端到端趋势下的无图该如何生存？

点击下方 卡片 ，关注“ 自动驾驶之心 ”公众号

>> 点击进入→ 自动驾驶之心 『 星球vip 』 交流群

年前有星友接到了一个新活，团队要做去高精地图的城区NOA，算力要求还不能高，真的是既要又要了，没办法，这么卷的市场下，做出高性价比的方案才能活下去。他觉得无从下手，很多问题搜不到答案，对这块还是一脸懵的状态，正好我们邀请了一个无图感知方向的专家来做了一场无图感知的直播（ 直播视频获取地址 ），他如获至宝，心中的疑惑解了很多，听说最近已经调研选型完成，进入开发阶段了，高手点播一下，能少走很多弯路。下面是一部分核心问题：

1、有使用卫星地图进行定位的无图研究么？

就是用SD map做定位的。最近是有一些这样的工作的，就有一篇叫MapLocNet：Coarse-to-Fine Visual Neural Re-Localization in Navigation Maps，可以去看一下。

2、P-MapNet是BEV图和LIDAR数据先融合在一起吗

对，是的，我们是先对纯视觉，就是环视相机提到一个BEV特征，然后拿这个BEV特征再和雷达的BEV特征contact的在一块的，作为我们这里讲的这个BEV特征。

新用户66元现金优惠！微信扫码领取

3、有试过做map change detection 么sd map信息是错的时侯

P-MapNet有一个limitations里面是讲到这个东西，他分好多种情况。比如，真实场景下是有一条路，然SD map没有这条路。以及另外一种情况是真实情况下没有这条路，然后SD map又告诉你有这条路。然后还有如果再加上机器的标注，那情况就又会比较多。就是机器标注告诉你有，但实际上没有；然后SD map又告诉你有，就这种排列组合情况非常多。然后一种可以解可以尝试的做法，其实就是从训练册训练时候加一些随机的drop out 这个，当然P-MapNet没有去还没有做到这一步。

4、instance建模方式下mae还会提升断断续续线的问题吗？

如果是instant建模下，就是矢量化的建模下，MAE这种方式其实不太好了。对，就是因为AME它处理的还是图像。我推荐你去看一下Polly deviation这个工作。对，就是我在最开始讲相关工作的时候，有提到那个politician那篇。他其实是对矢量化，用division model去做对。你如果你是instance的话，你还是要先把它做栅格化，做栅格化完之后，然后才能用MAE。对，然后你最后用了ME之后，你得到的还是一张图片，还是一个分割的结果，还要做后处理，这个就得不偿失了。

5、栅格化看起来效果要比矢量化稳定，但是栅格化的东西下游怎么用呢?

对于OCC任务来说，它里面很多的一些做法可以参考map之前的发展。就比如说map其实但map里面它又会有有很多之前OD那块的一些工作的一些借鉴。、比如说融合持续，当然融合时序。有好几个层面，一种就是BEV层面，然后另外一种就是像做这种tracker，像maptracker。对然后融合一些历史的一些历史的这种，就是叫其实叫通勤模式。对，然后这块其实也是可以迁移到OCC这块。

6、未来的一个研究点

热门行业直播干货汇总

自动驾驶之心星球部分行业直播一览 （ 直播视频获取地址 ） ：

自动驾驶人的私域知识库， 三天内免费体验，72小时内不满意随时退款 ，星球内 每天都在更新的自动驾驶、大模型相关私域知识。

2025年，自驾人一定会遇到很多挑战，别焦虑，来我们星球敞开心扉聊聊技术，谈谈人生，一定会收获满满，现在加入，还有大额优惠，扫码领取： 自动驾驶之心知识星球 。

新用户66元现金优惠！微信扫码领取

我和4000+小伙伴们等你来： 自动驾驶之心知识星球 ，专为自动驾驶人开设的技术和心灵港湾，有难题这里有解决方案！我们熬夜总结了自动驾驶、大模型等方向里程碑工作、前沿报告和学习路线，超全，读完一定会茅塞顿开。

认识下我的星球

保持竞争力的前提是个人技术和视野要常用常新，要让自己能搞定一个或多个模块，要常和行业内人士交流（比如经常参加行业大佬的直播）。一起为智驾站台，一起相信智驾的未来！最后真心推荐大家加入 『自动驾驶之心知识星球』 ！

『自动驾驶之心知识星球』 已经近4000人了！说句心里话， 作为长期排名前十，内容和活跃度超过99%的平台，我们倾注了全部心血， 社区就像个孩子一样，在大家细心的照料下，终于长大成人了。我们给大家准备了一个现金优惠大礼包，绝对超值。

自动驾驶之心知识星球，创办于2022年7月份，致力于打造为自动驾驶行业中的 ”黄埔军校“，目前 已近 4000 人 ，聚集了近60+自动驾驶行业专家为大家答疑解惑。这是国内首个以自动驾驶技术栈为主线的交流学习社区，汇总了 自动驾驶感知 （目标检测、语义分割、车道线检测、BEV检测、Occupancy、在线地图、目标跟踪、多模态、多传感器融合等）、 自动驾驶定位建图 （高精地图、SLAM）、 自动驾驶规划控制与预测、多传感器标定、端到端自动驾驶、自动驾驶仿真、自动驾驶开发、领域技术方案、AI模型部署落地 等几乎所有子方向的学习路线！除此之外， 还和数十家自动驾驶公司建立了1v1内推渠道 ，简历直达！这里可以自由提问交流， 许多算法工程师和硕博日常活跃，解决问题 ！初衷是希望能够汇集行业大佬的智慧，在学习和就业上帮到大家！星球的每周活跃度都在国内前30，非常注重大家积极性的调度和讨论，欢迎加入一起成长！

星球内已经打磨出近 35+ 的学习路线，涉及端到端自动驾驶、BEV感知、动态/静 态障碍物检测、多传感器融合、多传感器标定、目标跟踪、模型部署与cuda加速、仿真等方向，沉淀了大量工程上的解决方案、学术上的优化思路！星球主要内容一览：

这些热门技术方向，星球里面全都有！

现在自动驾驶技术迭代期越来越短，从原来的单目3D到BEV，再到OCC，再到大模型和端到端，高阶智驾现阶段的技术点已经比较清晰。

O、热门方向大佬视频分享

一、端到端自动驾驶