2020云栖大会于9月17日-18日在线上举行，阿里巴巴高德地图携手合作伙伴精心组织了“智慧出行”专场，为大家分享高德地图在打造基于DT+AI和全面上云架构下的新一代出行生活服务平台过程中的思考和实践，并重点分享了「高精地图、高精算法、智能时空预测模型、自动驾驶、AR导航、车道级技术」等话题。
「高德技术」把本场讲师分享的主要内容整理成文并陆续发布出来，本文为第1篇。
阿里巴巴高德地图首席科学家任小枫分享的话题是《高精算法推动高精地图落地》。任小枫从算法出发，介绍了高精地图制作和落地的挑战，以及高德如何打磨和突破关键技术，把高精地图做到业界领先。
去年云栖大会，任小枫给大家整体介绍了视觉技术在高德的应用，主要分享了常规地图和AR导航、视觉定位方面的工作。今年时间比较短（每位讲师只有12分钟的演讲时间），主要介绍高精算法方面的工作。
什么是高精地图？主要是给自动驾驶场景用的地图。它和我们平时开车时所用到的地图很不一样。一个关键就是要精准。高精地图需要有精准元素，精确位置，精细表示。例如下图中的杆子、车道线、行驶轨迹等都需要在高精地图中精确的表示出来。
自动驾驶要成功落地，高精地图是必须做成的事情。高精地图有很多用途：给自动驾驶用来定位；静态目标的建模“识别”；路径/行为规划。这些对于自动驾驶来说是非常重要的功能。
高精地图落地的挑战主要在哪里？
精度！精度！精度！（重要的话说3遍）其他的挑战还有规模、成本、时效。
首先是精度。高德对高精地图制作的首要原则就是要准！要做到很高的精度，百米相对精度10厘米。就是在真实世界中，如果有两个元素在真实世界中相距100米，那他们的相对位置，跟真实世界比起来的误差必须在10厘米之内。这是一个非常高的目标。在这样一个高目标下，生产效率和成本就成了非常大的挑战，具体细节这里不展开解释了，目前高德已经做到了行业领先的水平。此外，还有鲜度和更新，最早期的时候以年为单位，后来到了月更新，周更新，日更新甚至更快，这样才能真正做到地图信息是准确有效的。
算法在解决高精地图面临的挑战中有很重要的作用。算法相关的工作主要有三部分：
- 资料精度与对齐
- 识别和生产自动化
- 变化发现与更新
资料精度
高精地图的首要原则是精准。高德从一开始就做了很大的投入，使用了很贵的采集车。用的高精度Riegl采集车，高精度激光雷度，它的测距精度能达到5mm，1M/sec；高精度的组合惯导；千寻基站解算…但即使这样大的投入和采集车配备，也并不意味着采集的数据资料就没问题了，还是会出现问题。比如轨迹，静止或运动的时候都会出错，出错的时候并不是很多，可能只有0.5%的比例，但出错的时候就会造成点云资料出问题，比如点云分层，工程师们需要做很多算法方面的工作去检测，在点云分层的时候把它修复。
经过一系列工作后，能在轨迹错误率上有明显的降低。单趟资料采集精度的问题解决后，很快就会遇到多躺资料对齐的问题。举例来说，一条路上很可能做多次采集，多次采集回来的点云，如果不做处理的话就会出现非常明显的重影，它是不贴在一起的，需要用算法的手段把它对齐。这也有很大的挑战，因为对精度的要求很高，在5cm以内。
各种场景的挑战很多，比如植被的影响。在不同季节的时候采集数据就会遇到这种情况，这些树和灌木会造成非常大的影响。同时在对齐的时候需要保持轨迹的刚性。因为原来采集回来的时候，轨迹的相对精度是很好的。在对齐过程中不能破坏和降低相对精度。而是要在原有基础上去提高相对精度，包括上下行的场景，如果是一条路，上下行不同两个方向和观测角度采集到的资料，以及桥上桥下，因为共视区域有限，对齐的挑战就更高了。
资料对齐
资料对齐怎么做？分为前端和后端两个部分。
前端有一个比较核心的算法就是点云匹配。比较常见的比如ICP或者GICP算法。但光是注意点云匹配是不够的，要把这个题解好，还需要解决很多其他的问题。比如稀疏点云特征提取，快速点云语义分割，快速车道线分割。这两块跟语义相关，在效率上是比较大的挑战。因为点云的资料数据量非常大，在计算时间上不能花太多时间。
前端做了很多工作，那对齐后端做什么呢，后端主要做大规模优化。因为轨迹的修整不能在单点做，需要很多条轨迹，甚至在整个城市的规模上一起去做调整。
高德也花了很多时间在做优化算法。比如做了一条基于样条曲线的稀疏优化算法。把它稀疏化以后就能达到百倍级的加速。能够比较好的解决在一个城市规模下的点云对齐问题。
识别和生产自动化
对齐问题解决后就是生产效率，即识别和生产自动化的问题。高精地图里元素很多，比如线性元素里就有车道线、护栏、路缘石、自然边界，还有所谓的OBJ，即地面标识、杆状物、交通标牌、桥、龙门架等等。这些都需要制作出来，采用自动化的方法，算法的方法就是非常重要的环节。它的输入有点云和图像识别。可以通过算法来生成HD地图元素。可以用算法来提高人工效率。
举几个有挑战性的例子。比如说下图的4种情况：
怎么解决？
输入主要是点云和图像。高德花了很长时间在优化模型能力和提高精度。包括：
- 点云语义分割(多级随机聚合网络)
- 图像全景分割(检测/分割深度融合)
- 点云/图像融合(前融合+后融合)
- 传统算法辅助(e.g. 拟合，三维)
- 矢量化及建模(深度特征+图模型)
高德在这些方法做到了很高的水准：高准确度召回>98%；部分实现跳点作业，达到>99.5%召回；部分实现免人工检查，达到>99.5准确率。
变化发现与更新
在地图更新方面，高德有两套方案都在做，应用于不同的场景。一种是用激光的方法，一种是用视觉的方法。
激光的方法。因为要控制成本，所以使用了相对低成本的激光和相对低成本的组合惯导。输入的资料质量比较低，需要做很多事情去提高资料的精度。包括：
- 紧耦合Lidar Slam/LIO
- 实时语义分割
- 定位地图:多重特征图层
- In-the-loop重定位
- 协方差模型
- 全局位姿优化
- 定位图层更新
上面这些都有相对比较成熟的解决方案。虽然输入资料差，但在更新场景下还是能达到很好的精度。
视觉的方法。由极低成本消费级相机和极低成本消费级组合惯导来做，这中间有很多视觉的算法。包括：
- 紧耦合Visual Slam/VIO
- 定位特征图层和语义图层
- 特征+语义重定位
- 全局位姿优化(融合VIO/重定位)
- 定位特征图层及更新
现在已经做到15厘米；在严格评测的条件下已经是业界领先水平了。后续会继续提高精度。
视觉更新技术可以直接应用于构建地图。下面的图显示的是视觉建图和卫星影像的重叠。
变化发现的问题，高精地图如何做到更高的精度和更高频率的更新？
假设有一个极低成本的方案去采集图像，采集回来的肯定是一些质量很差的图像，在这些图像基础上要做对比，和真实世界的变化，比如下图里的两张图片里都有个电子眼，其实是同一个电子眼，但在图片上看着很不一样，需要用算法的手段来判断这是否为同一个电子眼。这里面就有很多图像算法的工作要做。包括：
这些方面高德都在做，也已经有了比较好的结果。这是高精地图制作过程中的一个必需的过程。这也是高德的特色所在，因为使用这些低成本的设备，能用现有的低成本的资料发现物理世界的变化。
高精地图是高德未来的一个重要方向。它的制作和落地是一个系统性的工程，除了算法以外，还有很多其他的关键工作要做。让我们一起努力。
