تتطلب أنظمة القيادة الذاتية خرائط معنوية عالية الدقة (HD) للملاحة في الطرق الحضرية. تقترب الحلول الحالية من مشكلة الخرائط المعنوية عن طريق التسمية اليدوية غير المباشرة، والتي تعاني من مشاكل جدية في القابلية للتوسع. تنتج الأساليب الحديثة القائمة على التعلم توقعات تقسيم كثيفة مرسومة لبناء الخرائط. ومع ذلك، لا تتضمن هذه التوقعات معلومات عن العناصر الفردية للخريطة وتتطلب معالجة ما بعد الاستدلال لاستخلاص الخرائط المتجهية. لمواجهة هذه التحديات، نقدم خط أنابيب تعلم الخرائط المتجهية عالية الدقة من النهاية إلى النهاية، والذي يُطلق عليه VectorMapNet. يستخدم VectorMapNet ملاحظات أجهزة الاستشعار الموجودة على متن السيارة ويتنبأ بمجموعة نادرة من الخطوط المتعددة في المنظر الطائر. يمكن لهذا الخط أن يُمثل العلاقة المكانية بين عناصر الخريطة بشكل صريح ويولد خرائط متجهية تكون سهلة الاستخدام في مهمات القيادة الذاتية اللاحقة. تظهر التجارب الواسعة أن VectorMapNet حقق أداءً قويًا في تعلم الخرائط على كل من مجموعة بيانات nuScenes و Argoverse2، متخطيًا أفضل الأساليب السابقة بمقدار 14.2 mAP و 14.6 mAP. بشكل نوعي، يمكن لـ VectorMapNet إنشاء خرائط شاملة وإلتقاط تفاصيل دقيقة للهندسة الطرقية. حسب علم us، يعد VectorMapNet أول عمل مصمم لتحقيق تعلم الخرائط المتجهية من النهاية إلى النهاية من خلال ملاحظات أجهزة الاستشعار الموجودة على متن السيارة. يمكن الوصول إلى موقع مشروعنا على الويب عبر الرابط:\url{https://tsinghua-mars-lab.github.io/vectormapnet/}.