MapAgent: Um Framework Agêntico de Nível Industrial para Geração de Mapas de Faixa em Escala Urbana

Resumo

Mapas de nível de faixa são infraestruturas críticas para direção autônoma e navegação em nível de faixa, mas construir e manter redes de faixas padronizadas para centenas de cidades ainda é altamente intensivo em mão de obra. Métodos recentes de mapeamento vetorizado de ponta a ponta conseguem prever a geometria e a topologia das faixas diretamente a partir de dados de sensores, mas normalmente tratam as especificações de mapeamento e as regulamentações de trânsito como supervisão implícita e dependente do conjunto de dados. Além disso, em cenas complexas (por exemplo, marcações desgastadas ou ausentes e oclusões), as configurações corretas das faixas são frequentemente subdeterminadas apenas pelas evidências visuais, tornando as violações de especificação uma das principais fontes de pós-edição humana. Propomos o MapAgent, uma arquitetura agêntica de nível industrial que amplia uma espinha dorsal de vetorização para a produção de mapas de faixa em conformidade com as especificações. Em vez de apenas adicionar um loop de agente à previsão do mapa, o MapAgent combina a percepção da espinha dorsal com verificação explícita de especificações, raciocínio sensível a restrições e edição determinística de mapas sob um loop delimitado e orientado por verificação, composto por Juiz-Planejador-Trabalhador. Um Juiz de visão-linguagem diagnostica erros inspecionando conjuntamente as evidências visuais e os vetores do rascunho, enquanto um Planejador que invoca ferramentas gera correções mínimas editadas, com revalidação posterior à edição. Para permanecer escalável na produção em escala urbana, o MapAgent é acionado seletivamente apenas em tiles com baixa confiança da espinha dorsal, adicionando uma sobrecarga modesta enquanto mantém a taxa de transferência. Experimentos em conjuntos de dados reais mostram ganhos consistentes em relação a benchmarks de produção robustos, especialmente em cenários complexos e de cauda longa. Além disso, o MapAgent foi integrado ao Baidu Maps, apoiando a geração de mapas de nível de faixa para mais de 360 cidades em todo o país e elevando a automação geral da produção para mais de 95%, demonstrando a praticidade e a eficácia do MapAgent para geração de mapas de nível de faixa em grande escala.

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.