在审视下的稳定性：为在线 HD map 评估 representation paradigm 的基准

作为自动驾驶中基本模块，online high-definition (HD) map 正因其 cost-effective 和real-time 能力而受到广泛关注。由于车辆始终在高度 dynamic 环境中行驶， onboard sensor 的空间位移不可避免地导致 real-time HD mapping 结果的 shift，而这种 instability 为 downstream 任务 presents fundamental 挑战。然而，现有的 online map construction 模型 tend to 优先提高每个 frame 的 mapping accuracy，而 mapping stability 尚未得到系统性研究。为填补这一 gap，本文提出了第一个全面基准，用于评估 online HD mapping 模型的 temporal stability。我们提出了多维度 stability evaluation 框架，引入 novel 指标衡量 Presence、Localization 和Shape Stability，并整合为统一的mean Average Stability (mAS) score。在42 个模型和variant 上进行大规模实验，表明 accuracy (mAP) 和stability (mAS) 表示 largely independent 的 performance 维度。我们进一步分析了关键 model design choice 对两者的影响，识别出贡献于 high accuracy、high stability 或两者兼顾的 architecture 和 training factor。为鼓励更广泛关注 stability，我们将发布 public benchmark。本工作突出了将 temporal stability 视为 core evaluation 标准（同时考虑 accuracy）的重要性，推动了更可靠自动驾驶系统的发展。该 benchmark toolkit、code 和 model 将在 https://stablehdmap.github.io/ 上提供。