MapAgent：符合規範的車道向量化映射新架構
自動駕駛需要精確的車道層級地圖，傳統建置方式耗時且需大量人工校正。研究團隊推出 MapAgent，結合向量化主幹與規範驗證、限制感知推理及確定性編輯，形成 Judge‑Planner‑Worker 循環。系統只在主幹信心低落的區塊啟動，降低運算負擔，同時在複雜或長尾情境下提升地圖正確率。
車道層級地圖是自動駕駛與車道導航的關鍵基礎建設，然而要為數百座城市建置與維護標準化的車道網路仍相當耗工。近來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，但多將映射規範與交通規則視為隱含、資料集依賴的監督，導致在標記磨損、缺失或遮蔽等複雜情境下，僅靠視覺資訊難以確定正確車道配置，進而需要大量人工後編。
MapAgent 架構概述
MapAgent 是一套工業等級的代理式架構，將向量化主幹與明確的規範驗證、限制感知推理及確定性地圖編輯結合，形成受驗證驅動的 Judge‑Planner‑Worker 循環。
- Judge：以視覺‑語言模型同時檢視影像證據與草稿向量，診斷規範違背。
- Planner：呼叫工具產生最小化的校正編輯，並在編輯後重新驗證。
- Worker：執行確定性的地圖修正。
為維持城市規模的產能，MapAgent 僅在主幹信心低落的圖塊上觸發，增加的計算開銷有限，且不影響整體吞吐量。
實驗與應用成果
在多個真實世界資料集上測試，MapAgent 相較於強大的生產基線持續取得效能提升，特別在複雜與長尾情境下表現顯著。該系統已整合至百度地圖，支援全國超過 360 座城市的車道層級地圖生成，將整體自動化比例提升至超過 95%，證明其在大規模車道地圖產製上的實用性與效能。
延伸閱讀
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。
