OptiMVMap：基于最优多车视角的离线矢量地图构建
计算机视觉与模式识别
2026-04-21 v1
摘要
离线矢量地图构成高精度自动驾驶和地图服务的关键基础设施。现有的做法主要依赖单一 ego-车轨迹，本质上存在视角不足的问题：尽管基于内存的方法通过聚合 ego-轨迹帧来延长观察时间，但缺乏所需的空间多样性来揭示被遮挡区域。将来自周围车辆的视图纳入其中可提供补充视角，但朴素的融合方法会引入三个关键挑战：来自大型候选池的计算成本、来自近似共线视角的冗余，以及来自姿态误差和遮挡伪影的噪声。我们提出OptiMVMap，将多车地图构建重新表述为选择后融合问题，以系统性地解决这些挑战。Optimal Vehicle Selection( OVS)模块战略性地识别一个紧凑的助手子集，以最大程度地减少 ego-中心不确定性，从而解决计算和冗余挑战。Cross-Vehicle Attention( CVA)和语义感知噪声滤波器( SNF) then perform pose-tolerant alignment and artifact suppression before BEV-level fusion，解决了噪声挑战。这一有针对性的管道为更完整且在拓扑上更忠实的地图提供了显著减少的视图数量。在nuScenes和Argoverse2上，OptiMVMap相较于MapTRv2改进了+10.5 mAP和+9.3 mAP， 在nuScenes上相对于基于记忆的基线MVMap和HRMapNet超越了+6.2 mAP和+3.8 mAP。这些结果表明，基于不确定性引导的助手车辆选择是高效且准确的多车矢量映射的关键。代码已发布https://github.com/DanZeDong/OptiMVMap。
引用
@article{arxiv.2604.17135,
title = {OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives},
author = {Zedong Dan and Zijie Wang and Wei Zhang and Xiangru Lin and Weiming Zhang and Xiao Tan and Jingdong Wang and Liang Lin and Guanbin Li},
journal= {arXiv preprint arXiv:2604.17135},
year = {2026}
}