MapAgent : un cadre agentique de qualité industrielle pour la génération de cartes au niveau des voies à l'échelle de la ville

Résumé

Les cartes au niveau de la voie constituent une infrastructure essentielle pour la conduite autonome et la navigation à l'échelle de la voie. Pourtant, la construction et la maintenance de réseaux de voies standardisés pour des centaines de villes restent extrêmement exigeantes en main-d'œuvre. Les récentes méthodes de cartographie vectorisée de bout en bout permettent de prédire la géométrie et la topologie des voies directement à partir des données des capteurs, mais elles traitent généralement les spécifications de cartographie et les règles de circulation comme une supervision implicite dépendante des jeux de données. De plus, dans les scènes complexes (par exemple, marquages usés ou manquants, et occultations), les configurations correctes des voies sont souvent sous-déterminées par la seule preuve visuelle, ce qui fait des violations des spécifications une source majeure de post-édition humaine. Nous proposons MapAgent, une architecture agentique de qualité industrielle qui enrichit une architecture de vectorisation pour la production de cartes de voies conformes aux spécifications. Plutôt que de simplement ajouter une boucle agent à la prédiction de cartes, MapAgent associe la perception de l'architecture de base à une vérification explicite des spécifications, un raisonnement tenant compte des contraintes et une édition déterministe de la carte dans le cadre d'une boucle Juge-Planificateur-Travailleur pilotée par la vérification et bornée. Un juge vision-langage diagnostique les erreurs en inspectant conjointement les preuves visuelles et les vecteurs provisoires, tandis qu'un planificateur utilisant des outils génère des corrections minimales avec une re-validation post-édition. Pour rester scalable à l'échelle de la production urbaine, MapAgent n'est déclenché que sélectivement sur les tuiles présentant une faible confiance de l'architecture de base, ajoutant une surcharge modérée tout en préservant le débit. Les expériences sur des jeux de données réelles montrent des gains constants par rapport à des références de production solides, en particulier dans les scénarios complexes et à longue traîne. De plus, MapAgent a été intégré dans Baidu Maps, soutenant la génération de cartes au niveau de la voie pour plus de 360 villes à l'échelle nationale et portant le taux d'automatisation global de la production à plus de 95 %, démontrant ainsi la praticité et l'efficacité de MapAgent pour la génération de cartes de voies à grande échelle.

English

Lane-level maps are critical infrastructure for autonomous driving and lane-level navigation, yet constructing and maintaining standardized lane networks for hundreds of cities remains highly labor-intensive. Recent end-to-end vectorized mapping methods can predict lane geometry and topology directly from sensor data, but they typically treat mapping specifications and traffic regulations as implicit, dataset-dependent supervision. Moreover, in complex scenes (e.g., worn or missing markings and occlusions), correct lane configurations are often under-determined by visual evidence alone, making specification violations a major source of human post-editing. We propose MapAgent, an industrial-grade agentic architecture that augments a vectorization backbone for specification-compliant lane-map production. Rather than merely adding an agent loop to map prediction, MapAgent couples backbone perception with explicit specification verification, constraint-aware reasoning, and deterministic map editing under a bounded, verification-driven Judge-Planner-Worker loop. A vision-language Judge diagnoses errors by jointly inspecting visual evidence and draft vectors, while a tool-calling Planner generates minimal corrective edits with post-edit re-validation. To remain scalable for city-scale production, MapAgent is selectively triggered only on tiles with low backbone confidence, adding modest overhead while preserving throughput. Experiments on real-world datasets show consistent gains over strong production baselines, especially in complex and long-tail scenarios. Additionally, MapAgent has been integrated into Baidu Maps, supporting lane-level map generation for over 360 cities nationwide and elevating the overall production automation to over 95%, demonstrating MapAgent's practicality and effectiveness for large-scale lane-level map generation.