你有没有在路口前被迫急刹，只因为导航还没来得及更新前方的临时施工？

　　你是否遇到过因地图未及时更新而错过出口、走错匝道、在拥堵中无奈掉头？

　　你是否在城市绕行时发现前方道路早已改成单向通行，而地图仍显示可以直行？

　　这些看似偶发的紧张瞬间，其实源于同一个问题：现实道路变化太快，而地图更新却总慢半拍。如今，这一难题正在被一种全新的地图生产能力所改变。百度地图 LD-VLG 端到端多模态地图生成大模型，通过自动理解道路、识别变化并生成最新车道级地图，成为真正意义上的“地图大脑”。

　　百度地图 LD-VLG 是如何做到让地图实时“保持新鲜”的？本文带你一探究竟！

　　01 “LD-VLG”是什么

　　面向高阶智能驾驶与车道级导航，地图数据生产经历了从“规则驱动的分段式 pipeline”到“端到端多模态大模型”的技术变革。LD-VLG（LD Vision-Language Map Generation Model）通过端到端的模型架构，实现了从数据采集到地图更新的全流程自动化。

　　LD-VLG 以海量的观测数据（图像、BEV、轨迹）和 LD 车道级地图为输入，经过3D 视觉重建前馈网络、多模态对齐融合、地图变化思维链推理、车道级地图更新生成等模型 module，直接输出满足制图规范的车道级矢量地图，大幅提升制图自动化率与更新时效，在丰富的场景下保持稳定泛化。　　

　　02 技术演进脉络

　　1.LD 地图数据生成与更新的核心任务

　　LD 地图的生成与更新可抽象为三个任务：

　　地图生成：从多源异构数据（如图像、点云、轨迹、BEV、卫星影像等）中，生成符合车道级精度要求的矢量地图要素，包括车道线、地面箭头等。

　　地图差分：对比现实世界与现有地图之间的差异，涵盖从道路级（如新增道路、道路封闭）到车道级（如占道施工、标线更新、拓扑关系变动）的各类变化。

　　地图修改：将地图要素的变化无损地融合到地图数据中，确保几何、拓扑与语义层面的一致性，维持地图数据的完整性、连通性、高精度。

　　2.技术发展阶段　　

　　阶段一｜规则驱动

　　方法：基于 CNN 卷积神经网络与规则算法，实现地图要素的识别、变化检测与融合。

　　流程：多源数据输入，经过一系列识别模型与规则模块，生成并更新地图。

　　优势：规则逻辑清晰，问题定位与修复路径明确。

　　局限：泛化能力差，难以应对多场景规模化的复杂性，存在长尾问题。

　　阶段二｜模型驱动

　　方法：利用规模化生产数据，将传统规则模块升级为专用深度学习模型，形成“子任务模型化”的解决方案。

　　基于 Transformer 的矢量生成模型，直接从资料中感知并预测矢量序列；

　　基于 Transformer 的变化检测模型，直接输出变化差分区域；

　　引入基于图神经网络的地图融合模型，解决新旧数据的拓扑对齐与冲突融合。

　　突破：自动化率与处理一致性显著提升。

　　局限：属于模仿学习范式，依赖高质量标注数据，且模块间信息传递存在损失，导致累积误差，难以实现全局最优。

　　阶段三｜多模态大模型

　　方法：将生成与变化检测模型整合升级为多模态大模型，能够同时处理图像、BEV、轨迹、点云、卫星影像与地图数据。

　　地图生成：利用跨模态统一表征直接生成矢量结果；

　　地图变化：引入大语言模型的推理能力，判别变化并生成决策依据。

　　突破：增强了跨模态信息融合与场景理解能力。

　　局限：系统仍是模块化拼接，非端到端；人为定义的模块接口制约了全局优化潜力。

　　阶段四｜端到端生成大模型

　　方法：构建 LD-VLG 端到端生成大模型，将 LD 地图生产全流程集成于一个端到端的神经网络中进行联合优化。

　　最终输出：更新后的车道级矢量地图。

　　过程监督：在训练阶段，通过多任务学习对矢量建图、拓扑构建、场景理解等关键过程任务进行监督，以增强模型收敛的可靠性与内部推理的可解释性。

　　突破：模型以前向计算完成复杂的地图更新决策，其端到端架构实现了从感知到输出的全局梯度优化。

　　优势：系统实现了极致的接口收敛，从根本上消除了模块间 loss 传播累积误差；基于统一表征进行多源信息融合与协同推理，做出高一致性、高可靠的自动化更新决策。

　　03 LD-VLG 模型架构

　　LD-VLG 端到端生成大模型构建了新一代地图数据生产的统一技术架构，实现从多源感知输入到地图生成的端到端，变革车道级地图数据的生产模式。　　

　　模型设计理念：通过 feedforward 3DGS 重建、多模态对齐、地图更新推理决策、结构化矢量地图生成与增量更新的一体化建模，端到端直接输出高质量的车道级地图数据。

　　V（3d Visual intelligence）：基于 feedforward 几何感知模型重建3D 场景，修正低质量采集资料，精准还原现实世界；

　　L（Language-based CoT）：基于结构化的思维链推理，理解车道级道路场景，差分 LD 地图数据的现势性变化；

　　G（map Generation）：基于预训练地图生成模型，生成更新后的 LD 地图数据；

　　Data Close-Loop：基于舱驾数据闭环，更新迭代地图数据和模型。

　　04 训练范式

　　LD-VLG 采用渐进式训练策略，系统性地构建并逐步强化其多模态理解、结构化生成、变化推理与增量更新的综合能力。

　　1.基座预训练：多模态编码与对齐能力奠基

　　目标：为模型奠定坚实的多模态理解与矢量化生成基础。

　　训练策略：

　　多模态对齐：通过对比学习与重建任务，使图像、矢量、轨迹、点云与地图在统一语义空间中实现对齐与互译。

　　结构化生成预训练：采用自回归方式，对矢量元素的 Token 化序列进行建模，构建强大的矢量化生成能力基座。

　　关键能力：预训练模型基座，具备高质量的矢量生成、深度估计与3D 空间感知等通用能力。

　　2.多任务微调：生成-变化-融合的协同优化

　　目标：将各分项能力注入统一框架，并对齐到“地图更新”这一终极任务。

　　训练任务：

　　变化推理训练：输入观测数据与地图，监督模型输出符合逻辑的变化发现决策 token，构建端到端的推理链条。

　　结构化生成与融合训练：联合监督矢量生成结果与地图融合指令，使模型学习输出可直接驱动地图更新的、几何与拓扑一致的结构化数据。

　　关键能力：具备直接输出更新后车道级矢量的核心能力。

　　3.强化学习与数据飞轮：策略对齐与持续演进

　　目标：精细化模型的更新决策策略，并建立自我演进的闭环。

　　训练机制：

　　多目标奖励模型：围绕几何精度、拓扑正确性、更新必要性与规范符合度构建综合奖励函数，通过强化学习使模型输出贴近专家偏好。

　　闭环数据飞轮：将线上推理的不确定案例、人工审核反馈等数据持续训练模型，优先用于训练低置信度与长尾场景样本，实现模型的持续优化与能力的稳健爬升。

　　关键能力：模型能力逐步提升，人工标注持续减少，自动化率超过90%。

　　05 成果与展望

　　LD-VLG 作为新一代车道级地图数据更新基座大模型，以3D 视觉重建、多模态融合、思维链推理、地图生成为核心技术路径，创新地将地图生成、地图变化和地图更新进行端到端一体化建模。模型直接输出更新后 LD 矢量地图，同时通过过程监督与一致性约束，确保了输出结果的高可靠性、可解释性与规模化维护能力。结合持续学习的数据飞轮，LD-VLG 为支撑车道级地图的鲜活、高精、高质量提供了坚实的技术基础。自 LD-VLG 部署应用以来，支撑全国360城市车道级数据生成，覆盖全国1300万公里道路，支撑百度地图成为第一家落地全域车道级导航/智驾的地图产品。

　　■ 落地案例

　　车道导向箭头：实时更新地面箭头识别易受道路磨损、车辆遮挡等干扰，结合地图数据+多张序列图像，分析地面箭头的构组，判别是否发生变化。　　

　　车道级施工：实时发现施工，自动化更新动态图层，牵引 LD 车道级地图全要素更新。　

　　路侧停车场：全国城市全域覆盖，导航到达点可推荐路侧停车位。　　

　　窄路：全国城市全域覆盖。