论文
MapMergeLLM：LLM学习矢量化地图聚合
From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models
摘要
大规模矢量化高精地图提供自动驾驶感知、定位与规划所需的结构化道路信息。构建此类地图需要把沿车辆轨迹采集的噪声、碎片化且重叠的局部预测聚合成连贯的全局地图。现有聚合方法通常依赖手工规则做片段关联与细化，但固定阈值无法有效应对道路结构与预测误差的变化，常需检测器特定调参或人工调整。为此我们提出MapMergeLLM，一个把矢量化地图聚合表述为LLM条件序列生成的数据驱动框架：给定序列化的局部矢量地图，模型直接预测聚合后的全局地图折线。为减少对特定上游检测器的依赖，模型在从干净矢量地图以模拟典型预测误差的破坏生成的合成局部地图上训练。我们进一步引入带几何感知预训练的坐标tokenizer以精确表示地图坐标，并提出行级关联损失显式监督同一地图元素局部观测间的对应。在Argoverse2与nuScenes上使用多个近期上游检测器的实验表明，MapMergeLLM在不做检测器特定重训的情况下大幅超越启发式与基于优化的聚合基线。