本文經(jīng)自動(dòng)駕駛之心公眾號(hào)授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

寫(xiě)在前面&個(gè)人理解

駕駛系統(tǒng)通常依賴(lài)高精（HD）地圖來(lái)獲取精確的環(huán)境信息，這對(duì)于規(guī)劃和導(dǎo)航至關(guān)重要。盡管當(dāng)前的高精地圖構(gòu)建器在理想條件下表現(xiàn)良好，但它們對(duì)現(xiàn)實(shí)世界挑戰(zhàn)的韌性，例如惡劣天氣和傳感器故障，尚不完全清楚，這引發(fā)了安全問(wèn)題。MapBench是首個(gè)旨在評(píng)估高精地圖構(gòu)建方法對(duì)各種傳感器損壞情況的魯棒性的全面基準(zhǔn)測(cè)試。基準(zhǔn)測(cè)試涵蓋了來(lái)自Camera和激光雷達(dá)傳感器的總共29種損壞類(lèi)型。對(duì)31個(gè)高精地圖構(gòu)建器的廣泛評(píng)估揭示了現(xiàn)有方法在惡劣天氣條件和傳感器故障下性能顯著下降，這凸顯了關(guān)鍵的安全問(wèn)題。對(duì)此，識(shí)別出增強(qiáng)魯棒性的有效策略，包括利用多模態(tài)融合、高級(jí)數(shù)據(jù)增強(qiáng)和架構(gòu)技術(shù)的創(chuàng)新方法。這些見(jiàn)解為開(kāi)發(fā)更可靠的高精地圖構(gòu)建方法提供了途徑，這對(duì)于自動(dòng)駕駛技術(shù)的進(jìn)步至關(guān)重要。

項(xiàng)目鏈接：https://mapbench.github.io/

領(lǐng)域背景介紹

高精地圖是自動(dòng)駕駛系統(tǒng)的基礎(chǔ)組件，提供了交通規(guī)則、矢量拓?fù)浜蛯?dǎo)航信息的厘米級(jí)細(xì)節(jié)。這些地圖使自動(dòng)駕駛車(chē)輛能夠準(zhǔn)確地定位自身在道路上的位置，并預(yù)測(cè)即將到來(lái)的特征。高精地圖構(gòu)建器將這項(xiàng)任務(wù)表述為預(yù)測(cè)以鳥(niǎo)瞰圖（BEV）形式的一系列矢量靜態(tài)地圖元素，例如人行橫道、車(chē)道分隔線(xiàn)、道路邊界等。

現(xiàn)有的高精地圖構(gòu)建方法可以根據(jù)輸入傳感器的類(lèi)型進(jìn)行分類(lèi)：僅基于camera、僅基于激光雷達(dá)以及camera-激光雷達(dá)融合模型。每種傳感器都有其獨(dú)特的功能：camera從圖像中捕獲豐富的語(yǔ)義信息，而激光雷達(dá)則從點(diǎn)云中提供明確的幾何信息。

通常，基于camera的方法比僅基于激光雷達(dá)的方法表現(xiàn)更好，而基于融合的方法則產(chǎn)生了最滿(mǎn)意的結(jié)果。然而，目前的模型設(shè)計(jì)和性能評(píng)估都是基于理想的駕駛條件，例如晴朗的白天天氣和完全正常的傳感器。

為了彌補(bǔ)這一差距，這里提出了MapBench，這是首個(gè)旨在評(píng)估高精地圖構(gòu)建方法在實(shí)際環(huán)境中對(duì)自然損壞可靠性的全面基準(zhǔn)測(cè)試。通過(guò)研究三種流行的配置：純視覺(jué)、僅基于激光雷達(dá)以及視覺(jué)-激光雷達(dá)融合模型，全面評(píng)估了模型在損壞情況下的魯棒性。評(píng)估涵蓋了8種camera損壞類(lèi)型、8種激光雷達(dá)損壞類(lèi)型以及13種視覺(jué)-激光雷達(dá)損壞組合類(lèi)型，如圖2和圖4所示。為每種損壞類(lèi)型定義了三個(gè)嚴(yán)重程度級(jí)別，并設(shè)計(jì)了適當(dāng)?shù)闹笜?biāo)以進(jìn)行定量魯棒性比較。利用MapBench，對(duì)總共31種最先進(jìn)的高精地圖構(gòu)建方法進(jìn)行了廣泛的實(shí)驗(yàn)。

如圖1所示的結(jié)果揭示了“干凈”數(shù)據(jù)集和損壞數(shù)據(jù)集之間模型性能的顯著差異。這些評(píng)估的關(guān)鍵發(fā)現(xiàn)包括：

• 在所有camera/激光雷達(dá)損壞情況中，雪天損壞顯著降低了模型性能。它覆蓋了道路，使得地圖元素?zé)o法識(shí)別，對(duì)自動(dòng)駕駛構(gòu)成了重大威脅。此外，傳感器故障損壞（例如幀丟失和回聲不完整）對(duì)所有模型來(lái)說(shuō)也是一個(gè)挑戰(zhàn)，這顯示了傳感器故障對(duì)高精地圖模型的嚴(yán)重威脅。
• 盡管camera-激光雷達(dá)融合方法通過(guò)結(jié)合兩種模態(tài)的信息顯示出了有前景的性能，但現(xiàn)有方法通常假設(shè)可以訪(fǎng)問(wèn)完整的傳感器信息，這導(dǎo)致在傳感器損壞或缺失時(shí)魯棒性較差，并可能崩潰。

通過(guò)廣泛的基準(zhǔn)研究，進(jìn)一步揭示了提高高精地圖構(gòu)建器對(duì)傳感器損壞可靠性的關(guān)鍵因素。這項(xiàng)工作的主要貢獻(xiàn)有三個(gè)方面：

• 引入了MapBench，首次嘗試全面基準(zhǔn)測(cè)試和評(píng)估高精地圖構(gòu)建模型對(duì)各種傳感器損壞的魯棒性。
• 在三種配置下（僅基于camera、僅基于激光雷達(dá)以及camera-激光雷達(dá)融合）廣泛基準(zhǔn)測(cè)試了總共31種最先進(jìn)的高精地圖構(gòu)建器及其變體。這包括研究它們?cè)?種camera損壞、8種激光雷達(dá)損壞以及每種配置下13種camera-激光雷達(dá)損壞組合下的魯棒性。
• 確定了提高魯棒性的有效策略，包括利用先進(jìn)的數(shù)據(jù)增強(qiáng)和架構(gòu)技術(shù)的創(chuàng)新方法。發(fā)現(xiàn)揭示了顯著提高性能和魯棒性的策略，強(qiáng)調(diào)了針對(duì)高精地圖構(gòu)建中特定挑戰(zhàn)定制解決方案的重要性。

MapBench：高精地圖構(gòu)建魯棒性基準(zhǔn)測(cè)試

在這項(xiàng)工作中，研究了三種流行的配置，即僅基于camera的、僅基于激光雷達(dá)的以及基于camera-激光雷達(dá)融合的高精地圖構(gòu)建任務(wù)，并研究了它們對(duì)各種傳感器損壞的魯棒性。如圖2所示，camera/激光雷達(dá)損壞被分為外部環(huán)境、內(nèi)部傳感器和傳感器故障類(lèi)型，涵蓋了大多數(shù)真是情況。我們?yōu)槊總€(gè)損壞類(lèi)型考慮了三個(gè)損壞嚴(yán)重程度級(jí)別，即容易、中等和困難。此外，對(duì)于多傳感器損壞，我們使用camera/激光雷達(dá)傳感器故障類(lèi)型來(lái)分別或同時(shí)干擾camera和激光雷達(dá)傳感器輸入。MapBench是通過(guò)破壞nuScenes的驗(yàn)證集來(lái)構(gòu)建的。選擇nuScenes是因?yàn)樗鼛缀踉谒凶罱母呔貓D構(gòu)建工作中都得到了廣泛應(yīng)用。

1）傳感器損壞

camera傳感器損壞。為了探究?jī)H基于camera的模型魯棒性，采用了8種真實(shí)世界中的camera傳感器損壞情況，這些損壞情況從三個(gè)角度進(jìn)行分類(lèi)：外部環(huán)境、內(nèi)部傳感器和傳感器故障。外部環(huán)境包括各種光照和天氣條件，如強(qiáng)光、低光、霧和雪。camera輸入也可能因傳感器內(nèi)部因素而損壞，如運(yùn)動(dòng)模糊和顏色量化。最后，考慮了傳感器故障的情況，即由于物理問(wèn)題導(dǎo)致camera崩潰或某些幀丟失，分別導(dǎo)致camera崩潰和幀丟失。

激光雷達(dá)傳感器損壞。為了探索僅基于激光雷達(dá)的模型魯棒性，采用了中的8種激光雷達(dá)傳感器損壞情況，這些損壞情況在現(xiàn)實(shí)世界的部署中具有很高的發(fā)生概率。這些損壞情況也分為外部、內(nèi)部和傳感器故障三種情況。外部環(huán)境包括霧、濕地和雪，這些條件會(huì)導(dǎo)致激光雷達(dá)脈沖的背散射、衰減和反射。此外，激光雷達(dá)輸入可能會(huì)因不平坦的表面、灰塵或昆蟲(chóng)而損壞，這通常會(huì)導(dǎo)致干擾并導(dǎo)致運(yùn)動(dòng)模糊和光束缺失。最后，我們考慮了激光雷達(dá)內(nèi)部傳感器故障的情況，如串?dāng)_、可能的回聲不完整和跨傳感器場(chǎng)景。

多傳感器損壞。為了探索camera-激光雷達(dá)融合模型的魯棒性，設(shè)計(jì)了13種camera-激光雷達(dá)損壞組合，使用上述傳感器故障類(lèi)型分別或同時(shí)干擾camera和激光雷達(dá)輸入。這些多傳感器損壞被分為僅camera損壞、僅激光雷達(dá)損壞以及它們的組合，涵蓋了大多數(shù)現(xiàn)實(shí)場(chǎng)景。具體來(lái)說(shuō)，利用“干凈”的激光雷達(dá)點(diǎn)數(shù)據(jù)和三種camera故障情況（如不可用camera（所有RGB圖像的所有像素值都設(shè)置為零）、camera崩潰和幀丟失）設(shè)計(jì)了3種僅camera損壞情況。此外，利用“干凈”的camera數(shù)據(jù)和損壞的激光雷達(dá)數(shù)據(jù)作為輸入設(shè)計(jì)了4種僅激光雷達(dá)損壞情況。這包括完全激光雷達(dá)故障（由于沒(méi)有任何模型可以在所有點(diǎn)都缺失的情況下工作，通過(guò)僅保留一個(gè)點(diǎn)作為輸入來(lái)近似這種情況）、不完整回波、串?dāng)_和跨傳感器。請(qǐng)注意，對(duì)完全激光雷達(dá)故障的實(shí)現(xiàn)接近現(xiàn)實(shí)情況。最后，設(shè)計(jì)了6種camera-激光雷達(dá)損壞組合，使用之前提到的圖像/激光雷達(dá)傳感器故障類(lèi)型同時(shí)干擾兩個(gè)傳感器輸入。

2）Evaluation Metrics

基于mAP（平均精度均值）定義了兩個(gè)魯棒性評(píng)估指標(biāo)，mAP是矢量化高精地圖構(gòu)建中常用的準(zhǔn)確度指標(biāo)。

損壞誤差（CE）。將CE定義為主要指標(biāo)，用于比較模型的魯棒性。它衡量了候選模型相對(duì)于基準(zhǔn)模型的相對(duì)魯棒性。給定總共N種不同的損壞類(lèi)型，CE和mCE（平均損壞誤差）的分?jǐn)?shù)計(jì)算如下：

恢復(fù)率（RR）。將RR定義為相對(duì)魯棒性指標(biāo)，用于衡量模型在損壞集上評(píng)估時(shí)能夠保留多少準(zhǔn)確性，其計(jì)算方式如下：

實(shí)驗(yàn)分析

候選模型。MapBench總共包含了31個(gè)高精地圖構(gòu)建器及其變體，即HDMapNet 、VectorMapNet 、PivotNet 、BeMapNet 、MapTR 、MapTRv2 、StreamMapNet 和HIMap 。其他一些高精地圖方法的代碼不是開(kāi)源的，因此在本工作中不會(huì)考慮。

模型配置。在表1中報(bào)告了不同模型的基本信息，包括輸入模態(tài)、BEV編碼器、主干網(wǎng)絡(luò)、訓(xùn)練周期以及它們?cè)诠俜絥uScenes驗(yàn)證集上的性能。請(qǐng)注意，這里的僅激光雷達(dá)模型將時(shí)間聚合的激光雷達(dá)點(diǎn)作為輸入，因此它們?cè)凇案蓛簟睌?shù)據(jù)上的mAP遠(yuǎn)高于其他表格或圖表中的值，后者使用單次掃描的激光雷達(dá)點(diǎn)，以便與損壞數(shù)據(jù)進(jìn)行公平比較。

評(píng)估協(xié)議。為確保公平性，盡可能使用開(kāi)源代碼庫(kù)提供的官方模型配置和public checkpoints，或者按照默認(rèn)設(shè)置重新訓(xùn)練模型。此外，通過(guò)平均三個(gè)嚴(yán)重程度級(jí)別來(lái)報(bào)告每種損壞類(lèi)型的指標(biāo)。采用不同配置的MapTR （見(jiàn)表1）作為計(jì)算等式1中mCE指標(biāo)的基線(xiàn)，因?yàn)樗谧钚路椒ㄖ斜粡V泛采用。

1）純視覺(jué)基準(zhǔn)測(cè)試結(jié)果

在圖3（a）-（b）中展示了8個(gè)僅使用camera的高精地圖模型在camera傳感器損壞情況下的魯棒性。發(fā)現(xiàn)表明，現(xiàn)有的高精地圖模型在損壞場(chǎng)景下表現(xiàn)出不同程度的性能下降。總體來(lái)說(shuō)，損壞魯棒性與在“干凈”數(shù)據(jù)上的原始準(zhǔn)確度高度相關(guān)，因?yàn)闇?zhǔn)確度更高的模型（例如StreamMapNet 、HIMap ）也表現(xiàn)出更好的損壞魯棒性。我們進(jìn)一步在圖6中展示了僅使用camera的方法在不同損壞嚴(yán)重程度下的準(zhǔn)確度比較。

基于實(shí)證評(píng)估結(jié)果，得出以下幾個(gè)重要發(fā)現(xiàn)，可以總結(jié)如下：

1）在所有camera損壞情況中，雪對(duì)性能的影響最大，對(duì)駕駛安全構(gòu)成嚴(yán)重威脅。主要原因是雪會(huì)覆蓋道路，導(dǎo)致地圖元素?zé)o法識(shí)別。此外，幀丟失和camera崩潰對(duì)所有模型來(lái)說(shuō)也是一個(gè)挑戰(zhàn)，這顯示了camera傳感器故障對(duì)僅使用camera的模型構(gòu)成的嚴(yán)重威脅。

2）如圖3（a）-（b）所示，最魯棒的兩個(gè)模型是StreamMapNet 和HIMap 。盡管它們?cè)诟鞣Ncamera損壞情況下比其他研究的模型表現(xiàn)出更好的魯棒性，但現(xiàn)有模型的整體魯棒性仍然相對(duì)較低。具體來(lái)說(shuō)，mRR的范圍在40%到60%之間，而最佳模型HIMap 的mRR僅為56.6%。

2）純激光雷達(dá)基準(zhǔn)測(cè)試結(jié)果

在圖3（c）-（d）和圖6中報(bào)告了4個(gè)僅使用激光雷達(dá)的高精地圖構(gòu)建器的激光雷達(dá)傳感器損壞魯棒性。與僅使用camera的模型觀察結(jié)果類(lèi)似，在“干凈”數(shù)據(jù)集上準(zhǔn)確度更高的僅使用激光雷達(dá)的模型通常也表現(xiàn)出更好的損壞魯棒性。關(guān)鍵要點(diǎn)如下：

1）在所有損壞情況中，雪和跨傳感器損壞對(duì)性能的影響最大，對(duì)僅使用激光雷達(dá)的方法的魯棒性構(gòu)成嚴(yán)重威脅。更具體地說(shuō)，雪和跨傳感器損壞都導(dǎo)致所有僅使用激光雷達(dá)的方法性能下降超過(guò)80%。主要原因是雪會(huì)導(dǎo)致激光雷達(dá)數(shù)據(jù)中的激光脈沖反射。此外，跨傳感器損壞表明，由不同激光雷達(dá)配置/設(shè)備引起的域差異大大降低了性能。

2）大多數(shù)模型在不完整回波損壞下的性能下降可以忽略不計(jì)。這種損壞類(lèi)型主要影響來(lái)自深色車(chē)輛或物體的數(shù)據(jù)，而高精地圖構(gòu)建任務(wù)更關(guān)注靜態(tài)地圖元素。此外，盡管VectorMapNet 在mRR指標(biāo)上取得了最佳性能，但與HIMap 相比，在mAP方面并不遜色。

3）Camera-激光雷達(dá)融合基準(zhǔn)測(cè)試結(jié)果

為了系統(tǒng)地評(píng)估基于camera-激光雷達(dá)融合方法的可靠性，設(shè)計(jì)了13種多傳感器損壞類(lèi)型，這些損壞類(lèi)型分別或同時(shí)干擾camera和激光雷達(dá)輸入。結(jié)果如圖4所示。發(fā)現(xiàn)表明，camera-激光雷達(dá)融合模型在不同損壞組合下表現(xiàn)出不同程度的性能下降。

實(shí)驗(yàn)結(jié)果揭示了幾個(gè)有趣的發(fā)現(xiàn)，我們提供如下詳細(xì)分析：

1）在camera數(shù)據(jù)缺失的場(chǎng)景中，MapTR  和 HIMap  的mAP分別下降了40.0%和68.9%，對(duì)安全感知構(gòu)成了嚴(yán)重威脅。此外，幀丟失對(duì)基于傳感器融合方法的性能造成的影響比camera崩潰更為嚴(yán)重。這些觀察結(jié)果驗(yàn)證了camera傳感器故障對(duì)高精地圖融合模型構(gòu)成了重大威脅。

2）在激光雷達(dá)數(shù)據(jù)缺失的場(chǎng)景中，MapTR  和 HIMap  的mAP分別下降了42.1%和41.5%，這顯示了激光雷達(dá)傳感器的重要性。此外，激光雷達(dá)的串?dāng)_（Crosstalk）和跨傳感器損壞（Cross-Sensor corruptions）對(duì)camera-激光雷達(dá)融合的性能影響最大。相比之下，激光雷達(dá)的不完整回波損壞（Incomplete Echo corruption）對(duì)模型性能的影響不大，這與僅使用激光雷達(dá)配置下的觀察結(jié)果一致。

3）camera-激光雷達(dá)組合損壞導(dǎo)致的性能下降比其單模態(tài)對(duì)應(yīng)項(xiàng)更糟，這凸顯了camera和激光雷達(dá)傳感器故障對(duì)高精地圖構(gòu)建任務(wù)的嚴(yán)重威脅。此外，無(wú)論與哪種類(lèi)型的激光雷達(dá)損壞相結(jié)合，幀丟失（Frame Lost）對(duì)融合模型性能的影響都比camera崩潰（Camera Crash）更為顯著，這強(qiáng)調(diào)了camera傳感器多視角輸入的重要性。在三種激光雷達(dá)損壞類(lèi)型中，跨傳感器損壞對(duì)融合模型性能的影響最大。即使與各種類(lèi)型的camera損壞相結(jié)合，這種模式仍然保持一致，說(shuō)明了跨配置或跨設(shè)備激光雷達(dá)數(shù)據(jù)輸入構(gòu)成的嚴(yán)重威脅。在圖5中提供了一些在各種camera-激光雷達(dá)損壞組合下高精地圖構(gòu)建的定性示例，這些示例展示了在各種損壞下的性能下降。

值得注意的是，盡管HIMap 在“干凈”條件下的性能優(yōu)于MapTR ，但在損壞情況下，其魯棒性相對(duì)較差。這些觀察結(jié)果促使我們進(jìn)一步專(zhuān)注于增強(qiáng)camera-激光雷達(dá)融合方法的魯棒性，尤其是在一種傳感器模態(tài)缺失或camera和激光雷達(dá)都受損的情況下。

觀察與討論

主干網(wǎng)絡(luò)。首先全面研究了骨干網(wǎng)絡(luò)的影響，結(jié)果如表4所示。分別在PivotNet 和BeMapNet 中使用了三種不同的骨干網(wǎng)絡(luò)。結(jié)果顯示，Swin Transformer 顯著保留了模型的魯棒性。例如，與ResNet-50 相比，Swin Transformer 骨干網(wǎng)絡(luò)分別將PivotNet 和BeMapNet 的mCE提高了22.2%和24.1%的絕對(duì)增益。這些結(jié)果表明，較大的預(yù)訓(xùn)練模型往往有助于增強(qiáng)在域外數(shù)據(jù)下特征提取的魯棒性。

不同的BEV編碼器。研究了幾種流行的2D到BEV轉(zhuǎn)換方法，并在表2中展示了結(jié)果。具體來(lái)說(shuō)，為僅基于camera的MapTR 模型采用了BEVFormer 、BEVPool 和GKT 。結(jié)果顯示，MapTR 與各種2D到BEV方法兼容，并實(shí)現(xiàn)了穩(wěn)定的魯棒性性能。此外，BEVPool 的mRR結(jié)果不如BEVFormer 和GKT ，驗(yàn)證了基于Transformer的BEV編碼器在提高高精地圖模型魯棒性方面的有效性。GKT 實(shí)現(xiàn)了最佳的mCE，這可能是由于它同時(shí)集成了幾何和視角Transformer方法。

時(shí)間信息。研究了利用時(shí)間線(xiàn)索對(duì)高精地圖模型魯棒性的影響，并在表3中展示了結(jié)果。我們檢查了StreamMapNet 的兩個(gè)變體：一個(gè)包含時(shí)間融合模塊，另一個(gè)不包含。結(jié)果顯示，時(shí)間融合模塊可以顯著增強(qiáng)魯棒性。這里的mAP結(jié)果與表1不同，因?yàn)镾treamMapNet 是根據(jù)新的訓(xùn)練/驗(yàn)證集劃分默認(rèn)設(shè)置重新訓(xùn)練的，而表1中的結(jié)果則是使用舊的訓(xùn)練/驗(yàn)證集劃分獲得的。可以觀察到，帶有時(shí)間線(xiàn)索的模型在mRR和mCE指標(biāo)上分別獲得了8.4%和14.1%的絕對(duì)增益。這驗(yàn)證了時(shí)間融合可以在傳感器損壞的情況下提供額外的互補(bǔ)信息，從而增強(qiáng)對(duì)不同傳感器損壞的魯棒性。

訓(xùn)練周期。在這個(gè)設(shè)置中，我們研究了三個(gè)使用不同訓(xùn)練周期訓(xùn)練的高精地圖模型，結(jié)果如表5所示。可以觀察到，更多的訓(xùn)練周期可以顯著提高“干凈”集上的性能和對(duì)損壞的魯棒性。例如，使用更長(zhǎng)的訓(xùn)練計(jì)劃可以增強(qiáng)mCE指標(biāo)的魯棒性：MapTR （+19.1%）、PivotNet （+9.8%）和BeMapNet （+10.8%）。值得注意的是，隨著訓(xùn)練周期的延長(zhǎng)，這些模型在“干凈”集上的性能也有所提高，這表明延長(zhǎng)訓(xùn)練允許模型更好地學(xué)習(xí)數(shù)據(jù)集中的內(nèi)在模式，從而在損壞的數(shù)據(jù)上實(shí)現(xiàn)更好的泛化性能。

數(shù)據(jù)增強(qiáng)以提升損壞魯棒性。文章研究了各種數(shù)據(jù)增強(qiáng)技術(shù)對(duì)高精地圖模型魯棒性的影響。由于多模態(tài)數(shù)據(jù)增強(qiáng)仍然是一個(gè)開(kāi)放的問(wèn)題，這項(xiàng)工作專(zhuān)注于研究圖像和LiDAR數(shù)據(jù)增強(qiáng)技術(shù)的影響。這里研究了三種不同的圖像數(shù)據(jù)增強(qiáng)方法，即Rotate 、Flip 和PhotoMetric ，以及三種不同的基于LiDAR的數(shù)據(jù)增強(qiáng)方法，即Dropout 、RTS-LiDAR（針對(duì)LiDAR的旋轉(zhuǎn)-平移-縮放）和PolarMix 。

1. 對(duì)于基于相機(jī)的數(shù)據(jù)增強(qiáng)，選擇MapTR-R50 作為基線(xiàn)，并在表6中展示了結(jié)果。可以觀察到，圖像增強(qiáng)方法在“干凈”集上適度提高了模型性能。然而，它們并沒(méi)有一致地增強(qiáng)模型的魯棒性。例如，PhotoMetric 將魯棒性指標(biāo)mRR和mCE分別提高了8.2%和15.5%，而Rotate 和Flip 則削弱了魯棒性。這種差異可能源于PhotoMetric 對(duì)于某些類(lèi)型的損壞（如亮度和低光）起到了類(lèi)似于損壞增強(qiáng)的作用，與其他增強(qiáng)方法不同。
2. 對(duì)于基于LiDAR的數(shù)據(jù)增強(qiáng)，選擇MapTR-LiDAR 模型，因?yàn)樗谒袃H使用LiDAR的模型中具有優(yōu)越的魯棒性。不同LiDAR增強(qiáng)的結(jié)果如表7所示。我們觀察到，所有LiDAR增強(qiáng)技術(shù)都顯著提高了模型在“干凈”集上的性能。特別是，PolarMix 實(shí)現(xiàn)了3.0%的絕對(duì)性能提升。此外，所有LiDAR增強(qiáng)技術(shù)都有效地增強(qiáng)了模型的魯棒性，使Dropout 的絕對(duì)mCE值降低了1.1%，RTS-LiDAR 降低了6.0%，PolarMix 降低了6.5%。這些結(jié)果證明了LiDAR增強(qiáng)方法在提高僅使用LiDAR的高精地圖構(gòu)建方法的損壞魯棒性方面的有效性。