【资料整理】高精地图

本文资料均来源于网上，由作者整理合并，侵删

• 高精电子地图
  高精细地图是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道，如今随着定位技术的发展，高精度的定位已经成为可能。而精细化定义，则是需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。
  与传统电子地图不同，高精度电子地图的主要服务对象是无人驾驶车，或者说是机器驾驶员。和人类驾驶员不同，机器驾驶员缺乏与生俱来的视觉识别、逻辑分析能力。比如，人可以很轻松、准确地利用图像、GPS定位自己，鉴别障碍物、人、交通信号灯等，但这对当前的机器人来说都是非常困难的任务。因此，高精度电子地图是当前无人驾驶车技术中必不可少的一个组成部分。高精度电子地图包含大量行车辅助信息，其中，最重要的是对路网精确的三维表征（厘米级精度）。比如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，车载机器人就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来精确确认自己的当前位置。此外，高精地图还包含丰富的语义信息，比如交通信号灯的位置及类型，道路标示线的类型，识别哪些路面可以行驶等。这些能极大提高车载机器人鉴别周围环境的能力。此外，高精度地图还能帮助无人车识别车辆、行人及未知障碍物。这是因为高精地图一般会过滤掉车辆、行人等活动障碍物。如果无人车在行驶过程中发现当前高精地图中没有的物体，便有很大几率是车辆、行人或障碍物。因此，高精地图可以提高无人车发现并鉴别障碍物的速度和精度。
  

• 高精地图特点
  相比服务于GPS导航系统的传统地图而言，高精地图最显著的特点是其表征路面特征的精准性。传统地图只需要做到米级精度即可实现GPS导航，但高精地图需要达到厘米级精度才能保证无人车行驶安全。
  高精地图是无人驾驶核心技术之一，精准的地图对无人车定位、导航与控制，以及安全至关重要。我们马路上的车道线的宽度大约都在10cm左右，如果让行驶的车辆完全自动驾驶的情况下同时避免压线，就需要地图的定位精准度到10cm，甚至要达到该值的范围以内。其次高精度地图还要反馈给车辆例如道路前方信号灯的状态、判断道路前方的道路指示线是实或虚，判断限高、禁行等等，所以高精度地图对于车辆的行驶来说要能够反馈准确的信息，来保证车辆安全、正常行驶。高精度电子地图包含大量的行车辅助信息，包括路面的几何结构、标示线位置、周边道路环境的点云模型等。有了这些高精度的三维表征，无人驾驶系统就可以通过比对车载GPS、IMU、LiDAR或摄像头的数据来精确确认自己当前的位置，并进行实时导航。
  
  此外，高精地图还需要比传统地图有更高的实时性。由于路网每天都有变化，如整修、道路标识线磨损及重漆、交通标示改变等。这些变化需要及时反映在高精地图上以确保无人车行驶安全。实时高精地图有很高的难度，但随着越来越多载有多种传感器的无人车行驶在路网中，一旦有一辆或几辆无人车发现了路网的变化，通过与云端通信，就可以把路网更新信息告诉其他无人车，使其他无人车更加聪明和安全。

• 高精地图生产
  美国加州大学河滨分校Sutarwala，Behlul Zoeb的研究使用配备RTK-GPS的采集车沿着所需线路车道驾驶采集数据，这个方法存在的问题是只能获取车道中心线信息，其精度也容易受到驾驶员的驾驶路线的影响，而且每条车道都需要行驶一遍，对于复杂的交通路况不实用。
  Markus Schreier在研究中提出使用激光雷达和广角摄像头结合的方法提取道路信息，加上配备的高精度GNSS能够达到 10cm精度。此方法中需要使用 64 线激光雷达，传感器成本比较高，而且依靠激光雷达反射率生成的俯视图在清晰度方面很难保证，很难在上面使用图像处理方法对线进行提取，人工标注也比较困难。
  Chunzhao Guo在他的研究中提出使用低成本传感器创建车道级地图的方法,提出使用GPS/INS紧耦合结合光流法进行定位，在卫星数量较少的城市环境也能够实现可靠定位，从拼接的正射影像图中提取信息，但是绝对定位系统精度在很大程度还是依赖GPS。
  
  传统电子地图主要依靠卫星图片产生，然后由GPS定位，这种方法可以达到米级精度。而高精地图需要达到厘米级精度，仅靠卫星与GPS是不够的。因此，其生产涉及多种传感器, 由于产生的数据量庞大，通常会使用数据采集车收集，然后通过线下处理把各种数据融合产生高精地图。目前，高精度地图正在形成一种“专业采集+众包维护”的生产方式，即通过少量专业采集车实现初期数据采集，借助大量半社会化和社会化车辆及时发现并反馈道路变化，并通过云端实现数据计算与更新。大量的数据传输，对于网络条件也提出了很高要求。
  
  高精度地图数据采集车
  高精地图的制作是个多传感器融合的过程， 包括了以下几种：
  陀螺仪（IMU）： 一般使用6轴运动处理组件，包含了3轴加速度和3轴陀螺仪。加速度传感器是力传感器，用来检查上下左右前后哪几个面都受了多少力（包括重力），然后计算每个上的加速度。陀螺仪就是角速度检测仪，检测每个上的加速度。假设无人车以Z轴为轴心，在一秒钟转到了90度，那么它在Z轴上的角速度就是90度/秒。从加速度推算出运动距离需要经过两次积分，所以，但凡加速度测量上有任何不正确，在两次积分后，位置错误会积累然后导致位置预测错误。所以单靠陀螺仪并不能精准地预测无人车位置。
  轮测距器（Wheel Odometer）： 我们可以通过轮测距器推算出无人车的位置。汽车的前轮通常安装了轮测距器，分别会记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数，我们可以推算出车辆向前走了多远，向左右转了多少度等。可是由于在不同地面材质（比如冰面与水泥地）上转数对距离转换的偏差，随着时间推进，测量偏差会越来越大。所以单靠轮测距器并不能精准预测无人车位置。
  GPS：任务是确定四颗或更多卫星的位置，并计算出它与每颗卫星之间的距离，然后用这些信息使用三维空间的三边测量法推算出自己的位置。要使用距离信息进行定位，接收机还必须知道卫星的确切位置。GPS接收机储存有星历，其作用是告诉接收机每颗卫星在各个时刻的位置。在无人车复杂的动态环境，尤其在大城市中，由于各种高大建筑物的阻拦。GPS多路径反射（Multi-Path）的问题会更加明显。这样得到的GPS定位信息很容易就有几十厘米甚至几米的误差，所以单靠GPS不可以制作高精地图。
  激光雷达（LiDAR）： 光学雷达通过首先向目标物体发射一束激光，然后根据接收－反射的时间间隔来确定目标物体的实际距离。然后根据距离及激光发射的角度，通过简单的几何变化可以推导出物体的位置信息。LiDAR系统一般分为三个部分：一是激光发射器，发出波长为600nm到1000nm的激光射线；二是扫描与光学部件，主要用于收集反射点距离与该点发生的时间和水平角度（Azimuth）；三是感光部件，主要检测返回光的强度。因此我们检测到的每一个点都包括了空间坐标信息以及光强度信息＜i＞。光强度与物体的光反射度（reflectivity） 直接相关，所以从检测到的光强度也可以对检测到的物体有初步判断。

• 高精地图的机遇与挑战
  随着自动驾驶的发展，更多的汽车厂、风投越来越认识到高精地图的重要性。BBA投资了Here地图，福特、上汽投资了Civil Maps 、软银投资 Mapbox等一系列投资，无非就是汽车行业和IT巨头们非常看重这些创新企业或者图商未来在未来的发展潜力。
  同时，BAT通过收购、控股或入股的方式将几大的数据商全部瓜分，在国内要抢占高精度地图或导航电子地图资质的门槛，这些都给高精地图带来非常好的发展机遇。
  
  在这么好机遇下，高精地图的发展还面临如下挑战：

  • 高精地图的精度要求
    
    不同数据内容表达的精度是不同的。真实情况其实比上图更复杂，不同场景面临的精度要求也不同。例如在道路宽度或道路车线精度是正负10厘米，那么在隧道里，就不一定要求正负10厘米了，因为定位基本做不到正负10厘米。所以在不同场景下，它对精度要求是不一样的。
    这也与自动驾驶的需求有密切关系。不同阶段的自动驾驶（Level 1到Level 5）的功能，会因为具体的精度而有不同需求。所以精度就是地图中一个可变的尺度，可高可低。
    目前，无论是从图商还是车企角度来看，精度问题都没有非常准确的答案。
    业界有一种说法，就是“相对精度做到20厘米”，这是好多车厂和自动驾驶团队的需求，但这个说法本身就有问题。但是在测绘界，“相对精度”是不会有一个绝对值的，它是一个量级百分比，所以“相对精度”的提法是有问题的。举个例子，车线宽度正负10厘米，信息牌是正负50厘米，它的精度会不一样，但实际上它的作用是一样的。
    车辆如果在道路上行驶的时候，从车辆本身看车线的精度，它离车线很近，可能就两三米远，这个时候正负10厘米的误差，影响很大。但是它离信息牌很远，可能十几米，这个时候50厘米的误差，与车线的10厘米误差，可能就是一样的。所以这种精度在表达的时候，“相对精度20厘米”的表达是不准确的。

  • 地图如何更新
    
    目前还存在一种高精地图无用论：现实世界是千变万化的，地图做出来就是一次性的、是静态的。但这里谈到地图高精动态，实际上，在如何制作动态地图的时候，就需要考虑如何更新。实际上很简单——通过众包。
    这种方法的来源是多种多样的，来源于政府的智慧城市和智慧交通上的业务、大数据人工智能方面的分析业务、共享业务、手机终端服务数据以及车厂中的导航业务、自动驾驶的任务以及人工智能业务。
    只要拥有通讯的智能设备，只要它能够获得位置信息，这个位置信息的精度能达到一定精度，这样的数据来源就是做地图更新的数据来源。这就是一个简单的业务闭环的概念。
    将HAD多级数据提供给政府、车厂和普通用户，他们在使用之后，不断传回这些位置数据。通过这种众包方式来更新地图，这也是未来的发展趋势，同时面临的挑战也非常之多。
    首先是数据的精度，有没有那么多高速定位的设备来反馈这样的数据；其次是这些闭环是否能够无缝打造；最后是各家是否愿意将数据贡献出来。这在未来都是非常大的课题。

  • 高精地图的生产成本
    
    这可能是图商之间谈论比较多的问题。从Level 2到Level 5，它对数据要求的内容和精度的要求会越来越高。
    在数据采集过程中，从作业效率一人/天百公里，一直到Level 5已经降到了每天能做几公里的速度。这个生产效率的下滑，相当于成本在不断提升。
    在这种情况下，需要引入人工智能。随着人工智能的提高，高精地图的生产成本会逐步下降，最终趋于平稳。
    地图制作包含哪些内容？首先是车线识别、特征点提取、构建车道的拓扑网络以及制作各种地物（人行横道、标线、交通标志）等等，这是一个基础的数据制作内容。
    
    按照图商制作的方式，这些是分为很多步骤来实现的，每一步都涉及到很多的质量控制和成本。在这样的一个基础上，中海庭针对这种情况，开发了自动化生产的平台，引进AI技术和自动化生产技术。
    比如在基于激光点云的处理中，可以通过自动化识别的方式来自动化提取道路标线，把各种标线提取之后，车线以及路面标识都可以通过自动化方式来实现。在路口拓扑的构建中，选择不同模式，通过自动化生产平台就能自动地将路口所有的拓扑关系自动生成出来。整个生产过程中，是一步到位来实施的，把所有中间过程全部给省掉了。将有些通过数据编译的过程，全部融合到生产过程中，这是一次性到位，极大减少了中间过程。这样可以降低高精地图生产成本。

  • 其实最核心的问题可能是政策问题
    
    法律法规问题在国际上一直存在，只是国外更加注重安全，更加注重于价值授权方面的法律法规。在中国，就有独特的社会法规来进行限制。
    在《基础地理信息公开表示内容的规定》中就规定，快速路、高架路、引道、街道和内部道路的铺设材料、最大纵坡、最小曲率半径不可公开。同时，也不能记录涉密的地理信息数据（坐标、高程等）。所以在自动驾驶中，关于坡度和高程问题无法使用的问题，对地图造成非常大影响。但更重要的就是加密，加密带来的误差。
    在测绘领域的加密，造成的精度误差，实际上并不是大家所理解的那样：加密之后，地图全部偏转和扭曲。它实际上是两个步骤，一个是地图偏转，另外一个是定位偏转。定位偏转和地图偏转如果是一样的，那就没有任何问题。但现在它的问题是两者不同，它会有随机误差。目前通过加密的调参数，可以做到定位加密和地图加密偏差不超过20厘米。
    如何减少加密对自动驾驶产生的影响（是减少影响，影响依然存在）。20厘米只是一个坐标偏离的问题，但实际上还有很多精度没有确定，比如相位的变化，有可能通过正负10厘米的偏差之后，导致相位发生反转，这是非常严重的问题。
    高精度电子地图的信息量与质量直接决定了无人驾驶系统的安全性、可靠性，以及效率。与传统电子地图不同，高精地图更精准（厘米级），更新更快，并且包含了更多信息（语义信息）。由于这些特性，制作高精地图并不容易，需要使用多种传感器互相纠正。在初始图制作完成后，还需要进行过滤以降低数据量达到更好的实时性。在拥有了这些高精度地图信息后，无人驾驶系统就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来确认当前的精确位置，并进行实时导航。