NeuralMapPrior(NMP)和NeuralMapGrowing(NeMO)，对BEVFeature建图

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

1. 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。
2. 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

1. NMP - Neural Map Prior
2. NeMO - Neural Map Growing

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。