized HD Map Learning》

        Image Encoder + View Transform + Feature AggregationMulti-view Images ───────────────────────────> Unified Global BEV Feature                           Polyline Regression HeadUnified Global BEV Feature ──────────────────> Vertex Coordinates          Post-processing（Curve Smoothing / NMS / Filtering）Vertex Coordinates ──────────────────────────> Output Vector Polylines

MapTR 核心思想：BEV Feature → Map Element Query → Vector Element，MapTR借鉴了 DETR、BEVFormer中的 Query 思想，将地图元素视作可学习对象。

特点：地图元素结构化表达、训练稳定、工业界采用广泛。目前很多在线地图方案都会与 MapTR 进行比较。《MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction》

                     Image Encoder + View TransformMulti-view Images ──────────────────────────────> BEV Feature Map                        Instance Query DecoderBEV Feature Map ────────────────────────────────> Instance Queries                          Point Set DecoderInstance Queries ───────────────────────────────> Vertex Coordinates                         Post-processingVertex Coordinates ─────────────────────────────> Output Vector Polylines

MapTR 训练专属分支

                        Permutation Matching LossPredicted Coordinates <─────────────────────────> Ground Truth Polylines

VectorMapNet与MapTR仍然属于单帧建图，而单帧数据的观测范围有限，很难处理遮挡、远距离车道、路口结构。StreamMapNet 引入History Map Memory，实现过去观测+当前观测共同建图。 《StreamMapNet: Streaming Mapping Network for Vectorized Online HD Map Construction》

特点：跨帧地图空间一致性

类似于：BEVFormer → Temporal BEV，但Temporal BEV关注动态目标的检测、跟踪、预测，重点是用历史帧增强当前帧，时序信息是用来建模运动的。而StreamMapNet 是把多帧观测累积成同一个地图，历史memmory map会通过pose 变换（来自CAN BUS/IMU/Odometry/GT）对齐到当前帧再融合。

        Image Encoder + View Transform + Streaming Temporal FusionMulti-view Images (Frame Sequence) ───────────────> Temporal BEV Feature                    Query Propagation + Instance Query DecoderTemporal BEV Feature ─────────────────────────────> Streamed Instance Queries                              Point Set DecoderStreamed Instance Queries ────────────────────────> Vertex Coordinates                                Post-processingVertex Coordinates ───────────────────────────────> Output Vector Polylines

前面的Map主要解决地图元素的分类与几何，自动驾驶还需要地图元素的拓扑关系。例如：车道A是否连接车道B、左转进入哪条车道、路口如何通行等。

TopoNet一类的工作核心关注：Topology Graph，即：Geometry +Topology，从地图构建进一步走向道路规则建模。《Graph-based Topology Reasoning for Driving Scenes》

             Image Encoder + View TransformMulti-view Images ─────────────────────> BEV Feature Map                    Instance Query DecoderBEV Feature Map ───────────────────────> Instance Queries                   Graph Topology ReasoningInstance Queries ──────────────────────> Topology-aware Queries                       Geometry DecoderTopology-aware Queries ────────────────> Centerline Coordinates                      Graph Topology ReasoningTopology-aware Queries ────────────────> Lane / Traffic Element Topology                       Post-processingCoordinates + Topology ───────────────> Topology-aware HD Map

Map BEV核心任务： BEV → Vectorized Map，代表技术演进脉络：

VectorMapNet（矢量建图） 

MapTR（结构化地图表达） 

StreamMapNet（持续建图与空间一致性维护） 

TopoNet（拓扑关系建模）