探究先验信息引导的高精地图预测模型在真实世界地图变化上的泛化能力

构建和维护高精地图对自动驾驶汽车的部署构成了巨大障碍。这一点，加上现代在线地图检测模型的进步，重新激发了对在线建图问题的兴趣。然而，以足够高的质量有效预测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。关于这些模型的近期工作提出，使用带有合成扰动的低质量地图先验来训练鲁棒的在线建图系统，试图以此模拟过时的高精地图先验。在本文中，我们研究了在这些合成扰动地图先验上训练的模型如何泛化到部署规模的真实世界地图变化上的表现。我们提出了一项大规模实验研究，以确定哪些合成扰动在泛化到真实世界高精地图变化时最有用，并使用多年的真实世界自动驾驶数据进行评估。我们表明，合成先验扰动与观察到的真实世界变化之间仍然存在显著的 sim2real 差距，这限制了当前先验信息引导的高精地图预测模型的实用性。