無人駕駛入門2：高精度地圖

來自專欄測繪師5 人贊了文章

自從上次發布了《無人駕駛入門1：無人駕駛概覽》，就收到了不少的鼓勵和鞭策，包括前領導的肯定。那我們趕緊來學習第二課關於高精度地圖的課程吧。

第二課： 高精度地圖

課程簡介：了解高精度地圖的實現邏輯，這是 Apollo 定位、感知、規劃模塊的基礎。

1.地圖簡介

略

2.Sebastian介紹高精度地圖

略

3.高精度地圖vs傳統地圖

傳統地圖能夠擁有導航路徑規劃、擁堵信息提示、多條路徑規劃的時間等信息，甚至可以獲得路口是否有信號燈、道路上是否有測速照相等信息。

高精度地圖更包含了大量駕駛輔助信息，其中最重要的就是道路網的精確三維表徵，比如交叉路口布局和路標位置等信息，高精度地圖還包含了很多語義信息，包括信號燈顏色定義、道路限速信息、車輛轉彎開始位置等。

高精度地圖區別於傳統地圖的一個重要特徵就是精度，傳統地圖只能有米級的精度，對於車輛來說，米級的精度是完全不夠的。高精度地圖做到了厘米級的精度，這對於確保無人駕駛的安全性至關重要。

4.地圖與定位、感知與規劃的關係_a

高精度地圖是無人駕駛的核心組成部分，很多模塊都依賴高精度地圖。

高精度地圖的一個重要功能就是自定位，拿定位和拼圖來打比方，當你拿到一小塊拼圖，你是否能在地圖中找到這個拼圖所在的位置呢？

無人駕駛需要知道自身所在地圖的位置，首先車輛就需要尋找地標，車輛通過攝像頭、雷達等感測器獲得的信息同高精度地圖上已知地標進行比較。

這一匹配過程需要經過預處理、坐標轉換、數據融合這幾個複雜過程。預處理來消除不準確或質量差的數據，坐標轉換將來自不同視角的數據轉換為統一的坐標系，藉助數據融合可以將來自各種車輛的感測器數據合併。

定位就是通過這幾個複雜的過程完成的，通過高精度地圖可以讓車輛了解自身的位置。

5.地圖與定位、感知與規劃的關係_b

無人駕駛車可以使用高精度地圖來幫助感知，車輛的感測器就像是人類的眼睛、耳朵，但同樣會受到外界條件的影響，比如惡劣天氣、夜間等，另外如果遇到障礙物，感知是無法了解障礙物背後的物體。

正因為如此，一方面地圖可以幫助感測器提前預知事物位置，另一方面地圖可以幫助感測器縮小檢測範圍，即讓感測器僅檢測感興趣區域(ROI)。ROI可以提高感測器檢測精確度和速度，可以節約計算資源。

6.地圖與定位、感知與規劃的關係_c

高精度地圖可以幫助車輛尋找合適的行車路線，可以幫助確定不同路線的選擇，還能確定道路上其他車輛將來的位置。

比如高精度地圖已經精確到車道線，所以車輛儘可能沿著車道中心線行駛；比如在人行橫道、減速帶等區域，通過高精度地圖可以提前預知，提前減速；比如前方遇到障礙物需要變道，高精度地圖可以幫助其縮小選擇範圍，獲得最佳變道方案。

7.Apollo高精度地圖

高精度地圖專為無人駕駛設計，提供了道路定義、交叉路口、交通信號、車道規則以及汽車導航的其他元素，可以為無人駕駛車提供多方面的幫助。

比如高精度地圖記錄了信號燈的精確位置和高度信息，從而降低了感知難度。

地圖更新是高精度地圖中的一項重要工程，需要很多的作業車輛，對高精度地圖不斷進行驗證和更新，同時要達到厘米級的精度，這需要非常高的製圖技術。

高精度地圖有很多格式，不同的格式就會導致系統的不兼容，為了便於共享，Apollo採用了OpenDrive格式，這是行業製圖標準格式。

百度Apollo還開發了一套完善的采圖繪圖系統，其中90%的地圖繪製流程實現了自動化。

8.Apollo高精度地圖構建

高精度地圖的構建由五個過程組成：數據採集、數據處理、對象檢測、手動驗證和地圖發布。

數據採集是一個巨大的工程，百度Apollo擁有近300輛專業車輛用於數據源採集，當然，這些數據採集車不僅僅用於數據採集，對於地圖的維護和更新也非常的重要，他可以及時的更新地圖數據。

專業車輛具有角度的感測器，比如GPS、慣性測量單元(IMU)、激光雷達和攝像機，Apollo定義了一個硬體框架，將這些感測器集成到單個自主系統中，通過將這些數據的融合，最終生成高精度地圖。

數據處理是指對手機的數據進行整理、分類以及清洗的過程，以獲得沒有任何語義信息或注釋的初始地圖模板。

對於對象檢測，Apollo團隊使用人工智慧來檢測靜態對象並對其進行分類，包括車道線、交通標誌甚至電線杆。

手動驗證可以確保自動地圖創建過程正確並及時發現問題。

經過了上述過程的處理，地圖可以進行發布，除了發布高精度地圖，Apollo還發布了採用自上而下視圖的相對定位地圖以及三維點雲地圖。

在構建和更新地圖的過程中，Apollo使用了眾包，任何人都可以通過百度發布的工具參與制作高精度地圖的任務，Apollo高精度地圖眾包可以通過智能手機、智能信息娛樂系統甚至是其他無人駕駛車來實現。

9.課程綜述

略

課後小結

雖然個人從事導航地圖已有十年，但學習高精度地圖課程還是有不少的啟發。

首先，高精度地圖可以自定位。

這一點打破了原有的認知，或者需要轉換一個角度來思考。

對於傳統地圖，都是真實世界的絕對位置地圖，我們假定數據公司採集的地圖都是真實準確的。而在導航軟體中，獲得GPS定位信號，再同地圖進行匹配，可以即時獲得地圖中的定位信息，也就是知道了你在世界的哪個角落。GPS是一種感測器，但已經非常成熟，包括硬體和演算法的成熟以及系統的穩定。所以，我們會認為地圖定位非常容易，藉助外部GPS即可。

而高精度地圖，除了傳統地圖功能外，還可以通過地圖中的特徵(本視頻中的地標，或其他公司所謂的指紋)，進行自定位。既需要地圖中的數據支持，也需要藉助外部的感測器，這個感測器不是GPS，而是攝像機、雷達等，而其中的定位匹配演算法並不像GPS定位演算法這麼簡單，這也是無人駕駛技術中所需要克服的難題之一。

其次，高精度地圖是三維的。

傳統地圖是二維的，以點線面為主，一方面本身不需要紅綠燈、路燈等各種特徵對象的高度信息，另一方面高程信息在導航中的應用並不多，顯示建築3D、高架立起或者山丘欺負，僅僅起到美觀作用罷了。

而高精度地圖，除了自定位的需要，同時還需要還原真實的世界，不僅僅需要認清可行駛的車道線，也需要識別馬路牙子、隧道橋洞等信息。

再次，高精度地圖的構建需要眾包

傳統地圖的構建，基本都是地圖數據公司作業車採集的成果，眾人所能提供的信息，也僅僅是反饋。以前的離線地圖更新，需要等待一個版本，一般至少要等一個季度，而即便現在的在線地圖，從反饋、驗證、修正到發布，也至少要數天的時間。我們僅僅是一個使用者，而無法成為創建者。

對於高精度地圖來說，一個季度的更新實在太久，更新的頻度是無法滿足需求的。同時，高精度地圖依然需要專業車輛的採集，作為專業數據輸入源，但每一個自動駕駛車輛，又是數據貢獻源，因為無人駕駛車的地圖自定位同地圖採集是想通的，甚至由於演算法的一致性，數據驗證也將變得簡單。

基於此，更需要高精度地圖眾包，讓眾人參與到地圖構建中，只為更精準的高精度地圖數據。

既然opendrive format是開放的，那麼誰會來主導一個類似openstreet map的眾包項目呢？拭目以待。

推薦閱讀：