重感知、轻地图 or 轻感知、重地图：这是一个问题；高精地图主流制作方案

1. 高精地图主流的江湖地位 ​

2021年4月初，在上海车展开幕前夕的一天，《极狐阿尔法S》试驾活动特别安排，在无人接管的状态下，在繁忙的街道上穿梭着这台配备有华为ADS系统（Autonomous Driving Solution）的电动汽车。该车不仅巧妙地避开了快递员的正常配送路线，在多车道交叉路口的安全穿越也展现出较高的技术水准。这段由试驾活动拍摄的视频在B站平台迅速引发热议，并让人误以为无人驾驶时代的到来仅仅局限于城市内。

极狐阿尔法S Hi版（图源：42号车库）

然而，在过去的一年多时间里，视频中所呈现的功能仍停留在演示阶段。在今年5月极狐阿尔法S Hi版正式交车时，城市道路高阶智能驾驶功能的最终交车时间推迟至12月。届时能否按计划实现该功能的交付目前尚存不确定性，在此之前仍需面对诸多不确定因素的影响。由于该系统需要依赖高精度地图数据的支持，在此之前只有当高精度地图全面开通后才能真正实现对该功能的支持。

所以，在延期的问题上不可推卸的责任并非芯片或是激光雷达这些硬件设备所致；反而是那些‘无形之物’——高精地图所引发的主因。

在业内看来,高精地图更像是一条"富人玩家"的捷径.大疆车载公关总监谢阗地向虎嗅表示,"硬件、外部数据源、额外的配置就好比神兵利器",但他补充道,"硬件、外部数据源、额外的配置就好比神兵利器",并解释道,"但成本高昂且应用受限较多."他强调道,"真正的高手不拘一格".

然而，监管部门对高精地图的限制，来得比大家想象的要更快，而且更严格。

此前，自然资源部发布了《关于促进智能网联汽车发展维护测绘地理信息安全的通知》，明确要求高精度地图测绘制作必须由具备甲级资质的测绘单位完成。值得注意的是，《通知》在社会各界中已获得了广泛认可，并被视为重要指导方针。尤其在当前市场环境下，各大自主品牌纷纷争先恐后争夺城市高精度地图资源，在竞争中加快布局以实现城市功能快速落地的技术目标。

特斯拉FSD（图源：特斯拉）

将高精度地图部署在城市道路上将面临诸多重大挑战。

那么这个问题就提出了：推进城市自动驾驶的发展，并非仅限于 A级纯电动车的高级智能驾驶系统而言，在这种背景下而言是否有必要依赖高质量的道路地图？

高精地图，高明在哪？

众所周知，在自动驾驶技术的发展中包含了三个关键要素：感知能力、规划能力和执行能力。用人类的方式来理解这些概念时，则表现为通过眼睛观察到的现象和大脑形成的认知过程，并通过身体完成相应的操作步骤。

但是

高精地图在街道上的应用（图片来源：Automotive News Europe）

有关《割韭菜最快的刀,叫激光雷达》这篇文章,我们已有较为深入的阐述.此次,我们重点探讨一下,车企们又一项重要的工具——高精地图.

根据《智能网联汽车高精地图白皮书》（以下简称《白皮书》）的介绍：

高质电子地图是指绝对精度与相对精度均达到1米以内的精细程度极高的地图产品。
这种地图不仅展现了道路要素的最新更新频率快（高新鲜度），还涵盖了细节极其丰富的道路标线与设施（高丰富度）。

该地图不仅记录了静态的道路要素如道路类型与曲率分布（基础要素），还详细描绘了动态环境对象如路边设施、障碍物及交通标志等（丰富细节）。

此外，该系统还能够实时更新各类动态数据包括交通流量状况以及红绿灯信号变化情况（动态反馈）。

相较于我们常用的导航地图而言，高精地图在精度上高出不少，并且其包含的信息更为丰富。此外，在功能定位上，普通导航地图主要用于供用户使用，而高精地图则主要用于供车辆使用。

目前广泛应用于高速公路和封闭园区等受限空间的高精地图主要集中在封闭场景中

高精地图在高架桥上的应用（图片来源：智能网联汽车高精地图白皮书）

就其作用而言，在智能驾驶领域中, 高精度地图的重要性主要体现在两个方面:首先, 其为自动驾驶系统提供了详尽的道路先验数据;从而, 其为纵向加减速、横向转向以及变道等操作提供了可靠的先验数据;其次, 在感知方面也具有显著优势

举例来说, 例如高速公路自动切换车道的功能。当配备导航辅助驾驶功能的车辆距离即将驶入的高速公路匝道还有约2公里时, 该车会自动选择右侧车道以避让交通流量。此时系统会根据实时数据动态调整行驶路线, 通过高精度的数据采集和车道级定位技术, 实现对行驶路线的最佳预测和优化调整。

**总之，**有了高精地图之后，车辆就像有了“顺风耳。

高精地图在十字路口的应用（图片来自：waymo）

在高速上积累经验后

根本原因在于对城市高精度地图存在严重的依赖。我们谁也没有预料到的是 city high-precision maps unlocking speed 未能达到汽车制造商最初宣传的目标。

地图“进城”，卡在哪了？

高精度地图技术其实并不是问题所在；当前的主要问题是需要维持地图的最新状态（即鲜度）。因为道路一直在不断地进行维护和修缮工作。

作为对比，在数量上相对而言不足的是中国城际高速公路和城市快速路的总里程仅达到30万公里 ，而相比之下全国的城市道路总计约1000万公里 。

毫末智行技术副总裁艾锐向虎嗅表示，在类比于传感器的实际应用中发现高精度地图系统存在不准确的情况，并且其不可预测的失准特性尚未明确。从信任性角度来看，在实际应用中表现出显著的不确定性。

（图源：视觉中国）

如果想要彻底解决地图分辨率的问题，则会带来巨大的成本挑战。
在盖世汽车举办的自动驾驶地图与定位大会上演讲时，
李必军教授表示，
假设每辆采集车的成本约为2百万元，
那么全国的数据采集工作可能需要耗费高达2十亿元的资金，
目前没有任何一家公司能够承担得起这样的费用。

参考《白皮书》所述，在采用传统测绘车技术时每天可完成约500公里道路的分米级地图测绘工作其每日每辆车所需成本约为10元而相比而言厘米级地图每天每辆测绘车仅能完成约100公里道路的测绘工作其相比而言厘米级地图每天完成同样的距离所需的成本可能高达数千元

即便完成数据采集后，在高精度地图的数据更新上仍面临诸多挑战。行业内常用的方法是众包模式——其基本概念是将配备智能驾驶功能的车辆作为移动地图的数据采集者。

从技术支持的角度来看，众包模式确实具有显著优势。因为通过用户的车辆信息上传工作完成之后，在地图更新、价值提升以及吸引新用户的方面形成了"用户使用-反馈-地图更新-价值提升-吸引用户"的良性循环。

看到这个，你一定发现了，众包模式背后所隐藏着数据安全的问题。

其背后的原因是中国自然资源部发布了《关于加强自动驾驶地图生产测试与应用管理的通知》，其中明确规定了相关要求，并规定所有参与单位都应当取得相应的资质认证。值得注意的是，在这一规定下，并不得允许任何外资企业参与这一领域的相关工作。

仅就外资企业的准入标准而言，在这一政策下不少具有外资背景的企业被阻挡在外。值得注意的是，在自今年起开始对导航电子地图制作甲级资质进行审核工作中，截至目前为止已公示通过审核的企业共有19家。其中于2022年2月21日正式公示的一批名单中，则包括了高德地图、华为以及腾讯等知名企业的身影。值得注意的是，在此之前像滴滴旗下拥有滴图科技业务、东风汽车投资所运营的立得空间以及由吉利参与投资运营的易图通等企业均未完成复审程序。

截图来自：中国自然资源部

另外，在未形成行业内的普遍认可的情况下，在安全性的技术验证上尚未达成一致意见。各国均搭建了相应的高精度动态地图数据平台，并形成了各自的技术路径和应用模式。国内相关领域的参与者则面临两种选择：或是静候新进展与解决方案的到来（即等待外部技术突破），或是转走他路寻找新的技术路径和应用模式。

丢掉拐杖，迟早的事

当年没有智能手机的时候，
大家要出门导航，
很多人也是能够自行摸索出路线。
大疆车载公关总监谢阗地告诉虎嗅，
设计一套高效可靠的智能驾驶系统，
把基础技术练得非常扎实，
是处理核心需求的关键。
在2023年发布的五菱Kiwit EV车型上，
大疆仅采用了这套
“前后摄像头加全方位传感器阵列”的硬件配置，
就能在城市复杂的路况中实现智能驾驶。

图源：大疆车载

大疆车载管理这一套系统被称为"灵犀智驾系统"。其核心优势在于无需预先进行学习，在能有效识别并避让那些对驾驶安全构成威胁的各种场景中展现出出色的能力。即使未配置精确的地图数据和激光雷达，在未配备高精度地图信息与激光雷达设备的情况下也能实现辅助完成智能泊车操作以及城市道路场景下的驾驶支持。就技术路线而言，大疆车载采用的是与特斯拉相似的全视觉解决方案。依托大疆在无人机领域积累的经验和成果，在双目视觉技术基础上运用双目融合计算生成点云数据后形成的三维空间模型数据来进行障碍物感知判断工作。这种全视觉方案的优势就在于具有低成本且具备较强的规模化应用能力。

速腾聚创125线激光雷达

出于安全冗余的考虑，目前业内更认可的作法是**“重感知、轻地图”** 的路线。

以感知为中心、减少对地图依赖的策略，则是为了避免因地理信息带来的局限性。

感知硬件与计算平台犹如人类的眼睛与大脑，在辅助决策方面发挥着不可或缺的作用

若没有精确的地图数据，则当车辆接近路口时（即到达路口附近位置），系统需依赖传感器数据与计算模型来准确判断交通状态。现下采用的是基于迁移学习的混合式迁移训练策略：通过将仿真场景与实际运行的数据结合训练（即同步利用仿真模拟结果与真实-world运行数据），从而提升红绿灯识别率；同时另辟蹊径——采用Transformer架构整合前后交通状态信息（以克服传统方法中存在的时间断层及空间分割问题），从而实现对城市道路车道线的有效识别。

借助单机智能用于解决自动驾驶行业的低效场景难以彻底解决。现有车企倾向于采用的技术方案是构建云端计算的技术架构。

据最新消息，包括小鹏汽车在内的两家车企（双方的合作方是Momenta科技）已决定将技术研发重点转向以感知为核心的路线规划，并不再过度依赖精确地图数据。

在9月7日这一天，《》汽车集团组织了一场线上活动《》邀请媒体及公众参与并重点展示了其 latest 智能驾驶技术方案——《》全融合高阶智驾系统 RISING PILOT《》涵盖感知硬件架构、融合式计算引擎及先进芯片设计等关键组件。据官方消息显示，《》计划于今年9月下旬推出市场销售服务，并计划于今年10月开始陆续交付这批车辆。

除此之外，在介绍飞凡汽车时

全部配备了三大感知硬件系统；业内常用的说法是「软件定义汽车」；即便汽车的功能再强大……都需要有相应的硬件支持。

根据介绍信息显示，在配备有33种先进的高阶感知设备的基础上（其中一项是来自采埃孚首次投入量产的Premium4D成像雷达），飞凡R7还配备了拥有800万像素高清摄像头的能力（能够捕捉到清晰且细节丰富的图像）以及另一项是全球首款1550纳米波段的LUMINAR 高精度激光雷达的技术支持。

金杰盂介绍称，在他们的4D成像雷达系统中实现了多任务机器学习架构。该系统能够识别出行人的运动轮廓及其类型，并针对车道前方的静态障碍物部署专用学习模型。此外，在该系统中还构建了一个时间序列分析模块，该模块能够有效整合4D成像雷达在连续帧间不同时间维度的数据积累效果。

该型LUMINAR 1550 nm 高精度激光雷达可在10%的标准反射率下达到250米的最大探测距离，并能有效识别不规则禁止障碍物。金杰盂指出，在该型激光雷达上实施了三维点云神经网络检测技术，并将其与传统的常规非神经网络算法相结合以实现精准探测。

而12颗高清摄像头与点云输出的雷达矩阵形成了一种协同效应，在此基础之上实现了全方位探测障碍物及各类交通要素。金杰孟介绍称，在这一技术体系中，他们通过对所有摄像头的时间轴和空间坐标进行了精确对准，并将整合后的统一图像输入到一个能够处理多种任务和特征的数据系统中。该系统能够实现对人体、车辆等交通参与者以及车道线、红绿灯、限速牌等静态交通要素的有效识别与感知。

凡汽车集团表示，在当前市场环境下，飞凡R7是唯一同时整合了视觉技术、毫米波雷达以及激光雷达等三大关键领域的顶尖配置。

重感知、轻地图 or 轻感知、重地图

“沉没成本太高了。” 一位自动驾驶业内人士告诉虎嗅。

从技术发展的角度来看，在这一领域中

而就长远眼光而言,高精度地图依然是不可或缺的关键基础设施.但就用户体验而言,依仗高精度地图实现的自动驾驶技术,多少带有一点儿隐患.要么,你的私人智能驾驶装置只能在固定区域运行;要么,你的私人智能驾驶装置上的各种传感器将作为采集工具无私地提供数据给汽车制造商或供应商.

2. 高精地图主流的制作方案

近年来，高清晰度（HD）地图受到了普遍关注。基于其在定位中的高精度与丰富信息资源的优势特性，在自动驾驶技术发展中迅速发展成为不可或缺的核心技术基础。无论是百度阿波罗、英伟达等大型企业还是众多个人研究人员，在不同应用场景与具体需求指引下均已成功开发出相应的高清地图系统。

1高精地图的数据采集

生成高清地图的第一步是建立可靠的数据源/数据收集过程。其中的数据采集主要依赖于移动地图系统（MMS），其作为一种集成式移动平台，在运行过程中配置了多种传感器设备：包括GNSS（全球导航卫星系统）、IMU、激光雷达（基于光探测与测距技术）、数字相机以及雷达装置。这些设备协同工作以采集多维度地理空间信息。

商业地图数据提供者通过 crowdsourcing 收集各类地理信息以支持其高清地图服务的建设与维护。TomTom 采用多源数据采集策略以完善其道路数据库系统 包括车辆调研活动、位置服务记录、社区反馈以及政府部门提供的数据源等 综合运用全球 400 多辆地图车辆的运行轨迹 地方政府掌握的道路信息 卫星图像资料和居民反馈等多元数据资源 从而持续更新最新的交通状况。借助 crowdsourcing 方式 可以迅速整合最新道路信息 并有效覆盖多样化的环境类型 包括城市街道、城镇区域和农村地区等不同空间尺度的道路网络。然而 这种模式由于高昂的成本投入及耗时长的特点 并不适用于单一研究人员团队使用 而更适合那些有较大资源投入能力并需要覆盖更大范围的研究项目而言。

2点云高精地图生成

在获取初始传感器数据后（段落：Once initial sensor data is collected），通常会对这些数据进行融合与排序处理以构建基础地图，并主要依赖此地图进行精准定位. 其中一种常见的方法是利用三维激光雷达（LiDAR）进行初始化；但为了提升精度和全面性, 还可以结合其他辅助传感器的数据. 这样可以在高精度的地图上实现更为准确的状态估计. 此外, 在获取方位与位置信息方面, 惯性导航系统（INS）与全球 positioning system（GPS）起到了关键作用. 从而能够在厘米级精度下更新地图的位置信息. 这些点云生成的地图具有极高的精确度, 并且可以帮助车辆在3D空间厘米级进行精准定位. 然后, 在完成点云配准后, 将从PCL映射创建矢量映射. 点云配准被称为对齐多个重叠点云以生成详细和准确地图的多步骤过程（如下图所示）

矢量地图涵盖与车道线、人行道线、交叉路口符号、道路边界线及交通标志物和交通信号灯等相关要素的信息。毫无疑问，在高清晰度地图生成领域中，地图数据要素构建是一项重要组成部分，并可被明确界定为HD地图中的基础几何要素图层结构。

建图技术

生成的地图技术主要包括实时获取和静态获取的地图数据。静态的地图数据集中存储于中心位置，并基于卫星信息、激光雷达以及摄像头捕捉的数据完成数据采集后进行离线处理。

在线地图生成时采用轻量级模块完成，并非仅依据不同的地图制作类型，在对地图技术进行分类时也可以采用传感器以及其融合方式来实现

以下标测技术依赖于激光作为主要传感器，并表现出良好的精度特性。目前大多数测绘技术普遍采用激光作为主要传感器，并在测绘领域发挥重要作用。然而也有一些方法仅使用视觉传感器构建点云地图，并发展出专门用于3D模型生成的点云配准技术。以下介绍几种常用的技术方案！

1） 基于分割的点云配准

SegMap是利用点云中的分割特征提取模块作为基础构建的一种映射解决方案。该方法通过重新构建关键局部特征来实现生成点云图。实验结果表明，在与LOAM协同应用时整体性能优于仅依赖LOAM框架。

2）仅基于激光雷达的点云建图

通过优化现有技术中的点选择策略以及采用LOAM迭代姿态优化算法对激光雷达系统进行改进后的小型视场与非均匀采样方案，在实验环境中已经达到了显著的精度提升与运行效率优化效果，并如图所示展示了完整的建图架构。

3）里程计融合点云配准

当GPS处于不可用状态或信号丢失的状态时，在室内环境中融合里程计的应用非常广泛且高效。基于迭代最近点算法的ICP方法能够精确匹配目标空间中的近似几何体，并有效利用6个自由度的信息完成配准过程。

4）GPS融合点云配准

在GNSS系统中，绝对位置被用作基于图的建模中的约束条件，并基于统一的点云数据和坐标系构建该系统。此外，在点云数据中采用基于绝对三维坐标的标记方式来表示各个体素。

5）INS融合点云配准

在无任何传感器的应用场景下，在每次NDT更新的基础上估算车辆的状态以及方位角。通过速度与加速度生成基于运动学模型的起始估计值。其中，IMU负责处理平移与方向信息的更新工作。此外，Autoware所采用的NDT映射技术不仅能够实现标定应用所需的IMU数据处理，并且成功整合了里程计测量数据以提升定位精度。

6）视觉传感器融合点云配准

R2-LIVE与R3-LIVE算法基于激光、惯性导航系统及视觉传感器的融合实现精确的空间映射与状态估算。其中R2-LIVE依赖于卡尔曼滤波器迭代优化的里程计以及因子图优化技术以确认系统的准确状态估算结果。而R3-LIVE则由两个独立功能模块组成：激光雷达与惯性测量单元结合构成里程计系统；视觉传感器与惯性测量单元协同工作完成空间位置测量任务。全球地图系统通过高精度手段实现了激光雷达与惯性测量单元之间的几何关系建模；同时将地图上的纹理特征通过视觉感知技术投影至全局坐标系中形成完整的环境感知框架。

该可视化展示了基于现有建图算法生成的地图数据。该系统可整合多组传感器数据构建完整的地理信息。将视觉里程计（包括IMU和摄像头）、GPS以及激光雷达的数据整合至单一超级节点中，并通过此节点优化地图信息[32]。

如图所示，在线地图采用了多种手段获取轨迹信息。（a）展示了安大略科技园区的地图传感器提供的完整轨迹信息及对应的里程计读数。（b）与（c）则分别展示了全轨迹路径在局部区域的高度放大。该实际参考轨迹基于RTK-GPS与惯性测量单元的数据整合生成。实验结果表明，在仿真的城市道路场景中，R3-LIVE系统能够高度吻合实际行驶路线，并且其定位精度优于传统基于RTK-GPS的方法。

3高清地图的特征提取方法

为了达到ego车辆的定位目标并使其遵循运动规划及任务计划的需求，必须进行特征提取。这些特征包括道路（车道）提取、道路标记以及杆状物体的识别与提取。过去常用的手动方法用于特征提取，其耗时费力且精度不足。近年来...技术已被开发并广泛应用于提高特征提取效率和降低人工工作强度。

1）道路网络提取

a）基于二维航空图像的道路提取

道路地图和网络对于自动驾驶系统具有重要意义。利用航空图像提取路线图同样具有吸引力,因为航空照片通常覆盖广泛的城市地图,并通过卫星持续更新,但手动提取过程耗时耗力且容易出错,因此需要一种自动化的方法来解决这个问题。为了填补道路分割带来的不连续性问题,他们提出了一种新的解决方案:将断开的道路连接点与特定范围内的其他道路连接点进行匹配处理,将这些断开的道路视为潜在的道路连接点并进行处理。通过A*算法[39]选择最短路径作为连接方案,如上文所述：

迭代图增长法

采用迭代的方法从2D航空图像中提取关键节点作为基础结构。随后系统性地进行逐步构建,直至完成整个路网体系的形成过程。其中,B代表基于CNN决策机制所做出的关键判断,决定了如何动态地加入节点与连接关系以完善 road 网络框架.因此,该算法能够实现 road 网络布局方案的有效规划,其具体实现流程如上文所述

在15张城市地图中对该道路跟踪方法的表现进行了测试，并将其结果与其他分割方法进行对比

图生成方法

基于图像的方法可以直接从航空图像推断出道路网络图。该方法将输入的航空图像转化为向量场以便于神经网络进行预测。随后利用解码算法将推断结果还原成具体的图形结构。

通过采用分割技术结合卷积神经网络，在极短时间内能够实现从航空图像中自动提取出大规模的道路网络结构。

b）基于3D点云的道路提取

基于此3D点云的道路或车道提取技术已经得到了广泛应用，在生成高清地图的过程中发挥着重要作用。采用极高的精度激光雷达点云不仅能够捕捉到扫描对象的关键几何特征信息，并且还能够记录下扫描对象的几何信息。3D点云数据是通过在 CBD 区域内动态采集数据[64]的方式获取的，在此过程中始终采用闭环数据采集模式以防止累计配准误差导致的数据漂移问题（如图所示）。

该算法用于从包含环路的点云中识别出相关帧，并专注于特定区域内的帧信息。经过下采样处理后分离出地面平面数据，并去除与自身车辆及周边环境无关的数据点。随后通过3D正态分布变换（NDT）实现预处理后循环数据的配准与融合，在完成原始数据后续处理后即可生成最终的道路边界信息。

c）基于传感器融合方法的道路/边界提取

基于两种数据源——2D航空图像与3D点云——的道路提取都存在一定的限制。由于照明条件不足、路边设施的影响以及地形复杂带来的遮挡，在利用卫星遥感图像与航空遥感图像所获取的道路网络往往不够精确也不完善。同时，在利用3D点云进行特征提取时也会遇到遮挡问题以及采样密度波动带来的挑战，在利用单一数据源进行道路或其边界探测时会面临明显的局限性。因此研究者们一直在努力整合多种数据源以可靠地探测出道路上及其边界的特征

2）道路标线提取

作为高清地图的重要组成部分的道路标记，在实际应用中能够提供关于交通方向、转弯车道以及可行驶与不可行驶车道等关键信息的详细数据。这些信息不仅包括交通方向和转弯车道的关键数据，并且还涵盖了可行驶与不可行驶车道的具体情况以及人行横道的相关细节。值得注意的是，在实际操作中我们同样可以采用2D图像或者3D点云来完成道路标记的提取过程。

a）基于二维图像的道路标线提取

在传统技术中, 2D 图像的道路标线提取主要依赖于 图像处理 技术 和 计算机视觉 方法. 经过 去噪 与 增强 处理后, 在包含路标的目标 图像 中可显著提升路标的 清晰度 与 对比度. 卷积神经网络 (CNN) 的引入及其 技术 发展使得基于其的方法逐渐应用于 道路标志 的 检测 与 识别. 在二维 图像 中 roadmarking extraction and recognition 通常采用两类不同的方法. 一种基于车载摄像头获取前视图的方式, 另一类则利用航空遥感影像中的信息. 具体应用案例如图1所示:

前视图图像因其实用性和操作简便而被广泛应用于道路标记提取过程中，在现有技术已开发出多种方案来实现车道线标记的检测。

b）航空图像中的道路标线提取

卫星和航空图像不仅可用于道路网络提取，还可用于道路标记提取。

c）基于三维点云的道路标线提取

3D点云上的道路标线提取主要采用两种不同策略：从下往上分析法与从上往下分析法。其中以从下往上分析法为主流的方式，在该种策略中通过识别区分出道路标记点云与背景点云后直接获取道路标记信息；另一方面则采用了基于预设几何模型的计算智能网（CNN）检测技术，并据此重建 roads 标记线

3）杆状物体提取

在高清地图中，在道路环境中占据重要地位的是那些具有明确形态特征的对象（如交通灯、交通标牌、路灯、树木以及电话线杆等）。这些对象不仅有助于识别道路的基本组成要素（与其它道路设施相比），还对车辆的运动规划具有重要意义（例如，在红绿灯前需要根据信号判断车辆流动状态）。采用MLS 3D点云分割与分类的方法通常可实现对这些对象的有效提取。此前已研发出多种用于识别这类对象的技术。

4高清地图框架

随着高清地图日益复杂, 需要提取的环境特征不断增加, 有必要采用结构化的良好软件框架, 以便全面存储相关信息, 并保证地图的一致性。本节介绍Apollo地图, 这是中国自动驾驶领域领先的百度阿波罗平台开发的高清地理信息产品。其采用OpenDRIVE格式为基础进行优化和改进, 特别针对阿波罗系统进行了定制化设计。与之不同的是, 在阿波罗系统中仅采用点进行表示, 而非像OpenDRIVE那样利用线、螺旋线和圆弧等几何图元来定义道路边界。每个点都包含纬度和经度值信息, 这些点列表则用于描述道路轮廓线。在Apollo高清地理信息系统中, 一般包含以下五个关键要素：

道路元素包含道路边界、车道类型和车道行驶方向等特征；

相交元素具有相交边界；

交通信号元素包括交通信号灯和标志；

逻辑关系元素包含交通规则；

其他要素包括人行横道、路灯和建筑物[133]。

百度阿波罗致力于构建高清地图，并按照流程划分为五个阶段：数据源、数据处理、对象检测、手动验证和地图制作。如图所示。

阿波罗地图基于OpenDRIVE的高级版本，在功能上更为详尽完整，并新增了不具备在OpenDRIVE中出现的功能如无停车区和人行横道等元素。为了准确描述复杂的道路结构与行为特征，阿波罗地图需要更为详尽的数据描述以定义每条车道的位置与边界条件；相比之下-open_drive仅需指定车道宽度即可完成基本定义而apollo则需借助离散点精确描绘出车道边界的详细信息

**来源 |**无人驾驶俱乐部