MapDiffusion：基于生成扩散模型的矢量化在线高精地图构建与不确定性估计

自动驾驶需要从传感器数据中理解静态环境。学习型鸟瞰图（BEV）编码器通常用于融合多个输入，矢量解码器则从潜在BEV网格预测矢量化地图表示。然而，传统地图构建模型提供确定性点估计，无法捕捉不确定性及真实环境中的固有模糊性（如遮挡和缺失车道标记）。

提出MapDiffusion，一种新颖的生成方法，利用扩散范式学习可能矢量化地图的完整分布。该方法不是从学习查询中预测单一确定性输出，而是基于BEV潜在网格条件，迭代优化随机初始化的查询，以生成多个合理的地图样本。这使得能够聚合样本以提高预测精度，并推导与场景模糊性直接相关的不确定性估计。

在nuScenes数据集上的大量实验表明，MapDiffusion在在线地图构建中实现了最先进的性能，单样本性能比基线提高5%。进一步证明，聚合多个样本能够沿ROC曲线一致提升性能，验证了分布建模的益处。此外，不确定性估计在遮挡区域显著更高，强化了其在识别传感器输入模糊区域方面的价值。

通过建模完整地图分布，MapDiffusion增强了在线矢量化高精地图构建的鲁棒性和可靠性，为复杂环境中的自动驾驶车辆实现不确定性感知决策。