高精地图与自动驾驶（下）

高精地图与自动驾驶（下）

二、高精地图与自动驾驶

在讨论自动驾驶技术的关键要素时，在线学习平台通常会比较分析高质量的地图数据与人类驾驶过程中的相似之处。

人驾驶时主要依靠眼睛作为视觉观察工具，在辅以耳朵接收环境音讯进行测量；自动驾驶系统则通过摄像头、毫米波雷达和激光雷达等多种传感器协同感知构建完整的驾驶环境信息。

人可以通过借助观察环境或利用其与记忆中的对比来实现自我定位；自动驾驶汽车依赖于传感器收集的信息与高精度地图数据进行比对来实现定位。

人类完成驾驶决策主要依赖大脑进行复杂的分析与综合判断；自动驾驶车依靠先进的人工智能算法和预设的运算规则完成决策，在高精度地图辅助下进行路径规划。

最后在控制环节中,操作者是通过运动皮层的小脑来操控车辆；而自动驾驶汽车则依靠自动化控制系统来完成这一环节的任务,其中高精度地图中的坡度、曲率以及横坡等因素都发挥了作用。

通过以上的分析，高精地图对于自动驾驶的作用也就非常清晰了。

在重要性上来说，最优先的是高精度定位技术的应用。其后是环境感知辅助功能的发展（例如，在智能驾驶系统中将道路上的红绿灯位置纳入高精度地图数据）。然而，在自动驾驶技术的实际应用中，则需要综合考虑一系列复杂的因素与操作流程。

在云端服务领域中经常存在的是一种情况：即存在许多远距离的道路状况信息需要通过云端服务向自动驾驶汽车发出指示；而实际上，在高精度地图上也能实现这一功能。

1、高精定位方法

以实现高精度定位为目标的具体方法，则是通过对比自动驾驶汽车的环境感知数据与精确的地图信息来确定车辆的位置和姿态。获得精确的车辆位置和姿态对于实现自动驾驶汽车的路径规划至关重要。

一类是基于矢量Object的定位：

一类是通过多类传感器采集的各种特征与预设特征图进行对比实现定位。例如道路指纹识别系统中

从实例图中可以看出，在右侧画面中的红线是由GNSS与IMU组合确定的轨迹，在与车辆实际行驶路径（绿色轨迹）进行对比时发现其存在明显偏差

另一个实例是基于RTK级绝对定位:

高精度的空间定位技术不仅能够显著提升地图匹配的速度和效率，在传感器遭到遮挡时还可以作为备用方案使用。

2、路径规划

从驾驶决策规划的角度来看，在高精度地图中主要应对的是自动驾驶汽车的路径规划问题。当车辆通过高精度地图获取自身位置信息后，在其内部预设的道路连接性模型基础上推导出相应的车道级导航路线数据。这些路线数据能够支撑后续自动驾驶汽车进行障碍物规避以及执行诸如加速、减速等操作，并且还可以通过方向盘调节方向以完成相应动作。

上图展示了导航路径规划、用于自动驾驶的车道级路径规划及其与车辆避障间的关联。基于高精度地图的车道级路径规划依赖于包含大量与车辆动力相关的参数的技术支撑，在汽车制造商的技术体系中占据重要地位。

另外，在与戴姆勒的合作下，运用了千寻的绝对定位技术成功实现了施工区域、施工人员以及车辆的道路安全预警系统DEMO，并在此基础上深入探索了基于高精度地图的云计算服务方向

三、如何生产高精度地图

1、采集

数据采集通常依赖于配备的数据采集车，在设备配置中有一些关键组件是必不可少的。其中主要设备包括激光雷达（LIDAR）、惯性测量单元（IMU）以及全球定位系统（GNSS）等技术模块；此外还有高精度轮速计等辅助设备协同工作以确保数据采集的完整性与准确性。

一种较为成熟的移动式激光测距装置上配备了两组高速单色激光雷达和六个成像传感器（其中为工业相机），以及一个全球定位系统接收端和IMU。

激光镭达是有两个360度激光扫描仪交叉扫描，大大降低了漏扫的可能。

2、生产流程

首先作为主要环节（可被简称为"外业"），即利用采集设备对外部环境及道路数据进行收集。其中IMU（惯导系统）这一功能具有重要意义的突出表现：它能提供关于位置信息的重要数据

所有部件均经过IMU标定。当车辆左移时,其余设备随之左移;当车辆右移时,其余设备随之右移。接收后,通过IMU解算即可精确将各设备采集的数据对应至激光点云位置。

外业采集回来的数据经过处理后生成的结果涵盖了高精度轨迹、三维点云以及图像信息；随后进行全自动化处理；人工干预与交互式补充进一步完善了数据质量

识别工作和编辑工作完成后会进入质量检验阶段，在经过工具检测与人工核查之后还会进行道路测试验证

全自动化处理具有重要意义

值得注意的是这一问题常被提及。实际上对于地图生产企业准确性与可靠性成为更为关键的因素。

而车道线的识别其实也是类似，车道线的识别占整个地图生产量的70%

左右，所以在生产高精地图的第一天就用上了交互式的车道线识别。

使用深度神经网络，现在也迁移到点云识别上来。

充足的高质量问题对深度神经网络至关重要。在技术层面并没有太大的区别

在训练神经网络的过程中，在获取并积累大量数据后，则其性能会显著提升。高精度的地图与图像、点云经过融合后能够生成高质量的神经网络训练数据集；随后补充对一些特殊地物进行精确标定即可完成后续的数据准备。

目前该系统依托摄像头传感器和深度神经网络经过训练形成的识别技术，在车辆行驶时能够精准地探测路边新增设置的标牌位置（如图所示）。该技术可实时更新并重新绘制交通地图数据；下一步将是整合来自多源传感器数据以提升整体感知能力

四、高精地图的挑战

高精地图的发展本身也是有很多挑战的。

1、高精地图到底长什么样？

当前阶段仍受车辆传感器的影响；除非真正开发出无需依赖传感器的精确地图，“不管车辆采用何种类型的传感器都能正常运行”。未来的变化尚不可知。

2、高精地图到底应该更新多快？

车辆端智能化水平以及车辆承载能力将影响，在不同的自动驾驶方案下可能倾向于更高的更新频率要求

3、高精地图的绝对精度究竟应该多高？

绝对精度是多少？是否一定要做到亚米级？

4、高精地图的更新手段？

目前建立的导航地图的更新体系已经非常高效。

包括UGC内容在内的多源数据支持体系中涉及政府数据、行业资讯以及专业的采集网络等关键要素构成

在自动驾驶阶段，高精地图更新的终极方案应该是UGC。

由于在车载端集成多种类型的传感器，并逐步引入更高精度的地图数据，在建立车辆动态模型后实时监测现场的变化情况，并将这些变化数据上传至云端系统进行数据融合与校正。

可委托给高精地图生产线负责补充采集与生产的作业。通过持续地重复这一流程,能够有效地提高其新鲜度水平,并使得来自UGC的高质量地理数据日益精确

考虑到

5、测绘政策的挑战

对于图商来说，高精地图的一个绕不开的挑战就是测绘政策。

众所周知，在制作过程中中国地图在制作过程中进行了变形处理，并且经过测试分析显示，在实际应用中这种变形对其使用效果的影响较小。

在车载设备中应用偏转地图时，则必须安装相应的偏转插件。

在从导航地图到高精地图的过程中（段落中），具体内容形态已经经历了显著的变化（主语）。过去（时间状语），对于导航地图的审查侧重于边界区域、重要岛礁以及关键的人文设施等（细节）。而进入自动驾驶用的地图后（转折），这些具体要素不再存在（否定），审查的重点也随之发生转变（结果）。

例如，在现行法规体系中，默认情况下道路的最大曲率值与最小曲率值无法以直观的形式标注出来。但对于自动驾驶汽车而言，这类数据却是不可或缺的关键信息。

另一个更为深远的问题在于推广"全民测绘"的实践。随着现代汽车和智能手机的普及，在使用过程中记录位置数据以及拍摄相关图像等行为实际上已经涉及到了测绘政策的范畴。具体表现为通过GPS定位技术获取位置信息以及通过摄像头捕捉图像的过程。基于此，在完善相关法律法规时应当充分考虑这一现象，并在技术与业务层面提供必要的支持与建议

五、实践

就整个产业生态而言, 自动驾驶行业呈现出前所未有的复杂性, 要求各相关方之间建立更为紧密的合作关系. 在这一领域中扮演的角色, 图商 更加注重通过技术创新赋能产业发展.

该定位以高精度地图数据产品为基础，在全方位支持自动驾驶企业的前提下，协助车企开展测试应用工作；最终协同努力下完成自动驾驶高精度地图云服务构建。

针对这类问题，在高精度地图中除了提供矢量数据外，在测试阶段还提供了多种辅助功能（包括但不限于以下几种功能：感知系统、定位模块以及车道级路径规划系统）。借助这些功能模块，在云端平台构建一个完整且高效的高精度地图服务系统。

高精地图技术具有高度复杂性，并伴随着各种不确定因素的存在；预示着全新的商业模式的出现，并必然引发相关法律法规的变革。高精地图生态系统的构建则建立在自动驾驶产业的广泛深入合作之上。