超越切朗距离：面向在线地图的粒度化顺序感知评估指标
计算机视觉与模式识别
2026-05-22 v1
摘要
在线地图估计是自动驾驶系统的关键组件，能够减少对高成本高清地图的依赖。当前最先进 (SOTA) 方法通常将地图元素预测为形成折线和多边形的有序点序列。这些方法的评估主要依赖于基于阈值切朗距离 (Chamfer Distance, CD) 的平均精确率 (mAP)。该框架对点排序不敏感，无法细粒度评估几何质量，难以区分哪些方法在其他方法之间真正优于对方。本文在两个方面解决了这些局限性。对于单实例相似度度量，我们引入序列最优子模式分配 (sequence optimal sub-pattern assignment, SOSPA)，一种顺序感知指标，能够在满足所有度量公理的前提下，对单个几何形状进行细粒度评估。对于多实例评估框架，我们提出折线局部化与检测 (polyline localisation and detection, PLD)，一种软指标，联合捕获检测质量和几何精度，取代 mAP 的硬阈值，采用原则化的软分配。通过在 nuScenes 上的评估，我们展示 PLD 能够有效排序当前在线地图方法 (MapTRv2、StreamMapNet、MapTracker)，并提供分解的误差分析。该分析确定检测能力是当前方法中的主要瓶颈，揭示了 mAP 无法捕捉的性能趋势。评估代码将发布。
引用
@article{arxiv.2605.22578,
title = {Beyond Chamfer Distance: Granular Order-aware Evaluation Metric For Online Mapping},
author = {Chouaib Bencheikh Lehocine and Adam Lilja and Junsheng Fu and Lars Hammarstrand},
journal= {arXiv preprint arXiv:2605.22578},
year = {2026}
}