ArgoTweak

ArgoTweak数据集是首个包含真实地图先验信息的数据集，旨在解决高精度地图更新问题。该数据集采用双向映射框架，将大规模修改分解为地图元素级的细粒度原子变化，确保可解释性。ArgoTweak数据集的核心是提供明确标注的先验信息，并使用双向变化映射框架进行地图元素级的标注，实现了对变化的精确检测和整合。该数据集可用于训练和评估先验信息集成方法，并可用于自动驾驶领域中的高精度地图更新。ArgoTweak数据集、基线模型、地图修改工具箱和其他资源可通过网站https://KTH-RPL.github.io/ArgoTweak/获取。

The ArgoTweak dataset is the first dataset incorporating real-world map prior information, designed to address the challenge of high-definition map updates. Adopting a bidirectional mapping framework, it decomposes large-scale map modifications into fine-grained atomic changes at the map element level, ensuring full interpretability. The core of ArgoTweak lies in providing explicitly annotated prior information, and using the bidirectional change mapping framework to perform map element-level annotations, enabling accurate detection and integration of map changes. This dataset can be used to train and evaluate prior information integration methods, as well as support high-definition map update tasks in the autonomous driving domain. The ArgoTweak dataset, baseline models, map modification toolbox, and other related resources are accessible at https://KTH-RPL.github.io/ArgoTweak/

原始信息汇总

ArgoTweak 数据集概述

数据集简介

ArgoTweak 是首个专为自更新高精地图（HD maps）设计的数据集，旨在弥合过时先验地图、实时传感器输入和准确地面实况地图标注之间的差距。该数据集基于 Argoverse 2 Map Change Detection Dataset 构建，首次系统评估了合成和真实场景下的 HD 地图更新。

核心特点

• 解释性先验辅助地图更新：通过双射映射框架，将大规模修改分解为地图元素级别的细粒度原子变化，确保可解释性。
• 多样化修改类型：涵盖插入、删除和拓扑变化等，捕获城市驾驶动态环境的真实复杂性。
• 结构化变更标注：每个变更均被分类为几何变化、插入等，并在元素级别进行标注。

数据集规模

• 训练场景：799 个现实训练场景（合成但高度可信的地图修改）。
• 验证场景：109 个现实验证场景（合成验证分割，允许显式评估 sim2real 差距）。
• 测试场景：111 个真实世界测试场景（包含从城市交通版本化 HD 地图中挖掘的真实变化）。
• 变更类型：6 种以上变更标注类型（几何、标记、插入、删除、拓扑、类型）。

统计信息

• 车道段：18027 个几何变更、19789 个标记变更、1384 个插入、2805 个删除、2549 个拓扑变更、7153 个类型变更。
• 人行横道：3920 个几何变更、4323 个标记变更、5923 个插入、1812 个删除、1363 个拓扑变更、5258 个类型变更。
• 级别统计：支持全局、帧和元素级别统计。

应用与贡献

• 支持自验证和自更新 HD 地图：通过集成先验信息，实现准确的变化检测和集成，同时高保真保留未更改元素。
• 解决 sim2real 差距：提供合成和真实世界场景，促进鲁棒模型训练和评估。
• 双射变更映射框架：确保每次更新可追踪和可解释，允许模型区分必须更改和应保持稳定的地图部分。

论文信息

• 会议：ICCV 2025
• 标题：ArgoTweak: Towards Self-Updating HD Maps through Structured Priors
• 作者：Lena Wild, Rafael Valencia, Patric Jensfelt
• 引用：@inproceedings{wild2025argotweak, title={ArgoTweak: Towards Self-Updating HD Maps through Structured Priors}, author={Lena Wild and Rafael Valencia and Patric Jensfelt}, booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)}, year={2025} }

访问与下载

• 数据集地址：https://KTH-RPL.github.io/ArgoTweak/
• 地图编辑器：支持交互式探索标注地图，查看复杂更新如何由简单结构化变化组成。
• 代码：即将发布

搜集汇总

数据集介绍

构建方式

ArgoTweak数据集通过构建双射映射框架系统性地整合了来自Argoverse 2地图变更数据集的高精度地图先验、当前传感器数据及最新地面实况地图。该框架将大规模地图结构更新分解为细粒度的原子级变更操作，包括几何形状调整、车道标记更新、类型修改及元素插入删除等，确保变更注释的精确性与可解释性。数据集的训练集通过人工引入符合真实道路变更模式的结枃化修改构建，测试集则基于真实世界先验数据并辅以精细化标注，有效避免了地理数据泄露问题。

特点

ArgoTweak作为首个包含真实地图先验的三元组数据集，其核心特点在于通过原子级变更注释体系实现高解释性。该体系将道路变更归类为形状、外观、功能、车道图拓扑及车道数量五类宏观修改，并建立其与底层原子操作的软双射映射关系。数据集提供全局、帧级与元素级多层次注释，支持变更感知的评估指标，能够区分模型在未变更区域与更新区域的性能表现。此外，数据集通过车道段合并与方向统一等优化提升了标注一致性。

使用方法

该数据集适用于高精地图自更新与先验集成研究，支持端到端地图生成模型的训练与评估。使用时需将先验地图编码为多模态输入，与传感器数据共同输入至基于LaneSegNet的基线网络架构。模型可配置不同解释性级别：无变更检测、二分类变更头或全原子变更头。评估需采用数据集提出的双指标框架，包括粗粒度变更检测准确率（mACC）与细粒度变更感知平均精度（mAPC），以分别衡量模型在稳定区域保持能力与变更区域响应能力。数据集提供了标准化工具链便于复现与比较。

背景与挑战

背景概述

ArgoTweak数据集由KTH皇家理工学院与TRATON集团于2025年联合推出，旨在解决高精地图（HD Map）自更新领域的关键问题。该数据集首次提供了先验地图、当前传感器数据与最新真值地图的三元组，填补了现有公开数据在结构化先验信息整合方面的空白。其核心研究聚焦于通过双射映射框架将大规模地图修改分解为元素级的原子变更，从而提升自动驾驶系统中地图更新的可解释性与准确性。该数据集的建立为自验证、自更新地图系统提供了标准化基准，显著推动了高精地图动态维护技术的研究进程。

当前挑战

ArgoTweak致力于解决高精地图动态更新中的两大挑战：其一，领域问题层面，需克服因环境遮挡、传感器噪声与地理变异导致的在线地图生成不稳定性，以及先验地图与实时数据融合时的语义一致性难题；其二，构建过程层面，需规避合成先验地图导致的仿真与现实差异（sim2real gap），并通过双射映射框架确保原子变更标注的唯一性与覆盖性，同时处理真实场景中先验地图稀缺性与标注一致性问题。

常用场景

经典使用场景

在自动驾驶高精地图动态更新领域，ArgoTweak数据集通过提供先验地图、实时传感器数据与最新真值地图的三元组，成为验证自更新地图算法的核心基准。其双射映射框架将宏观道路结构变化分解为车道几何调整、标记更新、元素插入删除等原子级操作，为模型提供可解释的变更标注，显著提升了变化检测与地图整合的精度。

实际应用

ArgoTweak直接应用于自动驾驶车队的地图实时验证与更新系统，使车辆能够动态比对先验地图与在线传感器数据，检测道路扩建、车道标记更新、功能变更等实际场景变化。其原子级变更标注为安全关键系统提供了透明化的决策依据，支撑了高精地图在复杂城市环境中的持续进化与可靠性保障。

衍生相关工作

该数据集催生了多项先验辅助地图生成的经典研究，如基于混合查询的PriorDrive模型、可解释元素更新的ExelMap框架，以及通用化先验集成方法M3TR。其评估指标mAPC与mACC已成为衡量地图更新稳定性与响应性的新标准，推动了结构化先验学习与仿真现实泛化能力的研究浪潮。