MapAgent: Een agentisch raamwerk van industriële kwaliteit voor kaartgeneratie op stads- en rijstrookniveau

Samenvatting

Lane-level kaarten vormen een cruciale infrastructuur voor autonoom rijden en navigatie op rijstrookniveau, maar het bouwen en onderhouden van gestandaardiseerde rijstrooknetwerken voor honderden steden blijft zeer arbeidsintensief. Recente end-to-end gevectoriseerde karteringsmethoden kunnen rijstrookgeometrie en -topologie direct uit sensorgegevens voorspellen, maar ze behandelen karteringsspecificaties en verkeersregels doorgaans als impliciete, datasetafhankelijke supervisie. Bovendien zijn in complexe scenario's (bijv. versleten of ontbrekende markeringen en occlusies) correcte rijstrookconfiguraties vaak onderbepaald op basis van alleen visuele aanwijzingen, waardoor specificatieschendingen een belangrijke bron van menselijke nabewerking vormen. We stellen MapAgent voor, een industriële agentische architectuur die een vectorisatie-backbone uitbreidt voor specificatieconforme productie van lane-level kaarten. In plaats van slechts een agent-lus toe te voegen aan kaartvoorspelling, koppelt MapAgent backbone-perceptie aan expliciete specificatieverificatie, constraintbewuste redenering en deterministische kaartbewerking onder een begrensde, verificatiegestuurde Rechter-Planner-Werker-lus. Een visueel-talige Rechter diagnosticeert fouten door gezamenlijk visuele aanwijzingen en conceptvectoren te inspecteren, terwijl een gereedschap-aanroepende Planner minimale corrigerende bewerkingen genereert met hervalidatie na bewerking. Om schaalbaar te blijven voor productie op stadsniveau, wordt MapAgent alleen selectief geactiveerd op tegels met lage backbone-vertrouwen, wat een bescheiden overhead toevoegt terwijl de doorvoer behouden blijft. Experimenten op real-world datasets laten consistente winst zien ten opzichte van sterke productiebaselines, vooral in complexe en langstaartscenario's. Daarnaast is MapAgent geïntegreerd in Baidu Maps, ter ondersteuning van de generatie van lane-level kaarten voor meer dan 360 steden landelijk, waardoor de algehele productieautomatisering is verhoogd tot meer dan 95%, wat de praktische bruikbaarheid en effectiviteit van MapAgent voor grootschalige generatie van lane-level kaarten aantoont.

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.