《Apollo 智能驾驶进阶课程》二、 高精地图

1. 高精地图与自动驾驶的关系

1.1 高精地图与自动驾驶

L3级别以上才需要高精地图

1.2 什么是高精地图

1.3 高精地图与导航地图

1.4 高精地图-基础模块

高精地图与定位模块的关系

现在主流的自动驾驶的定位方案有两种：一种是基于点云，另一种是基于Camera。其本身都是一种对周围环境的感知。
感知后是Feature提取，提取之后可以通过特征匹配最终得到精确结果。

高精地图与感知模块的关系

开发者可以把高精地图看作是离线的传感器，在高精地图里，道路元素的位置都被标注好了。
这样做不仅可以减少感知模块的工作量，而且可以解决Deep Learning 的部分缺陷。识别可能会有些误差，但先验之后可提高识别率。

高精地图与规划、预测、决策模块之间的关系

「规划模块」完成的工作主要有两个：第一是A点到B点的长距离规划；第二个是短距离规划。
「预测模块」的作用是把其他道路参与者的可能行驶的路径轨迹和行动预测出来。
「决策模块」主要是根据规划和预测的结果决定自动驾驶车辆是跟车、超车还是在红绿灯灯前停下等决策。
「控制模块」是把决策结果分解为一系列的控制行动，然后分发给控制模块执行。
高精地图给规划、预测和决策模块提供先验的知识，高精地图能够让车辆「决策」更加准确。

高精地图与安全模块

可能遭受4个维度的攻击：传感器、操作系统、控制系统和通信系统。

高精地图与仿真系统

1.5 高精地图的作用

静态的Perception

对于复杂的场景，将人类的经验赋予机器。

弥补系统性缺陷

自动驾驶需要非常复杂的计算系统，4G的传输速度并不能满足现阶段自动驾驶的海量数据传输需求。

64线激光雷达、Camera和其他传感器，每时每刻都会产生巨量的数据，这些数据不能传回云端，就不能采用互联网的模式：通过云端计算把结果发送给终端。

举个例子，高精地图告诉感知/控制模块，在你的双向通行的车道中有栅栏隔离，对向车道的车不可能过来，系统就可以放弃检测对向车道上的障碍物，有效地降低系统负担。

2. 高精地图的采集与生产

2.1 高精地图采集过程用道的传感器

GPS + IMU + 轮速计

2.2 高精地图采集过程中的制图方案

方案一 激光雷达

方案二 激光雷达融合Camera

其他方案 ： 视觉制图

3. 高精地图的格式规范

3.1 高精地图的格式规范

对此，目前最主流的通用格式规范分NDS和OpenDRIVE两种。此外还有日本OMP公司的格式规范。

NDS: Navigation Data Standard
NDS有上百页格式文档，因此NDS把数据库做了细分，每个细分后的产品都能够独立更新升级。
其最典型表现是一个NDS不仅包括基本导航技术数据、B公司的POI数据（即地图上的一个点，地图上每一家商家店铺都可以被称之为一个POI数据点），还支持局部更新，即使是对一个国家或者省市的相关内容进行局部更新，都十分便捷。

NDS中另外一个非常重要的概念叫做Level（尺度），其含义类似于传统手机地图功能中的比例尺。
通过放大或缩小比例尺，来浏览全国或某个区域、某栋楼的地图信息。
分块技术作为地图领域中一项普遍通用的技术，也被应用到Level中。

OpenDRIVE
在运用OpenDRIVE格式规范表述道路时，会涉及Section、Lane、Junction、Tracking四个概念。

4. 业界高精地图产品

HERE + MobileEye + Google Waymo

4.1 HERE

HERE HD Live Map的四大特性:
基础地图的设计+ 众包更新（基于图像）+ 在云计算中映射学习 + 更新的地图

HERE HD Live Map采集方案:
HERE采集车，集成了16线激光雷达+ Camera + RTK天线+IMU。
HERE采集车会对地图进行预先制作，在数据采集后进行数据统计，经人工识别检查后，最后更新在地图中。

HERE HD Live Map众包方案:
车端通过Sensor进行信息采集（可认为一种视觉方案），可对点、道路、标志标牌通过Feature进行提取，可有效帮助我们更快的对地图进行更新。

HERE HD Live Map Learning方案:
不同于利用神经网络的图像处理方法，HERE利用点云分割技术对Features进行分析。在多次采集后，可将同一区域的点云补齐，但目前的图像处理方法已较为成熟。而点云技术（点云SLAM、点云分割、点云特征提取等）仍需完善发展。

HERE HD Live Map对地图的表述方式:
第一层是Road & Lane Model Layer（车道边界和区分界线）
第二层是Localization Model Layer（基于Camera或点云）
第三层是Activity Layer（动态信息层、道路实时信息）
第四层是Analytics Layer（司机驾驶习惯分析）

在HERE的解决方案中，可以通过检测与定位约束纵向行驶信息，车道线约束横向行驶信息。

4.2 MobileEye

相比于HERE，MobileEye更侧重于使用Camera，在图像处理方面也做得更好，使用视觉信息来进行辅助驾驶，是一种基于众包的视觉制图。

MobileEye把技术层次分为三个层次:
感知 + 映射（REM，众包更新地图） + 驾驶策略

Mobileye知名的REM(道路经验管理系统)：

Mobileye的REM解决方案由三层组成：

1. 采集器（任何装有摄影机的车辆）；
2. 云端；
3. 自动驾驶车辆。

MobilEye把方案采集处理的过程归纳为"路书"：
MobilEye把REM采集、发送云端、处理、发回车端的过程称为“路书”。搭载MobilEye的车端首先会对环境进行识别，然后进行语义分析和几何形状提取，将其压缩后打包上传，这个过程称为RSD。

4.3 Google Waymo

其车辆顶部可能搭载了激光雷达+视觉系统，车辆四周搭载了激光雷达。
其整体方案也是为激光雷达+视觉融合。

Here有很好基础优势。作为一家传统图商，他的用户基数可以保证地图以更快的速度和形式更新。

MobileEye更侧重于使用Camera，在图像处理方面也做得更好，使用视觉信息来进行辅助驾驶，是一种基于众包的视觉制图。

谷歌Waymo的技术实力雄厚，其自研的激光雷达据称可以检测到两个足球场（240米）外的物体数据。并且整体的生产成本比Velodyne的64线激光雷达的售价（8万美元）低90%左右，这对于开发者来说是非常诱人的价格。

5. Apollo地图采集方案

5.1 TomTom

5.2 Apollo地图采集流程

该方案的基础传感器配置有：平装的64线激光雷达，用于道路路面采集。
由于平装的64线激光雷达扫描高度比较低，还需要一个斜向上装的16线激光雷达，用于检测较高处的红绿灯、标牌等信息。
该方案的其他传感器还有GPS、IMU、长焦相机以及短焦相机。

5.3 基站搭建

采用了RTK基站，精度更好

5.4 地图采集硬件方案

5.5 地图数据服务平台

6. Apollo地图生产技术

6.1 生产流程

在城市道路环境下，高精地图生产分为数据采集、数据处理、元素识别、人工验证四个环节。

点云拼接：采集过程中出现信号不稳定时，需借助SLAM或其他方案，对Pose进行优化，才能将点云信息拼接，并形成一个完整的点云信息。
反射地图：点云拼接后，可将其压缩成可做标注、高度精确的反射地图，甚至基于反射地图来绘制高清地图。其生产过程与定位地图的制图方式一样。

6.2 全自动数据融合加工

简单的说，采集到的这些每秒 10 帧左右的图像，识别和融合都是自动化的。把 GPS、点云、图像等数据叠加到一起后，将进行道路标线、路沿、路牌、交通标志等等道路元素的识别。

6.3 基于深度学习 元素识别 + 人工验证

6.4 地图

Apollo高精地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景。
定位地图类似于整齐排列的小格子，存储了坐标信息和反射强度信息等，用于点云定位。

7. Apollo高精地图

高精地图与普通地图不同，高精地图主要服务于自动驾驶车辆，通过一套独特的导航体系，帮助自动驾驶解决系统性能问题，扩展传感器检测边界。

7.1 高精地图表征元素

道路包括左边界右边界。它可分为两个层次，一是道路级别，一是Lane(车道)级别。
每个Lane都有左边、右边界；道路也有道路边界，而且道路边界是强约束，即自动驾驶的时候，道路边界是永远不能压的。

7.2 车道模型

UTM坐标系

UTM坐标系把全球分成60个区域带（Zone），每个Zone里面都是相当于Zone中心的一个局部坐标系，如上所示。

84坐标系

84坐标系是一套全球经纬度，也是高精地图里面使用的坐标系。
在该坐标系中，把整个地球想象成是一个椭球，地面的高度是相对于椭球面的一个偏移。高由正数表示，低由负数表示。

Track坐标系

Track坐标系是基于st的，如上图所示。s是纵向，t是横向。这个坐标系用来表述一个元素跟Lane之间关系，描述它位于Lane的什么位置，相对于Lane起点的偏移量是多少。

7.3 Apollo OpenDrive规范

Apollo OpenDRIVE把所有元素做了归类。

7.4 HD-Map引擎

index检索某个区域某点附近的元素特征…

7.5 政策方面