MapAgent：結合規範驗證的工業級車道向量化映射架構
自動駕駛需要精確的車道等級地圖，但傳統建圖耗時。MapAgent 透過結合視覺語言判斷與規範驗證的 Judge‑Planner‑Worker 迴路，在感測器資料上自動校正錯誤，僅在低信心區塊介入。實驗與百度地圖整合顯示，該系統在 360 多城市提升自動化率至 95% 以上，顯著改善複雜場景的地圖品質。
背景與挑戰
車道等級地圖是自動駕駛與車道導航的關鍵基礎建設，然而要為上百座城市建構與維護標準化的車道網路，仍是高度勞力密集的工作。現有的端對端向量化映射方法能直接從感測器資料預測車道幾何與拓撲，但通常把交通規範視為隱含、資料集依賴的監督訊號。
在標線磨損、缺失或被遮蔽的複雜場景中，僅靠視覺證據往往無法唯一確定正確的車道配置，導致規範違反成為人工後編的主要瓶頸。
MapAgent 架構
MapAgent 不是單純在映射預測上加一個代理迴路，而是將感知骨幹與三個明確模組結合：
- Judge（判定）：以視覺語言模型同時檢查影像與草稿向量，診斷規範違背。
- Planner（規劃）：根據判定結果產生最小化的校正指令，並在完成後重新驗證。
- Worker（執行）：在受限的規範框架下執行確定性的地圖編輯。
整個流程形成受驗證驅動的 Judge‑Planner‑Worker 迴路，僅在骨幹信心低的圖塊觸發，保持高吞吐量且只增加少量運算負擔。
實驗與成效
在真實世界資料集上的測試顯示，MapAgent 相較於既有的生產基線在整體精度上有穩定提升，尤其在長尾與複雜場景的車道配置上表現更佳。
該系統已被整合至百度地圖，支援全國超過 360 個城市的車道等級地圖生成，將整體自動化率提升至超過 95%。此成果證明 MapAgent 在大規模車道映射上的實用性與效能。
延伸閱讀
- OmniDreams：即時生成式世界模型提升自駕車政策評估
- MemTier：在 OpenClaw 外掛下以分層記憶、PPO 檢索權重緩解 BM25 檢索瓶頸
- NOVA：以座標型INR權重重構世界模型，解除解碼器瓶頸
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
