MapDistill：通过相机 - 激光雷达融合模型蒸馏提升高效基于相机的高清地图构建性能

在线高清（HD）地图构建是自动驾驶领域中一项重要且具有挑战性的任务。近年来，不依赖激光雷达（LiDAR）等其他传感器、具有成本效益的多视图相机方法受到了越来越多的关注。然而，这些方法缺乏明确的深度信息，因此需要使用大型模型才能实现令人满意的性能。为解决这一问题，我们首次将知识蒸馏（Knowledge Distillation，KD）思想应用于高效高清地图构建，并提出了一种基于知识蒸馏的新方法 ——MapDistill，该方法可将高性能相机 - 激光雷达融合模型的知识迁移到轻量级纯相机模型中。具体而言，我们采用teacher-student架构，即把相机 - 激光雷达融合模型作为教师模型，轻量级相机模型作为学生模型，并设计了双鸟瞰图（BEV）转换模块，以促进跨模态知识蒸馏，同时保持具有成本效益的纯相机部署方式。此外，我们提出了一套全面的蒸馏方案，包括跨模态关系蒸馏(cross-modal relation distillation)、双层次特征蒸馏(dual-level feature distillation)和地图头(map-head)蒸馏。该方法缓解了模态间知识迁移的难题，使学生模型能够学习到更优的特征表示，从而用于高清地图构建。在具有挑战性的 nuS