高精地图与自动驾驶（上）

高精地图与自动驾驶（上）

前言

自动驾驶的主要功能包含三个关键环节：视觉感知系统用于采集环境信息并进行图像识别；决策规划模块负责根据实时数据生成合理的行驶指令；运动控制装置则根据信号协调各驱动单元完成车辆移动。这一过程与日常步行上班或上学时的行为模式相仿：通过视觉感知设备捕捉环境信息，并将这些数据发送至大脑处理；随后确定当前位置及前进方向，并协调腿部动作执行移动。

在自动驾驶系统中，感知主要承担两个核心任务：一是识别周围物体的存在与形态特征；二是确定自身位置与运动状态。由于车辆不具备直接感知能力，在这一领域需要我们模拟视觉感受能力来构建环境认知体系。该系统通常由摄像头、雷达（包括毫米波雷达、超声波雷达和激光雷达）等多套传感器协同工作形成

说明

在这些传感器的协同作用下, 感知系统就能掌握周围环境中的各种物体信息, 如车、人等物体及其分布情况。当将这些数据传递给决策系统后, 决策系统通过算法处理后就能完成对车辆行驶状态的判断, 包括是否允许车辆通行以及最大行驶速度是多少, 并将相应的控制指令发送至行车控制系统中。

在特定场景下,该感知系统会直接传递数据至行车控制系统,这一技术主要用于实现自动紧急制动功能,从而能迅速识别并应对突发情况。

然而存在一个问题，在行走过程中了解如何前进这一过程并非易事。在这一过程中因为你在路线上有充分的了解所以大脑中形成了清晰的地图模型从而能够预判下一步行动路径。相比之下在车辆导航中虽然也具备一定的感知能力但由于其依赖于严格的程序运行机制无法像人类一样具备自主的学习与推理能力因此在遇到新的道路情况时往往会出现偏差或者需要重新规划路线这就好比一个人第一次进入一个未知的城市。

这时候，就需要定位和地图了。

在自动驾驶系统中，在线车辆定位扮演着至关重要的角色。所有工作环节都离不开这一技术支撑。借助GPS（卫星定位系统）、IMU（惯性测量装置）以及车轮测距仪等多种手段，在线车辆不仅可以准确掌握自己的位置信息及运动参数

此时

这一套完整的自动驾驶流程，在最佳情况下完全能够确保车辆带着你安全地抵达任何地点。

但令人惋惜的是，在基于当前技术水平的情况下，在完全实现"完美状态"方面仍存在较大差距。具体而言，在车辆的感知与定位系统上目前还远未能达到人类水平：它不仅无法识别路面上的所有相关信息，并且难以完全消除外界环境的影响。

比如，在市中心这样一个地方

另外一种情况是在雨雪天气条件下，在路面被积雪或积水覆盖的情况下（or: 在这种情况下），车辆难以通过环境感知系统实现对车道的判别（or: 实现），这可能成为导致事故征候的一个因素（or: 这一现象可能）。

再者而言，在现有的感知系统中存在着明显的识别缺陷，在高速行驶过程中若未能正确识别诸如坑洞、减速带以及路肩等潜在障碍物，则可能会导致严重后果

在高速公路上行驶时

或者，在高速上下匝道时

有时候会遇到左右分道行驶的车道段

如果仅仅依靠导航地图以及环境感知装置

可能会导致车辆频繁变换车道的情况发生

在当前的技术环境下,想要达到L3级以上自动驾驶目标,就必须确保高精度地图发挥关键作用

高精地图也就是具有极高的空间分辨率的地图通常而言其精度可达到分米级水平但仅仅是在精度上它在数据维度上同样更为丰富

本文将阐述高精度地图的概念与内涵。进一步探讨其在自动驾驶技术中的应用价值，并分析构建过程的技术要点及实施路径。同时，文章还将深入研究当前开发面临的技术难题及未来优化方向。

一、什么是高精地图？

在讲什么是高精地图之前，先来了解一下高精地图与自动驾驶的关系。

一个存在的问题是，在同一品牌内部实现自动驾驶的时间安排上仍存在一些分歧。当然这也能够被理解，在新兴的技术领域中变化较多。

根据美国汽车工程师学会（SAE International）的分类标准, 自动驾驶系统被划分为五个等级级制（即L1至L5）。其中最典型的案例是在高速公路上被实时监控并执行自动驾驶功能。

在这一层面来看, 行业普遍认为, L3及以上等级必须支持高精度地图, 而在辅助驾驶阶段低于L3等级时, 则无需对高精度地图施加任何需求. 比如市场上一些具备自动驾驶功能的车型通常依赖摄像头、毫米波雷达等传感器来实现一定程度的自动巡航功能.

1、定义

回到高精地图本身这一名称的提法本身就不是很严谨。比如，在讨论导航地图时，很难将其称为"低精地图"。

实际上源自国外的一个术语

有些人将其命名为HAD Map，并将其直译为 highly automated driving map。然而这一名称并不十分严谨, 因为难以确定高度自动驾驶始于 L3 还是 L4 级别。

而德文对应的名称是：hoch genaue Karte，意为高可信度地图。

命名的方法就那么多。可知在提升精地图的过程中这一概念并非空谈,因此有必要对高精地图进行明确的定义

高精度地理信息系统底图为自动驾驶技术提供支持，在这一领域具有重要应用价值。其标准名称应为"自动驾驶地图"。与常见的导航图、政区分布图及地形地貌示意图类似，在这一领域同样关注着特定的主题内容或功能定位。

2、内容构成

高精地图本质上是构建了一个自动驾驶场景的数据模型。车辆在实现自动驾驶的过程中需要对周围的信息进行持续感知与处理，在此过程中需要完成以下几项核心功能：

· 移动物体：行人、车辆；

· 互联设施：V2V、V2X等通信设施；

高精度动态驾驶环境：是否存在交通拥堵情况？有哪些区域正在进行施工？发生过哪些交通事故？有哪些路段实施了交通管制措施？哪些区域存在雨雪天气影响？

· 最底层的静态高精地图，也是目前阶段业界工作的重点。

其中包含了许多关键要素如车道建模信息、静态物体标注以及道路属性信息等其他要素：

车道模型的主要功能是指导或导航车辆从A地至B地；该模型涵盖了关于车道详细结构及其间的连接网络。

涉及的对象包括路面区域以及路沿区域及其上空的各种物品。具体而言，这些对象涵盖标志标牌（标识牌）、路面标志（路标）、龙门架（立架）、桥梁、旗杆和标牌等。

· 道路属性则包括如导航图关联关系、GPS信号失锁区域等等信息。

现有的高精度地图代表主要是矢量高精地图这一技术体系，并且有些新型企业也将其称为语义地图。具体内容主要包括

在车道模型中包含有若干个关键细节信息必须被纳入高精度地图的数据内容如包含有车道中心线分道线变道标志点等基本要素并涉及道路断面分隔带以及车行道分隔设施

例如，在车道变换的关键属性点上,车辆能够利用传感器采集相关信息,并通过比对交通图谱明确识别自身的具体位置。同时,在规划行驶路线时,车辆具备判断并线位置的能力。

为了方便计算道路连接关系，还会将道路分成多个组（Sections）。

车道模型还涵盖车道之间的连接关系。具体而言，在规划行驶路线时，车辆必须经历哪些 lane切换才能完成行程。

高精度的地图中包含一些几何特性，在道路设计中主要涉及曲线程度、行驶方向以及倾斜角度等参数，并且还包含了横向坡度这一重要指标。这些参数有助于控制车辆实现转弯与变速操作。

高精地图中还包含很多的定位对象（Object）用于实现车辆自定位。

自动驾驶车辆自定位的主要方法是通过车载传感器检测各类固定障碍物，并将其与地图上的对应物进行匹配（Map matching）。匹配完成后，车辆就能确定自身在道路行驶中的精确位置和方向。

除此之外还有一些特殊的地物包括斑马线、停止线以及红绿灯等它们分别位于不同的路口并且影响着行驶的方向为了使数据能够包含这些关键信息自动驾驶系统必须记录下这些关联关系以便自动驾驶车辆在此处能够做出合理的判断

随着自动驾驶技术的发展, 导航地图依旧存在, 并且可能会变得更加便捷。

例如一名用户搭乘一辆无人驾驶汽车前往某个目的地那么导航系统负责规划一条行车路径并将其发送给自动驾驶系统该系统通过调用高精度地图数据后处理生成一个优化后的行驶路线图实现从A地到B地的过程包括判断在哪些区域需要调整车道以及在哪些区域需要切换匝道

因此，在构建位置信息网络与路径数据图之间的联系时，则可使自动驾驶技术与传统导航系统相辅相成。

3、高精地图的形态、部件和业界进度

在高精地图的 initial 阶段，在行业内有着一个非常关键的组织NDS协会致力于制定导航地图的数据标准

自2012年间起,NDS组织也首次提出自动驾驶地图的概念.按照NDS的标准,自动驾驶地图更倾向于采用矢量地图的形式.

由于传感器的应用范围不断扩大且成本显著降低，并非仅限于单一类型而呈现出多样化的特性；伴随新兴技术的发展，例如深度学习技术的应用不断推进着自动驾驶地图向着更加复杂多样的方向演进。

这里面最典型的当然是Google, 其自动驾驶技术无疑是领先地位的. 但是Google对外界的披露信息极为有限, Google无人车的前行者Chris Urmson在2015年的一场公开演讲中所展示的内容透露了其在自动驾驶地图上的局部细节.

通过观察可以看出，在道路两侧设置了黑色方框来标识静止物体；而对行人则使用蓝色方框进行标注；对于移动中的车辆，则采用紫色方框进行标注；而中间部分橙色的圈状线则是多线激光雷达产生的原始激光点阵列。

过去它采用的是Velodyne公司的64-channel激光雷达系统；后来经过改进开发出一套基于低成本制造技术的激光雷达系统。

可以看出，在Google的自动驾驶地图中存在车道模型这一要素，并且对车道线与人行道均进行了标注。显然在各类自动驾驶地图上都进行了尝试，并融合了不同解决方案。不仅限于仅利用激光雷达的占位图与反射率图这两种手段，在此之外还采用了矢量数据作为辅助手段。

NDS的成员认为，并非仅仅依靠个人能力就能完成任务。通过团队协作与创新思维，在项目实施过程中不断优化解决方案。在技术细节上更是精益求精，在设计阶段就充分考虑到了各种可能性，并在实际应用中不断完善系统性能。

在CES 2016大会上展示时,Mobileye表示其该技术通过摄像头传感器不仅能够实时生成并记录道路信息(Roadbook),还能让车辆实现基于这些数据的自动驾驶功能.

先前Mobileye宣布与HERE地图合作；我们认为主要原因是我们推测自动驾驶地图目前还无法完全自动化生成；因此仍需大量人工参与协助完成；此外摄像头本身存在一些不足之处；例如容易受到遮挡影响；同时多次采集难以实现足够大的覆盖范围。

包含该地图中的道路边缘线、车道中心线以及车道边缘线，并以白色背景红色圆形标记的形式标识静态物体。

除了高质量的矢量地图之外，还有定位网格图可供使用。这些包括基于激光雷达占据位置的图像、完整的反射率分布图以及DEM（Digital Elevation Model）数据等。

DEM图可以通过利用传感器采集了周边环境数据并与原始数据进行比较分析生成而成，在这种情况下不考虑表面反射率仅依据高度信息构建地形模型。

其工作原理基于：激光雷达通过扫描物体制取其反射率数据。由于材质差异导致不同种类的反射数据，并可据此预先生成定位层次。在动态环境中持续采集周围区域的数据，并将其与预先生成的参考反射率图进行对比匹配。

The occupancy grid model, despite its name, is relatively simple. To begin with, it requires determining where the ground plane is located and marking out the areas that are elevated above this plane.

在定位栅格图领域中，来自欧洲的图商Tomtom被视为一个具有代表性的重要参与者。此前两年间，Tomtom推出了RoadDNA系统，在该系统中采用了矢量车道模型来描绘道路信息；然而，在具体实现中，并未采用基于矢量Object的位置识别方法。

Tomtom的方法无需识别路侧具体物体的身份而将它们视为一种纹理，在利用激光雷达进行数据采集的过程中能够计算出这些物体与车辆之间的距离，并能从参考线到路侧障碍物的距离正射到参考线（比如说最左车道左侧的道路边界线），然后利用灰度值表示距离生成用于定位的道路栅格图。

对于地物较为稀疏的区域而言，在这种情况下该方法具有显著的优势；然而基于激光雷达的低成本实现则需要依赖于特定的技术手段。

博世推出了基于毫米波雷达的自定位解决方案。由于毫米波具备低成本、高可靠性和高效的安装效率等显著优势特性，在此背景下，在此背景下基于毫米波雷达的自定位方案有望提前于激光雷达方案进入市场应用。

2015年开发了一项基于摄像头的定位技术——"道路指纹"。该技术旨在探索高精度定位的核心原理以及多种定位方案。

对获取到的地面图像进行正交处理，并存储这些纹理特征。当车辆再次拍摄同一场景时，通过相同的算法生成当前场景的正交图，并将其与之前存储的标准图进行对比分析。

4、高精地图与导航地图的差别

从内容与形态两方面来看，在高精地图与导航地图之间存在显著差异，并且这些差异具体表现为以下几个方面

人们常常会疑问高精地图的容量是否有可能变得非常大？实际上，并非如此。其容量不会随之扩大，并且始终严格低于导航地图的范围。

从道路模型的角度来看，在导航地图中仅存在一条线；而当升级至高精度地图时，则演变为车道级别的细节。但值得注意的是，在导航地图中还包含大量诸如POI（关键点）、名称、水系和绿地等信息。

遵循NDS的相关规定，航空图像与卫星图像已整合至导航地图中。仅就矢量数据部分而言，在体积上具有显著优势。