自动驾驶TPM技术杂谈 ———— 高精度地图
文章目录
-
概述
-
高精度地图
-
- 分层架构
- 价值体现
-
关键技术
-
道路要素图像处理
-
激光雷达点云处理
-
点云特征提取
- 点云法向量计算
- 点云配准算法实现
- 点云分割方法优化
-
同步定位与地图构建
-
高精度地图云端服务体系
-
-
解决方案
-
-
高精度地图采集
-
- 数据模型
-
高精度地图制作和编译
-
- 数据处理
- 编译及格式规范
-
- NDS
-
OpenDRIVE
-
-
-
高精度地图的质量控制及发布流程
-
- 质量控制流程
-
- 外业数据采集的初步质量核验
-
内业数据制作的精密度检验
-
产品化的质量把关
* 数据质量标准 * 地图引擎与发布
概述
汽车定位技术是让汽车知道自身确切位置的技术。准确可靠的汽车位置和姿态等定位信息是实现自动驾驶汽车导航功能的前提和基础。自动驾驶汽车要求定位系统能准确、实时感知自身在全局环境中的相对位置且定位精度达到厘米级，同时对定位技术的可靠性和安全提出了更高的要求。采用普通导航地图、卫星地位及基站定位等现有的定位方案无法满足自动驾驶对于定位技术的要求。因此，多种感知技术与定位技术的融合定位成为了自动驾驶定位技术的发展趋势。
高精度地图是用于自动驾驶的专用地图，由含有语义信息的车道模型、道路部件、道路属性等矢量信息，以及用于多传感器定位的特征图层构成。在高精地图的辅助下，自车更容易判断自身位置、可行驶区域、目标类型、行驶方向、前车相对距离、感知红绿灯状态以及形式车道等信息。另外，还能通过超视距的感知能力，辅助汽车预先感知坡度、曲率、航向等路面复杂信息，再结合路径规划算法，让汽车做出正确决策。
汽车定位技术的方案越来越多，由不同类型传感器组成的定位系统也变化多样，按照技术原理的区分来看，可将汽车定位技术分为三种：
1. 基于信号的定位：采用飞行时间测距法（Time of Flight，TOF）获取汽车与卫星间的距离，然后使用三球定位远离得到汽车空间的绝对位置。典型的代表是GNSS、GPS、北斗等。
2. 轨迹递推（Dead Reckoning，DR），依靠加速计、陀螺仪、里程计等，根据上一刻汽车的位置和航向递推出当前时刻汽车的位置和航向。
3. 地图匹配（Map Matching，MP），用激光雷达或摄像头采集到的数据特征匹配高精度地图中存储的特征，得到实时的汽车位姿。
无线通信辅助汽车定位借助的是V2X车联网技术，V2X技术可以使车车和车路更好的进行协同，并可以通过相应的技术优化，提升自动驾驶定位精度，改善通行效率，保障交通安全。另外，在卫星定位无法正常使用的特定区域（如地下停车场），可采用WIFI、RFID、超宽带、可见光等专用短程通信技术实现汽车室内定位。
高精度地图
高精度地图也被称作高分辨率地图（High Definition Map, HD Map）或高度自动驾驶用图（Highly Automated Map, HAD Map）。相比普通导航地图而言，在功能定位上存在显著差异：主要面向支持无人驾驶汽车的场景应用，并利用一套独特的定位导航技术弥补其在感知能力上的局限性，并增强了传感器的检测能力范围。
分层架构
高精度地图在精度和数据维度上均优于普通导航地图。其精确度体现在地图可达到厘米级别的细节展示能力；其数据维度广度体现在地图信息不仅包括道路要素还涵盖了与交通活动相关的静态环境要素。该系统由静态数据层和动态数据层两大类构成。静态数据层主要包含道路网络、车道划分以及交通设施等图件要素；动态数据层则包括实时交通状况更新以及相关的交通事件记录等内容。架构如图所示
高精度地图作为普通导航地图的一种延伸，在精度等级、适用范围以及更新频率等方面具有显著差异。
具体而言：
- 在精度等级上进行区分时发现，在道路级别的基础信息上（如道路等级、几何形状等），高精度地图在此基础上增加了车道线类型及宽度等细节描述，并且还包括了护栏设施、路沿设施以及各类交通标识物等丰富的内容。
- 在适用对象方面，在功能定位上也存在明显差异——普通导航地图主要服务于驾驶员的日常通勤需求；相比之下，高精度地图则更多地应用于智能交通管理系统中的控制单元。
- 对于静态数据而言，在更新频率上存在显著差异——普通导航地图通常以季度或年度为周期进行更新维护；而对于动态数据，则仅要求车道级别的路况变化即可满足需求。
- 在时效性要求上也呈现出不同的特点——对于静态数据而言，在更新频率上存在显著差异——
价值体现
高精度地图作为自动驾驶的关键资源和必要组成部分，在车辆行驶过程中发挥着重要作用，并满足实时路径规划导航、辅助环境感知、驾驶决策辅助以及智能汽车控制的需求。其主要功能如下：
关键技术
道路元素图像处理
高精度地图制作依赖图像处理技术来识别道路上的道路元素，并通过这些信息实现语义标注过程。通常情况下，所涉及的道路元素主要包括交通标志牌、红绿灯指示、车道线以及隔离带等要素。在识别阶段之前，在环境因素的影响下可能会引入噪声或者导致图像失真现象出现。因此，在开始处理之前必须对图像执行降噪和平滑等预处理操作以提升后续工作的准确性与可靠性。随后通过分析这些道路元素的颜色位置与尺寸等因素提取其特征信息接着利用这些特征数据来进行识别分类工作从而完成语义标注任务整个流程大致如下所述：
1. 图像采集：利用工具设备获取现实道路场景下的图像样本，并构建相应的图像数据库；
2. 图像预处理：对原始数据集执行扩展处理，并对其进行标注标注工作以增强后续深度学习训练的效果；
3. 图像分割：将待分割图像分解为若干具有特征区域并识别关注目标的过程；
4. 边缘检测：通过计算方法识别亮度突变显著的像素点集合；
5. 图像细化：实施线条细节压缩至单像素级别的过程；
6. 特征提取：通过深度学习模型在指定卷积层提取特征信息的过程；
7. 参数计算：各参数设置直接影响最终模型性能及计算效率的相关因素包括步长设置、填充策略、卷积核尺寸以及池化层配置等；
8. 图象识别：通过深度学习训练模型完成待识别物体特征提取，并实现物体分类及准确率评估功能。
高精度地图生产过程中对道路元素识别效率要求较高的同时必须保证较高的识别准确率为了实现两者的平衡目前主流采用基于深度学习算法的道路元素自动识别系统（典型算法包括Fast R-CNNFaster-RCNNR-FCNHOEMLMask R-CNNSqueezeNetYOLO V3等）
激光点云处理
在高精地图制作的过程中, 激光点云的常见做法是: 通过激光雷达扫描获取激光点云数据, 然后建立三维道路环境模型, 并在此模型的基础上提取和识别道路要素特征, 最终生成高精度的空间分布图. 此外, 其处理后的结果可与图像数据进行空间映射或信息融合, 从而得到更加丰富彩色的空间分布图. 不同厂商在具体实施时通常会采用不同的技术路线, 因此，在具体实施时通常会采用不同的技术路线.
点云特征提取
激光雷达获取的原始数据以激光点云文件形式进行存储。一般来说，点云文件中只包含物体表面的离散点集、法向量、颜色或标签等基本信息，缺少物体的曲面、体积以及各顶点之间的几何拓扑信息。此外，点云文件中存在噪声，具有散乱、重复以及量大的特点。为了实现更好的描述道路环境的几何特征，需要对点集进行特征提取。提取得到的点特征所表示的特征向量具有平移旋转不变性、抗密度干扰性以及抗噪声稳定性等特点。其中，抗密度干扰性表示一个局部表面小块的采样密度的变化不会影响特征向量值，抗噪声稳定性表示在数据有轻微噪声的条件下，点特征表示的特征向量不会发生较大的变化。激光点云特征按照空间尺度分为局部特征和全局特征两种类型。局部特征一般包括法线、点特征直方图（Point Feature Histogram，PFH）、快速点特征直方图（Fast Point Feature Histogram，FPFH）、方位直方图特征（Signature of Histogram of Orientation，SHOT）和3D形状描述子等几何形状特征描述。全局特征一般为拓扑特征描述，这类特征描述一般难以捕捉细节的细微变化且对物体遮挡敏感。
点云法向量
三维扫描获取的初始采样点集仅记录了各采样点的空间三维坐标。然而这些坐标之间缺乏关联且未包含特征信息。在激光雷达数据处理中法向量被视为重要的局部特征属性能够有效描述散乱分布的激光雷达数据并为其后续处理提供基础支持。shot特征与其他许多特征描述子均依赖于激光点云法向量来提取其相关参数。此外基于法向量的方法还被广泛应用于数据分割聚类重建等多个关键环节之中。计算方法上可采用以下两种方案：第一种是通过曲面重建技术从原始数据中生成曲面模型然后在此模型上计算表面法向量；第二种则是直接基于原始数据集估计出合理的法向量分布。
点云配准
在激光雷达数据采集过程中
粗配准算法
点云分割
在高精度地图制作的过程中，在众多杂乱无章的激光点云数据中提取出包括路灯杆、标志牌以及路沿在内的交通道路元素是一项具有挑战性的技术工作。为此通常需要依据激光点云所呈现的几何形状、特征等因素进行有效的分割，并提取出物体对应的激光点云数据。随后采用算法对这些元素进行分类识别，并对其添加语义信息以增强理解能力。基于此的基础上目前已有多种基于不同原理设计的分隔方法如随机采样一致法（RANSAC）最小二乘分割法以及区域增长法等传统方法而随着深度学习技术的发展近年来又涌现出一批新型的方法例如3DMV PointNet及其改进版PointNet++等基于深度学习网络实现 semantic segmentation 的先进方法
同步定位与地图构建
作为不依赖GNSS信号的技术，同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）可在这些特殊场景下辅助开展工作。SLAM最早应用在机器人领域，指机器人在位置环境的未知地点出发，在运动过程中通过观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的地图，从而达到同时定位和地图构建的目的。在进行定位和建图时，SLAM主要借助传感器来获取原始数据。SLAM通过处理传感器的数据，一边进行自我定位，一边进行环境地图的构建。处理的算法也从基于滤波器的方法发展到基于优化的方法，技术框架也从单线程向多线程变化。SLAM有两种实现方式，一种以激光雷达为主的激光SLAM，另外一种是以视觉为主的视觉SLAM。
1. 激光SLAM主要通过激光雷达获取自动驾驶车辆周围环境的点云数据，激光雷达能以很高的精度测量出汽车周围物体的角度和距离，从而实现SLAM以及避障功能；
2. 视觉SLAM主要通过摄像头采集的数据进行同步定位与地图构建。视觉传感器采集的图像信息要比激光雷达丰富，更利于后期的处理。视觉SLAM主要有两种实现路径：
1. 基于深度的摄像头；
2. 基于单目、双目或者鱼眼摄像头。
整个SLAM系统要解决的问题只有一个：如何通过传感器数据来估计自身位姿。状态估计可以视为一个数学建模过程，即如何通过带有噪声的测量数据，估计自身位姿，建模方程可简化为：
x_k=f(x_{k-1}) + u_{k-1} \tag {式1}
y_k=h(x_k)+v_k \tag {式2}
式1为运动方程，表示k时刻，机器人的位姿x_k由k-1时刻的位姿f(x_{k-1})决定。由于实际物理环境总会引入误差，所以添加一个噪声量u_{k-1}对状态变化形成一定的约束。
式2为观测方程，表示k时刻的传感器观测值y_k由当前时刻机器人的位姿h(x_k)决定。同理，因为物理环境的因素，添加了观测误差v_k。
无论哪种SLAM方案，都是从经典框架演变而来。SLAM流程图如下所示：
1. 传感器数据： 在视觉SLAM中主要为相机图像信息的读取和预处理，激光SLAM中主要为激光点云数据的读取和预处理。
2. 前端： 在视觉SLAM中，前端相当于视觉里程计（Visual Odometer，VO），主要研究帧与帧之间的变换关系。视觉里程计每次估计两帧图像之间的运动时会出现误差，并且会不断累积从而产生漂移现象。漂移现象可以通过回环检测和后端优化解决。在激光SLAM中，前端扫描匹配是核心步骤，工作内容是已知前一帧位姿并利用相邻帧之间的关系估计当前帧的位姿。
3. 后端： 后端主要是对前端输出结果进行优化，利用滤波理论或者优化理论进行树或者图的优化，得到最终最优的位姿估计。
4. 回环检测： 主要解决位置估计随时间漂移的问题。这就要求机器人或者任何搭载SLAM技术的设备具备识别出曾经到过的场景的能力，主要通过判断图像间的相似性来完成回环检测。如果成功，则把检测结果传给后端，后端根据这些信息重新调整行进轨迹和已构建的地图。
5. 地图构建： 这一步是对环境的描述或重建。地图输出形式可以分为度量地图和拓扑地图两种。度量地图强调精确地表示地图中物体的位置关系，根据点云数据分为稀疏地图和稠密地图。稀疏地图会选择性忽略一些信息，只保留部分具有代表意义的东西。稠密地图更偏向于保留所有信息，将所有看到的东西进行建模。由此可见，定位更倾向于稀疏地图，导航倾向于稠密地图。拓扑地图则强调地图内物体之间地相对关系，去掉了细节问题。
高精度地图云端服务体系
空闲下载技术（Over The Air Technology, OTA）是一种利用移动通信（如GSM、CDMA等）网络空中接口实现对数据及应用远程更新与管理的技术方案。对于汽车行业而言, OTA可划分为两大类:一类是固件远程升级（Firmware Over The Air, FOTA）,其特点是通过空中接口向车载控制器等车载设备推送完整的固件副本,修复现有固件版本并优化存储空间;另一类是软件远程升级（Software Over The Air, SOTA）,主要涉及应用程序、地图信息等的实时更新传输。基于OTA的技术体系衍生出位置传感器数据传输与更新机制,该机制将终端采集的位置数据实时传输至云端平台,经过预处理、规格化后生成高精度地图资源供发布使用。此过程形成了一种云端到终端的数据闭环回路,有效提升了地图资源的质量水平。具体而言,传感器回传的内容主要包括:1)应用程序日志信息;2)车辆运行状态参数;3)车辆周围环境监测参数;4)融合高精度地图后的图像信息及辅助解析对象
主动上传机制：当监测到相关数据状态发生变化时自动发起上传；任务触发型上传：在满足特定任务条件时执行数据上传
解决方案
高精度地图采集
高精度地图数据获取流程如图所示。其中主要设备包括激光雷达、摄像头（Vision Camera）、惯性导航系统（INS）、GNSS接收机以及轮测距仪等关键组件。外业采集的数据信息主要包括车辆运行轨迹、图像记录、激光点云数据等，并包含车道线特征、路沿轮廓、护栏设置、路灯配置以及交通标志牌等多种地理要素信息。作业过程中要求监测员实时跟踪设备运行状态，并根据气象条件选择合适的成像参数设置。数据采集后需依次进行自检确认无误后生成复制件并做好备份存储，在完成入库审核程序无误后存档至外业原始资料库中；如遇异常情况则按照操作手册中的流程进行处理
数据模型
其数据模型主要由四个核心类别组成，这四个类别也被称为基础要素建模方案。
| 高精度地图要素的数据模型 | ||
|---|---|---|
| 主题 | 要素 | 英文说明 |
| 道路模型 | 道路中心线 | Road Center Geometry |
| 道路拓扑 | Road Topology | |
| 隧道 | Tunnel | |
| 收费站 | Toll Station | |
| 曲率 | Curvature | |
| 坡度 | Slope | |
| 车道模型 | 车道边界线 | Lane Marking |
| 车道数 | Lane Number | |
| 车道宽度 | Lane Width | |
| 车道类型 | Lane Type | |
| 车道线颜色 | Lane Marking Color | |
| 车道线线型 | Lane Marking Style | |
| 车道线材质 | Lane Marking Material | |
| 车道线宽度 | Lane Marking Width | |
| 车道在建信息 | Lane Construction State | |
| 道路连接 | Junction | |
| 车道拓扑 | Lane Topology | |
| 护栏 | Barrier | |
| 路沿 | Curb | |
| 道路标记模型 | 地面限速 | Speed Limit |
| 箭头 | Arrow | |
| 文字 | Words | |
| 导流区 | Diversion Zone | |
| 基本对象模型 | 限速 | Speed Limit |
| 禁止超车 | Overtaking Prohibited | |
| 线型诱导 | Delineator | |
| 其他标牌 | Other Signs | |
| 杆 | Pole | |
| 龙门架 | Gantry | |
| 跨线桥 | Overpass |
高精度地图制作和编译
数据处理
数据处理是指对收集到的数据进行整理、分类和清洗以获得初始地图模板，其中不含任何语义信息或注释，之后通过激光点云配准、激光点云识别和图像识别等AI技术，把不同传感器采集的数据进行融合。对于同一条道路上双向采集带来的重复数据，也会在这一环节进行自动整合和删除。传感器采集到的数据分为激光点云和图像两大类。一般在制图过程中处理的数据以激光点云为主，小部分以视觉为主。在城市道路中采用实时动态差分技术（Real Time Kinematic，RTK）方案获取位置信息。由于高楼遮挡或林荫路等场景对信号的稳定性的影响无法避免，因此，采集到的激光点云之后需要借助SLAM或其他方案对位姿进行优化才能准确拼接点云信息并形成一个完整的激光点云。拼接成高度精确的激光点云地图后，对其进行识别、标注来绘制高精度地图。
由于自动识别存在误差和错误，需要增加人工验证环节以确保地图自动创建过程正确进行。人工操作属于内业操作，目的是进一步完善和确认数据。其次，在高精度地图编辑、生产管理中，还需要为自动化处理的数据完善对应的属性信息。
编译及格式规范
高精度地图制作的最后一项工作是完成数据整合流程，在经过前面所有操作优化后生成的数据基础上完成这一关键环节。这些规范则明确了如何完整地描述采集到的地图数据，并在此过程中实现了高度一致性和完整性的一致性表现形式。
其中主要采用的标准包括导航数据标准(Navigation Data Standard, NDS)与OpenDRIVE两种方案。
除此之外还包括如JDRMA(日本驾驶者协会)、KIWI(New Zealand Mapping Co.)、GDF(地理数据文件)、Etak(美国驾驶技术公司)、NavTech(技术导航公司)以及EGT(欧洲地理技术公司)等广泛认可的技术方案。
NDS
NDS作为汽车级导航数据库的标准格式，在地图表述方面具有广泛的应用价值。它通过整合多维度的数据信息实现了高效的导航服务系统构建过程。这一核心在于通过优化设计实现高效存储功能的特点，则使其与OpenDRIVE等类似的标准存在显著差异性特征表现形式上也各有不同之处主要体现在细节处理上如具体的编码规则等方面则更加注重统一性和规范性要求以确保系统的稳定性和可靠性
为了确保交叉口各车道间连通性问题得到妥善处理，编译器需将交叉口关联分配给所有从或到该交叉点的基本连接项。这种关联关系表明来自该交叉点的所有交通流均能影响相关车道上的交通状况。若两个相关联的车道组共用同一目标链路，则它们应具有相同的终端位置。NDS对地图格式规范执行得非常出色，在涵盖成百上千的相关格式文档方面表现尤为突出。因此NDS将数据库进行了细分，并规定每个细分后的版本均可独立完成升级与更新工作。例如NDS不仅包含基本导航技术和POI数据信息还支持局部范围内的数据更新功能以满足不同需求环境下的应用需求同时为了提高实用性系统还增加了语音播报功能以及基于经纬度坐标的信息查询功能以进一步提升用户体验
OpenDRIVE
目前被广泛采用的开放道路数据接口（OpenDRIVE）是一种通用的标准，在采用该标准来描述道路时，则会涉及段（Section）、车道（Lane）、交叉点（Junction）、轨迹（Tracking）四个基本概念。如图所示，在实际应用中，无论车道数量如何变化，都会按照蓝色虚线进行分割。这种分割方式将地图划分为段A、段B、段C三个区域。根据车道数量变化以及实线与虚线的配置情况，并结合道路属性的变化原则来进行道路划分工作。值得注意的是，在该规范体系中基准线在其中扮演着关键角色：基于基准线向左方向的道路编号会依次增加；而向右方向则会依次减少。这一设定不仅符合标准要求而且具有固定不变的特点
Junction作为OpenDRIVE规范中的核心元素，在表示交通节点时发挥着关键作用。每个Junction都配置有虚拟路段，并通过这些虚拟路段将不同方向的道路相连。地图标注时会遇到关于Junction的不同描述方式：尽管各个Junction的处理逻辑可能不尽相同，在实际应用中通常会借助虚设分隔线来明确标识各条道路的通达方向。为了便于自动驾驶系统准确规划行驶路径，请注意以下要点：入口道（Incoming Road）与出口道（Exiting Road）之间的过渡关系通常通过设置虚设分隔线来完成。这三个关键概念在遵循OpenDRIVE规范时主要体现在两种基本的应用模式上：一种仅基于基准线进行定义；另一种则结合基准线与偏移量参数进行扩展
高精度地图质量控制与发布
质量控制流程
在全军作战指挥图数据库建设过程中, 严格把控数据来源审核关, 做好数据清洗工作. 在建立地理信息系统时, 需要遵循"四不"原则: 不建立无用表, 不存储冗余数据, 不设置不必要的字段, 不增加无益的操作. 该系统支持多种数据库类型选择及字段类型配置.
外业采集质控
外业采集质控采用三级审核流程以确保采集成果的质量
-
完整性、正确性和准确性检查
-
完整性、逻辑性和可用性评估
-
准确性与完整性校验
内业制作质控
- 内业制作过程质量控制涵盖三个主要阶段：程序性核查、基础要素及高级要素核查以及边缘连接核验和交付核验。
- 程序性核查步骤如下：
a) 技术员按规范间距选取不同场景进行初始采样；
b) 按照既定的标准自动采集数据，并计算抽样率。 - 质量管理活动包括项目作业期间执行自我检查，在线质检员进行抽样检查质量保证部门完成最终验收。
- 制图精度评估借助专业测量仪器Rigel系统获取实际地面坐标作为基准评估制图精度。
产品化质控
基于产品理论的检查工具系统遵循高精度数据交换规范对各节点间的连接关系以及阈值参数展开评估并生成相应的评估报告
数据质量标准
高精度地图的数据质量遵循国际地理信息系统标准（ISO）19157/19158以及工业自动化技术基金会标准（IATF）16949的要求，在整个高精度地图的生产过程中实施全面的质量管理措施，并严格按国际电子地图（ISO）标准执行；从静态地图生产需求和技术控制角度出发，并结合感知技术特点全面定义了数据质量的目标与要求。在数据质量控制方面，则主要包含以下五个维度：完整性、一致性、精确度（包括位置和专题准确性）、以及时间准确性。
从构成要素的角度来看, 质量指标可分为两大类: 属性指标与几何指标; 其中, 属性指标主要包括属性要素, 误报发生率 (False Positive Rate, FPR) 标准以及漏检发生率 (False Negative Rate, FNR) 标准; 具体来说, 属性要素涉及车道类型等 lane information, 如路缘及护栏等 road-related information, 以及限速标志及禁行标志等 traffic information; 几何指标则涵盖绝对精度与相对精度 two aspects; 其中, high-precision maps achieve meter-level accuracy for absolute precision and attainable relative accuracy of centimeter-level for relative precision
| 高精度地图属性质量标准表 | ||
|---|---|---|
| 要素 | 误报率标准 | 漏报率标准 |
| 车道线几何 | 0.50% | 0.50% |
| 车道类型 | 0.30% | 0.30% |
| 车道通行状态 | 0.10% | 0.10% |
| 车道收费情况 | 0.10% | 0.10% |
| 车道线类型 | 0.20% | 0.20% |
| 车道线颜色 | 0.20% | 0.20% |
| 车道线粗细 | 0.10% | 0.10% |
| 路沿 | 0.50% | 0.50% |
| 护栏 | 0.50% | 0.50% |
| 限速 | 1% | 1% |
| 交叉点 | 0.50% | 0.50% |
地图引擎与发布
高精度地图所包含的数据量非常庞大,若是一次性导入全国范围内的高精度地图数据到车载设备中,不仅会占用大量存储资源,而且耗时效率也会大幅下降.针对这一问题,解决资源调度的关键在于让各个层级能够灵活地进行资源分配.为此,通常情况下,高精度地图供应商会提供一套‘地图引擎’软件系统.该引擎通过提供应用程序编程接口（API）来实现对高精度地图数据的读写功能.从应用层的角度来看,'地图引擎'实际上是一套综合性的功能库,它不仅负责驱动和管理地图数据,还能够执行渲染、查询等核心操作.所有依赖此系统的应用层软件只需调用相应的API即可完成对高精度地图的各种操作:读取、补充、删除以及更新相关数据.这样一来便能够维持车端的地图数据库处于最优状态,从而为自动驾驶系统提供高质量的地图服务.此外,'的地图引擎'还基于车端与云端之间的互传机制,实时采集并反馈车端运行状态及道路信息.通过不断地进行的地图更新与数据回传工作,实现了云端与车端之间的完整闭环反馈机制.这种机制持续优化着高精度的地图数据库质量.