技术框架创新 - 提出MambaMap框架 利用状态空间模型高效融合长距离时间信息实现在线矢量高精地图构建[4][5] - 引入门控机制在BEV特征级和实例查询级进行高效信息选择与集成[5] - 设计多向扫描策略和时空扫描策略分别增强BEV级和实例级特征提取能力[5][18] 性能表现优势 - 在60×30m感知范围下 mAP达到64.9% 超越VectorMapNet的37.9%和StreamMapNet的61.1%[11] - 在100×50m扩展范围下 mAP达到60.7% 优于StreamMapNet的57.9%[11] - 在nuScenes数据集上mAP达40.1% 显著超过MemFusionMap的38.0%和SQD-MapNet的37.3%[12] - 在Argoverse2数据集上mAP达61.0% 与MemFusionMap的60.6%和SQD-MapNet的60.6%相比保持领先[12] 模块有效性验证 - 同时使用BMF和IMF模块时mAP达67.3% 相比单独使用任一模组提升显著[14] - 多向扫描策略使BMF模块mAP提升至67.3% 较单向扫描的64.9%提高2.4个百分点[16] - 时空扫描策略在IMF模块实现最佳效果 具体指标未完整呈现但显示优化趋势[16] 计算效率特征 - 处理帧率为13.6 FPS 与主流方法如StreamMapNet的15.9 FPS和SQD-MapNet的15.4 FPS处于同一量级[11] - 采用动态记忆机制以最小计算开销捕获长距离依赖关系[18] - 框架具备强鲁棒性和泛化能力 适用于多种自动驾驶场景[18]