CleanMAP：蒸馏多模态 LLM 以实现置信度驱动的众包 HD 地图更新
摘要
智能网联汽车（ICV）和车路云一体化系统的快速发展增加了对准确、实时 HD 地图更新的需求。然而，由于众包数据存在不一致性，确保地图可靠性仍具挑战性，这些数据受到运动模糊、光照变化、恶劣天气和车道线退化的影响。本文提出 CleanMAP，一个基于多模态大语言模型（MLLM）的蒸馏框架，旨在过滤和精炼众包数据以实现高置信度 HD 地图更新。CleanMAP 利用 MLLM 驱动的车道可见性评分模型，系统量化关键视觉参数，并根据其对车道检测的影响赋予置信度分数（0-10）。一种新颖的动态分段置信度评分函数根据车道可见性调整分数，确保与人类评估高度一致，同时有效过滤不可靠数据。为进一步优化地图精度，一种置信度驱动的局部地图融合策略在最佳置信度范围内（最高分减去 10%）对得分最高的前 k 个局部地图进行排序和选择，在数据质量与数量之间取得平衡。在真实世界自动驾驶数据集上的实验评估验证了 CleanMAP 的有效性，表明融合前三名局部地图实现了 0.28m 的最低平均地图更新误差，优于基线（0.37m）并满足严格的精度阈值（<= 0.32m）。使用实车数据的进一步验证证实了与人类评估者 84.88% 的一致性，增强了模型的鲁棒性和可靠性。这项工作将 CleanMAP 确立为众包 HD 地图更新的可扩展且可部署的解决方案，确保更精确可靠的自主导航。代码将发布于 https://Ankit-Zefan.github.io/CleanMap/
引用
@article{arxiv.2504.10738,
title = {CleanMAP: Distilling Multimodal LLMs for Confidence-Driven Crowdsourced HD Map Updates},
author = {Ankit Kumar Shaw and Kun Jiang and Tuopu Wen and Chandan Kumar Sah and Yining Shi and Mengmeng Yang and Diange Yang and Xiaoli Lian},
journal= {arXiv preprint arXiv:2504.10738},
year = {2025}
}
备注
Kun Jiang, Mengmeng Yang and Diange Yang are Corresponding Author. The main paper and supplementary material are both included here, total 23 pages (main paper is 10 pages and supplementary material is 13 pages), total 17 figures (6 figures in main paper and 11 figures in supplementary material), this paper is Accepted to CVPR WDFM-AD Workshop 2025, The code will be available at https://Ankit-Zefan.github.io/CleanMap/