社会语义网络图用什么软件绘制_自动驾驶汽车的语义地图

原文载于Medium，作者：Kris Efland 和 Holger Rapp

地图是 Lyft 的基石。地图不仅是连接乘客和驾驶员的枢纽，也对安全驾驶和业务扩展至关重要。展望未来的交通运输，我们可以看到人工驾驶汽车、自行车、摩托车和自动驾驶汽车等多种模式共同交织成了一个运输网络，为人类提供世界上最优秀的交通方式。

为了实现这一愿景，我们在绘图方面投入了大量资金，并意识到其复杂性将随着我们的业务发展而增加。Level 5 高清 (HD) 地图对于帮助自动驾驶汽车 (AV) 安全驾驶及在道路上自动避让乘客和其他车辆来说至关重要。

自动驾驶汽车的地图需达到前所未有的高精度标准：我们今天的汽车和智能手机使用的导航地图达到了米级精度，然而自动驾驶汽车上的地图需要比这更高的精度。在上一篇地图博客文章中，我们概述了如何在不同图层中构建自动驾驶地图。

利用几何图层，车辆能够实现本地定位并准确将自身放置在地图之内；语义地图能够帮助车辆驻留在其所在的车道内，按照既定的社会或文化规范，以其他人期望的方式行驶。语义地图能够帮助自动驾驶汽车了解所有道路，以及车道、人行横道和交通灯之间的相互作用，并且可用来确定该车辆和道路上的其他行人和车辆应该如何正常交互。

道路图层

语义地图的基础是道路网络图。道路网络图中指明了所有路段及其内在关联性：有多少车道、车辆行驶的方向，以及道路连接的情况。道路网络图中还会指明道路和车道之间的礼让关系，以便自动驾驶汽车能够安全地停在十字路口或人行横道上以实现交叉路口通行。

这些属性非常复杂，会随其他图层的变化而改变：交通灯的状态会影响您需要礼让的车道；某些车道在同一天不同时段内可能是单向或双向车道。该图层与车载导航地图相似，但是功能更加丰富。就自动驾驶而言，未来计划推出利用道路网络图来确定从 A 地点到 B 地点粗略路径的功能，并让自动驾驶汽车能够避开复杂交叉路口或限速道路来降低风险。

车道几何图层

道路图层的上一层是精确到厘米的车道几何图形。这是一组多边形，标记着路面上的各个车道以及车辆需要遵守的街道级规则。这些数据还包含一般导航地图中没有的属性：线条颜色、允许换道的区域、减速带和停止线都会在图中呈现出来。做到对这些属性了然于心，车辆将能够执行安全而复杂的操作，并巧妙判断其他车辆或行人即将做出的行为。

路线图的作用是实现比较笼统的规划（例如如何从旧金山抵达西雅图），而车道几何图层则能制定更贴近本地要求且更详细的路径规划，例如穿过这个交叉路口时应如何转动方向盘并使用制动脚踏板，是否存在驾驶环境限制（例如单行道）等。

自动驾驶汽车上路行驶后实时做出的决策可能会改变初始路线。车辆的驾驶行为规划器使用白色虚线车道分隔器来决定何时向车辆的油门和转向系统发送控制命令，以使其安全地实现变道或并道。感知系统可以检测到道路上的其他物体并对其进行分类（例如，我旁边有一个大型物体，我认为这是一辆卡车）。

随后，预测功能将使用这些信息、地图位置以及速度数据，在几毫秒内预测卡车在接下来的 10-30 秒内将出现什么行为。根据人行道和人行横道的几何形状，自动驾驶汽车可以正确地识别行人，判断其位于人行道上，并预测他们打算沿着车辆的路线穿过人行横道。然后，自动驾驶汽车会在人行横道前停下来让行人先通过。所有这些系统每一秒都会进行多次协同工作，以确保安全舒适的驾驶体验。

语义特征和地图先觉

最顶层的图层是语义特征和地图先觉（详见分层地图）。语义特征包括交通灯、人行横道和道路标志。地图先觉是指我们有概率从地图中看到的相关联区域。地图的这两个特性让车辆能够判断自身和其他物体的行为方式。

在路线图层和车道几何图层中，语义关系定义了车道如何协同工作：何处可以转弯、何处需要停车，以及从 A 地点行驶到 B 地点时需要进入的车道。语义特征通过为自动驾驶汽车提供更多驾驶环境的相关信息以及在车辆周围移动的动态物体这类更重要的信息来使协同工作发挥进一步效用。

交通信号灯就是一个非常简单的例子。在地图中，以 3D 形状来显示交通灯的位置、朝向以及其控制或适用的车道；还显示了哪些是控制转弯的箭头信号灯以及哪些是管制交通的圆形信号灯这类信息。但是，交通信号灯不是静止的。

车辆上的感知和规划系统使用地图中的交通灯信息来定位交通信号，判断其处于什么颜色状态之后才作出决定：是绿灯还是黄灯？人行横道内外是否有行人？这些是语义特征能体现出来的重要区别，并直接影响车辆的动态反应。

地图先觉与之相似，但包含了更多的细微差别，能够显示编码到地图中的衍生信息或观察到的信息。再次以交通信号灯为例来说明，先觉图层涵括了单个信号灯在每种状态下的循环顺序（红色、绿色箭头、绿色、黄色、然后再次红色）以及每个状态持续多长时间。

信号灯的颜色状态是否在一天中的所有时段都具有相同时长，或者在高峰时间的绿色信号灯延续了更长时间以便让主要交叉路口通过更大的交通流量？

从概念上讲，先觉图层显示的区域包括我们期望看到的特定类别的对象，或在地理空间和时间范围内的一些可观察的行为。另一个例子是，我们可能在您所在城市的遛狗公园附近布置一个先觉图层，提示自动驾驶汽车应该留意狗的出没。

借助我们的地图先觉图层，自动驾驶汽车现在可以提供完全避开某个区域，或更加谨慎驾驶的提示。先觉图层的最高级功能还可以让我们的车辆洞察没有在道路标志上体现，而是通过观察推断出来的社会或文化规范。

例如，由于相邻交叉路口处的限制，车辆倾向于在中心拐弯车道进行掉头。有了这些信息，自动驾驶汽车可以提前并入外部车道，并在车辆进入中心车道时更加注意安全，因为这些车可能随时会改变驾驶方向。

最后再举一个区分语义特征和地图先觉的示例，这就是停车。根据语义特征，停车位是指车辆不能行驶并且必须处于停止状态的区域。而根据地图先觉，停车可能是指示街道上可以安全停车的区域，也可能是指示之前曾监测到有过车辆停泊的区域。这两个特性共同作用，使自动驾驶汽车在导航复杂的道路系统行进时能够做出更细致的决定，并且表现得像一位经验丰富的驾驶员。

构建语义地图

构建语义地图需遵循的基本原则如下：

1. 所有数据必须与几何地图一致，便于自动驾驶汽车找到在地图上的放置位置。

2. 来自自动驾驶汽车及车辆的数据是最值得信赖的信息来源。

3. 只要有既有数据（例如导航地图），我们就会尽量利用这些数据并在其基础上进行构建。

我们的地图最开始以现有的导航地图数据为基础。随后开展大量工程设计工作，以确保实时导入每个数据，并保证基础地图的信息是最新且准确无误的。这样，就为构建道路图层奠定了基础。

在此图层之上，利用我们自己的车辆和自动驾驶汽车的数据创建可用于满足本地需求的几何图层、车道几何图层，以及大多数语义特征。我们使用一系列不断发展的技术来构建接下来的图层。

在自动驾驶汽车传感器数据的基础上，我们使用计算机视觉和机器学习来识别车道标记、交通信号灯、道路标志和其他元素，并对其位置进行三角测量，以便将其三维模型置于地图中。然后，通过分析我们车辆的行驶轨迹或观测到的其他车辆数据，我们可以具化改进诸如转弯限制、交通灯模式或驾驶员行为之类的事项。物体运行轨迹是细化地图时需要应用的信息，并且我们也能据此改善车道几何形状、车道连通性、交通限制以及具有连贯信息的各地图先觉层。

上述先觉信息是从我们提供的全套历史数据中提取的，且随着接触的场景越来越多，我们的统计模型也会随着时间的推移不断改进。这种组合不仅有助于我们在更短的时间内汇总编制自动驾驶级别的高品质地图，还有助于我们的自驾系统更好地运作，并能够更及时地将实用信息编码到地图中。

自动驾驶汽车的传感器经过精心校准，并且基于全套传感器（GPS、IMU、光学雷达和摄像头）通过光学雷达和可视 SLAM 处理来创建地图及清晰的几何图。经过光学雷达扫描和图像处理，能够以真实 3D 方式显示路面及其周围区域和特征。我们可以利用几何图精确地定位语义数据的位置。

利用我们在现实世界中观察到的元素与我们的地图之间的这种对应关系，我们可以将所有图层打包在同一个参考框架（几何地图框架）之内。这一点很重要，因为它可确保我们所有地图图层保持一致对齐，连各个交通信号灯和人行横道也不例外。

车道几何图层的人工管理

地图构建过程中的最后一个重要功能是人工管理和质量控制的持续反馈更迭，以确保地图精确到所需的厘米级精度。除了帮助我们自动构建部分地图之外，算法技术还可以帮助我们巧妙地识别地图中的错误，并让我们的操作员能够集中精力完成最终的人工细化和质量控制 (QD) 环节。丰富的 2D 和 3D 工具让操作员能够方便地标记数据源错误，在我们的启发式算法或算法中调出逻辑错误，然后对地图进行最终调整。

完成质量控制流程后，我们就可以在整个映射和自动堆栈中进行模拟和自动化测试（所有这些都要在车辆上路之前完成）。模拟测试通过后，我们将按照 Level 5 创立的测试协议进行实时道路测试，以确保严格遵守所有流程和规则。通过最终道路测试后，该地图才能获批并部署于车辆导航。

我们在处理车辆数据时收集和生成的所有信息都会进入自动化迭代循环，有助于我们不断改进和测量地图以及用于构建地图的过程和算法。我们会在自动化的基础上对地面实况进行衡量，不断改进所绘制地图的质量。

未来的道路

随着时间推移，车辆传感器会不断改进，并且会有越来越多的城市部署自动驾驶汽车，而地图将成为提高整体运输效率的焦点。我们的地图构建流程的设计对未来可能面临的数据“爆炸”做了充分思考。我们会反复琢磨、保持观察，绘制出更为丰富和精确的地图。

虽然我们的地图通常情况下运作正常，但仍有很多工作需要完善。Level 5 未来的道路既令人激动，也充满挑战。