反驳马斯克：自动驾驶离不开激光雷达，图像技术成熟至少还要十年

本文由微信公众号 「AI 前线」原创（ID：ai-front），未经授权不得转载

采访嘉宾 | DeepMap 工程技术总监 邹亮

整理 | Debra

编辑 | Natalie

AI 前线导读： 从去年下半年开始，关注自动驾驶领域的人感觉到，这个领域已经从头几年的狂热期逐渐趋于冷静，无论是融资还是关于技术突破方面的消息不再源源不绝。

另一方面，高精地图对于推动自动驾驶应用在实际场景来说至关重要，它相当于自动驾驶车辆的“双眼”+“指挥中心”，决定着自动驾驶车辆的行驶路线，从而也决定了车辆和乘客的安全。本文将通过自动驾驶高精地图服务公司 DeepMap 工程技术总监邹亮，全面了解对于自动驾驶至关重要的高精地图从生产制作到实践部署的过程，以及他对于自动驾驶生态的看法。

更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）

2016 年，在硅谷 Palo Alto，前百度无人车部门的首席架构师吴夏青（James Wu）与他的前同事——谷歌地图引擎创始人 Mark Wheeler 一同创办了一家名为 DeepMap 的公司，旨在开发能够帮助无人驾驶车辆在复杂而不可预测的真实世界中自主导航的技术能力，其中高精 3D 地图是他们的主打产品。

高精地图主流技术

首先我们来了解一下高精地图的概念。高精地图不是相对于普通的导航电子地图精度更高的一种地图，普通的导航电子地图是面向人类驾驶员使用，而高精度地图由自动驾驶汽车直接读取，用于自动驾驶汽车的定位和道路规划。高精地图自动驾驶常用的传感器包括：激光雷达 (LiDAR)、相机 (Camera)、GPS 和惯导 (IMU)。

DeepMap 3D 定位地图

高精地图对于自动驾驶的重要性不言而喻，它们就像是人类的“双眼”+“指挥中心”，决定着无人车行驶的路线。现在市面上的高精地图产品主要有哪些类型呢？它们的优势和不足有哪些？

邹亮告诉 AI 前线记者，目前主流的高精地图主要分为两大类，一是激光点云融合技术，简单来说就是用激光雷达扫描，返回场景分布点的技术；二是基于图像和 GPS 的技术。其中，激光点云融合的技术又分为两种，一是基于点云融合的算法，其应用场景较广，不仅限于 GPS 场景，这也是 DeepMap 采用的技术思路；第二种是基于比较精确的差分 GPS 和精确惯导（IMU，惯性测量单元），其对场景依赖较强，必须在比较开阔的场景使用，对于高架桥等 GPS 信号弱的场景效果不佳。基于图像和 GPS 技术解决方案精度比较差，主要用来制作 L2、L3 的 ADAS 地图，而激光点云则可以满 L4、L5 的需求。

邹亮表示，DeepMap 生产的高精地图，精度可达到 5cm，定位精度在 10cm 以内，而市面上的产品精度一般在 20cm 左右。

高精地图生产关键点

大规模、低成本生产无人驾驶高精地图是业界难点，解决这个问题的关键点是什么？邹亮表示，大规模制图的关键点主要包括三点：

1. 数据采集的管理，需要有数据采集路线和需要更新的数据，才能合理判断道路的采集方式和最省时省资源的路线，而这些都需要好的设计才能优化达到最高效率；

2. 大数据处理，高精地图所需要处理的数据量巨大，必须使用数据中心计算机集群来做处理，并且涉及到很多并行计算和处理，这些对数据处理能力都是极大的考验；

3. 高精地图的实时更新也相当重要，道路环境有可能在不断的变化，需要实现快速有效的更新发生变化的区域。

实际应用中的挑战

目前，DeepMap 在高精地图生产过程中主要有以下应用，但各种应用过程中都还有需要不断克服的挑战：

图像语义分割

图像语义分割是将图像中每一个像素划分在预先规定的几个类别中，不同类别对应不同的语义信息。用于交通标识的检测，包括车道线、标识牌、信号灯等，它的难点在于需要生成出不同国家或地区的训练集。比如在美国，同属加州的旧金山收集的数据不一定在洛杉矶可以用，不同国家之间差异就更大了。

路牌、信号灯检测

现在可以做到自动生成路牌和信号的 3D 位置，但还需要进一步提高检测的召回率，这很好理解，在真正的无人驾驶场景中，不能轻易漏掉任何一个物体，因为如果漏掉了会容易产生严重的安全事故。难点二是从 2D 图像到 3D 坐标中的朝向有时不太准确，需要人工调整。

车辆检测

高精地图需要把车辆等临时存在物去除，所以需要做车辆检测。车辆是一种很常见的可移动障碍物，可以使用现有的深度学习模型计算出车辆的 3D 位置，来完成车辆的移除，除此之外还会用到相机和激光雷达得到的数据结果。

3D 点云车辆检测

DeepMap 3D 点云车辆检测

通过算法，DeepMap 使用点云数据和图像训练出的模型，可用于直接去除点云中的车辆点，并提高点云匹配的精度。但 3D 点云车辆检测也存在一些挑战，难点之一在于前面提到的训练集，高质量的训练集比较难以获取，这些数据集获取时间久、价格高；难点二在于精确率不如 2D 图像深度学习结果准确。

除此之外，高精地图技术和实际应用之间的鸿沟还有很多，在自动驾驶真正上路之时仍然会遇到很多挑战。比如在地下车库场景中最突出的完全没有 GPS（+ 信号）的现象。由于低成本 IMU 惯导无法获取精确的初始位置，因此难以进行定位。面对这一问题，DeepMap 采用了基于低成本的传感器，以及点云融合和 ICP 的算法成功地进行了车库地图制作。而对于其他厂商来说，地下车库地图制作很困难，但也不是没有办法，一种方案是采用高成本的激光雷达进行精准测量，但是成本较高。在这一问题上，DeepMap 的优势在于可以低成本完成高精地图制作。

激光雷达不可或缺，高精地图也远未完善

关于高精地图，马斯克近日来发表的那句引起了很大争议的言论绝对值得一提：“False and foolish = HD maps and LiDAR”。和很多人一样，邹亮也并不认同这一说法。

他认为，马斯克说这句话的出发点可能在于目前来说激光雷达的成本太高，甚至超过一辆汽车的价格，如果激光雷达的成本降低，马斯克也许就不会这么说了。在他看来，目前激光雷达对于安全自动驾驶是必不可少的设备之一，随着激光雷达创企的发展，激光雷达的成本将达到厂商可承受的范围之内。但另一方面，这句话在未来也许会成为现实，那就是当图像技术能够达到人眼的级别时，激光雷达可能就不是必需的了，但这一天何时到来，邹亮表示至少要在十年之后。

邹亮认为，高精地图技术现在仍然有待开发，远远还未达到完善的阶段，我们虽然有全国高速公路的数据，但 还没有任何一家厂商能够制作覆盖全国的针对 L4 和 L5、采用点云融合技术的高精地图， 这是自动驾驶领域的一个缺憾和空白。

目前，高精地图主要面向 L2、L3 级自动驾驶车辆，但由于国家政策和技术能够实现的精度不够，高精地图还未大规模使用。另一方面，L4、L5 级自动驾驶依赖于激光雷达，但是由于需求的数据量太大、场景变化太多，相应的点云融合技术目前还未实现，未来还需要继续完善。

那么，高精地图的发展究竟受到了什么限制，才迟迟难以突破近在眼前的问题？邹亮表示，主要瓶颈在于这几点：

1. 测绘行业政策严格，并非所有企业都被允许进入测绘行业；

2. 国家还未确定何时开放公共道路无人车测试，只有大规模的需求才能促进高精地图发展；

3. 高精地图的商业模式还无法支撑整个行业的进一步发展。在 DeepMap，商业产品的形式主要包括四种，一是为无人车初创公司、传统车企和技术难点无法突破的图商提供高精地图定制化生产；二是定位服务，这和高精地图息息相关；三是多传感器的标定，实现坐标转换；四是低成本数据收集方案。

自动驾驶领域趋于冷静是好事

邹亮表示，高精地图是自动驾驶不可或缺的技术，Waymo、Cruise 等已经证明了其价值。但在技术上，高精地图厂商亟需解决制作覆盖全国的点云融合高精地图的问题，以及实现地图的及时更新。

关于自动驾驶趋于冷静，邹亮表示，自动驾驶是一个对技术要求较高的领域，市场冷静下来有利于优胜劣汰，让真正做技术的自动驾驶公司存活下来，让一些公司可以做真正有利于这个行业的技术，总体上利大于弊。Cruise 刚拿下的天价融资额，也验证了这个观点。

而对于绕不开的自动驾驶安全性问题，邹亮则直接给出了建议，他认为可以通过多传感器融合技术来解决，因为依赖于任何一个传感器都会存在风险，如果特斯拉不过于依赖摄像头，使用了激光雷达，也许多起悲剧事故本可以避免，将风险降到最低。

嘉宾介绍

邹亮，2006 年加入 Google Earth/Maps，在谷歌工作 9+ 年，2016 年作为创始工程师加 DeepMap，现任工程技术总监，负责高精地图的采集、制作、更新和维护整个流程及大中华地区的工程技术。

往期推荐

一文看尽微软开发者大会 让AI和云驱动一切

▲点击图片观看

朱珑首次公开亮相：依图发布求索AI芯片和两款硬件

▲点击图片观看

深度|蔚来的“危险游戏”

▲点击图片观看

- 加入社群吧 -

网易智能AI社群（AI芯片、医疗AI、金融AI、电商AI、自动驾驶、教育AI、AIoT、机器人等12个社群）火热招募中，对AI感兴趣的小伙伴，添加智能菌微信 kaiwu_club，说明身份即可加入。