Les systèmes de conduite autonome nécessitent des cartes sémantiques à haute définition (HD) pour naviguer sur les routes urbaines. Les solutions existantes abordent le problème de la cartographie sémantique par une annotation manuelle hors ligne, ce qui pose des problèmes de scalabilité sérieux. Les méthodes récentes basées sur l'apprentissage produisent des prédictions de segmentation rasterisée dense pour construire des cartes. Cependant, ces prédictions ne comprennent pas d'informations d'instances pour chaque élément de carte et nécessitent un post-traitement heuristique pour obtenir des cartes vectorisées. Pour relever ces défis, nous introduisons un pipeline d'apprentissage de cartes vectorisées HD de bout en bout, appelé VectorMapNet. VectorMapNet prend en entrée les observations des capteurs embarqués et prédit un ensemble éparse de polygones dans une vue aérienne. Ce pipeline peut modéliser explicitement la relation spatiale entre les éléments de carte et générer des cartes vectorisées adaptées aux tâches de conduite autonome en aval. Des expériences approfondies montrent que VectorMapNet atteint des performances robustes en apprentissage de cartes sur les jeux de données nuScenes et Argoverse2, surpassant les méthodes précédentes state-of-the-art avec un gain de 14,2 mAP et 14,6 mAP respectivement. Qualitativement, VectorMapNet est capable de générer des cartes complètes et de capturer des détails fins de la géométrie routière. À notre connaissance, VectorMapNet est le premier travail conçu pour l'apprentissage vectoriel de bout en bout des cartes à partir d'observations embarquées. Notre site web du projet est disponible à l'adresse \url{https://tsinghua-mars-lab.github.io/vectormapnet/}.