结论
1)对于离线经验的建模
- 高精地图是“显式”的特征(即人能看懂的矢量元素) + “显式”的位置(即GPS经纬度)
- 以下两篇是“隐式”的特征(即BEV网络中间层特征) + “显式”的位置
- 未来应该还会有均为隐式的表达,也就是一个空间记忆网络(类似NeRF/iMAP)
2)两篇都对BEV特征进行空间和时序的融合,但方法略有不同
背景
目前主流的智能驾驶实时感知方案,均采用BEV框架。因此有人考虑
- 如果实时处理可能因为遮挡而不太好,能不能把这些BEV Feature提前构建好记录下来?并且同一个地方走的次数越多,记录越完善,就像构建一个BEV众包地图。
- 如果在线可以时序融合,那多累积一段也就是在构建BEV特征地图。通过特征对齐操作,在融合时序特征的同时还可以修正定位。
基于上面的考虑,分别有了两篇文章
论文概况
这两篇的框架如下。
NMP
NMP利用GRU对特征进行时序融合与更新。但并没有考虑位置误差,可能需要一个比较高精度定位模块的位姿作为输入。