LiteMapNet：一种轻量级的在线高精度地图绘制技术，采用注意力机制进行头部神经网络剪枝

《Annals of the New York Academy of Sciences》：LiteMapNet: Lightweight Online High-Definition Mapping With Attention Head Pruning

LiteMapNet提出基于轻量级Transformer的在线HD地图构建框架，通过两阶段结构化注意力头剪枝减少计算量，在nuScenes和Argoverse 2数据集上实现1.5倍加速，精度损失低于1%。

　　

摘要

高清晰度（HD）地图为自动驾驶中的感知和规划提供了精确的几何先验；然而，现有的在线HD地图构建模型通常计算要求较高，这限制了它们在资源有限的车内平台上的实时部署。为了解决这个问题，我们提出了LiteMapNet，这是一个基于Transformer的轻量级框架，通过消除自注意力（self-attention）和交叉注意力（cross-attention）模块中的冗余来加速在线HD地图的构建。LiteMapNet采用了一个训练后的两阶段结构化注意力头剪枝流程。在第一阶段，我们使用Fisher信息矩阵来估计注意力头的重要性，并在指定的计算和延迟预算下剪除对地图精度影响最小的冗余头。在第二阶段，我们引入了可学习的连续掩码变量，并通过轻量级校准来优化它们，从而在提高稳定性和泛化能力的同时不增加额外的推理时间开销。在nuScenes和Argoverse 2上的实验表明，LiteMapNet仅使用一个小规模的校准集就大幅降低了计算成本和浮点运算量。与未剪枝的MapQR基线相比，LiteMapNet在4× NVIDIA H100 GPU服务器上的推理速度提升了1.5倍，使得在线HD地图模型能够在资源有限的环境中高效部署。

图形摘要

本文提出了LiteMapNet，一个用于在线高精度地图构建的轻量级框架。我们引入了一种训练后的两阶段结构化注意力头剪枝策略，用于自注意力和交叉注意力。该方法减少了浮点运算（FLOPs）和开销，同时将精度损失控制在1%以下，并实现了高达1.5倍的推理速度提升。这项工作为自动驾驶中的在线高精度地图生成提供了一个有效的、以部署为导向的解决方案。

利益冲突

作者声明他们没有利益冲突。

数据可用性声明

支持本研究结果的数据来自两个公开可用的自动驾驶数据集，可以从它们的官方网站获取。

同行评审

为了保证透明度，与本文相关的同行评审文件可在https://doi.org/10.1111/nyas.70261获取。

第三轮评审
编辑决定函	2026/02/27
编辑1的建议	2026/02/27
第二轮评审
编辑决定函	2026/02/12
编辑1的建议	2026/02/12
评审员2的报告	2026/02/12
评审员1的报告	2026/02/11
第一轮评审
编辑决定函	2026/01/31
编辑1的建议	2026/01/31
评审员1的报告	2026/01/31
评审员2的报告	2026/01/27