AerialFusionMapNet: Online HD Map Construction with Aerial-Onboard BEV Fusion

📄 arXiv: 2606.24784v1 📥 PDF

作者: Daniel Lengerer, Mathias Pechinger, Klaus Bogenberger, Carsten Markgraf

分类: cs.CV

发布日期: 2026-06-23

备注: Accepted at the IEEE International Conference on Intelligent Transportation Systems (ITSC) 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出AerialFusionMapNet以解决在线高清地图构建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 航拍图像 车载传感器 在线地图构建 多模态融合 深度学习 自动驾驶 结构化训练 特征融合

📋 核心要点

  1. 现有的航拍与车载传感器融合方法未能充分利用航拍图像中的结构信息，限制了在线高清地图构建的性能。
  2. 本文提出的AerialFusionMapNet采用结构化的两阶段训练策略，旨在更有效地整合航拍特征与车载传感器数据。
  3. 在nuScenes数据集上，AerialFusionMapNet的mAP达到了54.7，较之前的48.8 mAP提升了5.9个绝对点，显示出显著的性能改进。

📝 摘要（中文）

高分辨率的航拍图像作为自动驾驶感知的补充模态，近年来显示出与车载传感器融合时提升鸟瞰视图场景理解的潜力。尽管已有研究表明航拍与车载传感器融合可以提高在线高清地图构建的性能，但传统的端到端融合方法未能充分利用航拍表示中的结构信息。本文提出了AerialFusionMapNet，一个基于融合的映射框架，采用结构化的两阶段训练策略，明确增强航拍特征在统一管道中的贡献。该训练方案使得结构化航拍先验的有效整合成为可能。在nuScenes地理分割数据集上，AerialFusionMapNet达到了54.7 mAP，相较于之前的航拍-车载融合基线提升了5.9个绝对点和12.1%的相对提升。结果表明，结构化训练设计比增加架构复杂性更能释放航拍图像在在线高清地图构建中的潜力。

🔬 方法详解

问题定义：本文旨在解决在线高清地图构建中航拍图像与车载传感器数据融合的不足，特别是现有方法未能充分利用航拍图像的结构信息。

核心思路：AerialFusionMapNet通过引入结构化的两阶段训练策略，增强航拍特征在融合过程中的贡献，从而提高地图构建的精度和效率。

技术框架：该方法的整体架构包括两个主要阶段：第一阶段为特征提取，分别从航拍图像和车载传感器数据中提取特征；第二阶段为特征融合，利用结构化训练策略将两者有效结合。

关键创新：最重要的技术创新在于采用结构化的训练设计，而非单纯增加模型复杂性，从而更好地释放航拍图像的潜力。

关键设计：在训练过程中，采用特定的损失函数来平衡航拍特征与车载特征的贡献，同时优化网络结构以适应两种数据源的融合需求。具体的参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在nuScenes数据集上，AerialFusionMapNet达到了54.7 mAP，相较于之前的航拍-车载融合基线48.8 mAP提升了5.9个绝对点，提升幅度达到12.1%。这一结果表明，结构化训练设计在提升航拍图像应用潜力方面的有效性。

🎯 应用场景

AerialFusionMapNet的研究成果在自动驾驶、智能交通系统以及城市规划等领域具有广泛的应用潜力。通过提高在线高清地图的构建精度，该方法能够为自动驾驶车辆提供更可靠的环境感知能力，从而提升行驶安全性和效率。此外，精确的地图数据也为城市基础设施的管理和优化提供了重要支持。

📄 摘要（原文）

High-resolution aerial imagery has recently emerged as a complementary modality for automated driving perception and has shown potential to improve birds-eye-view (BEV) scene understanding when fused with onboard sensors. Prior work demonstrated performance gains for online high-definition (HD) map construction through aerial-onboard fusion; however, conventional end-to-end fusion does not fully exploit the structural information contained in aerial representations. In this work, we introduce AerialFusionMapNet, a fusion-based mapping framework with a structured two-stage training strategy that explicitly enhances the contribution of aerial features within a unified pipeline. The proposed training scheme enables more effective integration of structural aerial priors. On the nuScenes geographic split, AerialFusionMapNet achieves up to 54.7 mAP, improving over prior aerial-onboard fusion baselines from 48.8 mAP by +5.9 absolute and +12.1% relative. The results suggest that structured training design, rather than increased architectural complexity, plays a more decisive role in unlocking the full potential of aerial imagery for online HD map construction. Code and trained models are available at https://github.com/DriverlessMobility/AerialFusionMapNet.