高精地图技术及应用发展现状米乐M6 M6米乐（上篇）

　　孟庆昕、张文杰、陈丹、侯燕、余晶、张民岗、黄刚、闫春利、朱大伟、严明、姜昊、高玉、温芳、于银河

　　近几年，在人工智能与测绘、汽车产业的深度融合下，自动驾驶和高精度地图技术逐渐成为行业关注的焦点。众多互联网公司、IT厂商、传统车企、新造车实力、技术型创业公司各自依托其在资金、技术、人才、渠道和场景等资源优势，纷纷抓住产业升级机会，进入自动驾驶和智能出行领域。在2016-2020年期间，中国的自动驾驶技术主要在封闭园区、景区、矿山和港口完成了小规模的商业化落地，并且在北京、上海、广州、深圳、长沙、苏州等地实现了特定区域内的无人驾驶出租车试运营，即“Robo-Taxi”。根据国家发改委、中央网信办、工信部等11部委在2020年2月联合发布的《智能汽车创新发展战略》，2021-2025年是实现自动驾驶和高精度地图技术突破、市场化应用的重要时间段。并且，高精度地图已经被视为自动驾驶时期的“重要基础设施”，也必将在智慧交通、智慧城市等领域发挥着“数据底座”的重要作用。

　　自动驾驶技术主要分为感知、决策和执行三个部分。感知层，主要通过使用多种视觉传感器（摄像头+雷达），以感知探测汽车周围的车、人、交通状况、所处的位置等信息；决策层，是在感知层搜集信息的基础上，通过算法对于信息进行综合处理，判断出下一步的行驶方向、速度、转向角度等；执行层，是决策层将指令发送给控制层，由控制层通过对车辆进行转向控制、驱动控制、制动控制和安全控制。

　　自动驾驶技术从硬件到软件都取得了很大的进步，但从具体的技术实现方式看，大多数量产车产品是依托于视觉传感器和控制系统。传感器监测周围环境，控制系统处理数据并生成决策，执行系统根据指令控制车辆驾驶动作。这种技术解决方案有一定的局限性，短期来看效果不错，但长期而言，随着自动驾驶级别的不断增高，道路复杂情况不断增强，数据量不断攀升，会对整体的自动驾驶实现成本和效果稳定性产生影响。并且，传感器由于本身的物理局限性和易损耗等特点，无法保证自动驾驶汽车在全天候、全工况环境下行驶的可靠性。此时，高精度地图就会发挥出重要作用，其将成为视觉传感器的有效补充，为车辆环境感知提供辅助，提供超视距路况信息，从而提升车辆定位精度、感知可靠性以及路径规划能力。

　　高精度地图是智能网联汽车产业的重要基础技术，尤其是L3及以上级别的自动驾驶功能所必备的支撑技术[1]。相较于为人工驾驶员服务的传统车载导航电子地图，高精度地图是为自动驾驶系统服务的专属地图，其蕴含更为丰富细致的路面、路侧及路上的静态信息，还需要辅以实时动态交通信息，制作难度和复杂度远高于传统地图。高精度地图具备的地图匹配、辅助环境感知和路径规划三大功能，在自动驾驶中具有难以替代的特殊优势。

　　目前，高精度地图技术已经过多年的发展摸索阶段，新技术、新工艺逐步走向成熟，形成了一系列相对稳定的生产模式与基本定型的地图产品，对智能网联汽车产业的发展起到了支撑和推进作用；汽车主机厂和系统集成商更是积极开发基于高精度地图的自动驾驶汽车，不断优化高精度地图模型和数据内容，使得高精度地图更加符合自动驾驶需求，形成良性循环；清华大学、武汉大米乐M6 M6米乐学、北京理工大学等知名院校也已加快对高精度地图数据要素等内容的理论研究。

　　高精度地图，也被称为“自动驾驶地图”或“智能汽车基础地图”，英文通常翻译为HD Map（High Definition Map）。高精度地图是指绝对精度和相对精度均在厘米级（10厘米至20厘米）的高分辨率、高丰度要素的导航地图。高精度地图提供了一个自动驾驶车辆所处的环境模型，包含了最底层的静态高精度地图以及其他动态信息。静态高精地图中包含了车道模型、道路部件、道路属性和其他的定位图层。车道模型包含道路细节信息，如车道线、车道中心线、车道属性变化等，此外车道模型中还需要包含道路的曲率、坡度、航向、横坡等数学参数。自动驾驶动态信息是指智能网联体系下所有的动态信息，一般包括地图动态信息、传感器信息、驾驶行为、交通动态信息管控等方面。

　　通常，要素完整的高精度地图，会通过三类数据来完整表达真实道路信息，第一类是道路和车道信息，主要记录道路信息及引导拓扑信息；第二类是道路周边设施信息，是定位和障碍物等辅助信息；第三类是定位图层，用于自动驾驶车辆现场匹配。

　　道路模型定义的核心内容是道路相关的数据表达，用于满足道路级别的路径规划，以及高级辅助驾驶系统（ADAS）应用场景下对油门、刹车、方向的预先控制规划。车道模型记录了车道的行驶参考线、车道的边线（标线）及停止线、车道与道路拓扑的关系等，可以满足车到级别的路径规划需求，同时通过车道标线信息提供车道间横向联通关系（可否跨越等），如图1所示。

　　道路周边设施是记录道路和车道行车空间范围边界区域内的要素的，其几何表达分点线面三种类型，如两侧的护栏、路牙等通过线来表达，墙、标牌、区域，文字、箭头、符号等则通过面来表达，电话亭则通过点来表达。周边设施数据通常用于辅助环境感知，以及抽取定位图层用于辅助定位，如图2和图3所示。

　　道路定位图层分为两类，一类是道路采集时的原始点云信息，一般压缩抽稀后点云数据；第二类是从矢量化之后的道路周边设施数据中抽取部分特征要素作为定位图层。道路定位图层非强制性要素，随各家图商产品规格策略确定是否制作。

　　如图4所示，是OpenDrive中定义的高精地图图层，基于Features图层提取出来的要素或原始数据层被用来作为定位图层。

　　随着自动驾驶汽车逐步走向量产，未来的车载地图将迈入以高精度、高现势性（活地图或动态地图）为特性的高精度动态地图时代。与传统的导航电子地图相比，高精度地图在各方面的要求更高，并且能够配合传感器和算法，为决策层提供支持。

　　传统的导航电子地图是显示给行人和人工驾驶员，高精度地图只会为自动驾驶系统提供服务。为了满足自动驾驶汽车的需求，高精度地图除了包含传统地图的内容，还会描述精细的车道标线信息，以及道路参考线和车道参考线信息，也包含了复杂的车道交换引导参考线及周边设施信息。

　　普通导航电子地图的绝对精度通常在10米左右，高精度地图的绝对精度被普遍认为需达到50厘米，相对精度在100米的行驶距离内，不能超过20厘米误差，即基本与一个车道标线的宽度相同。因此，只有在20厘米相对精度的情况下，才能保证车辆不会发生侧面碰撞。

　　导航电子地图会将道路抽象为一条直线或曲线，高精度地图需要尽量还原道路真实的现场状况，建立精度极高的车道模型，以及道路通行空间范围边界区域内的精细化对象模型。

　　自动驾驶车辆需要实时掌握车辆周边的设施变化情况和交通状态，以此作为自动驾驶决策的依据。因此，高精度地图需要提供日更新的高现势性的地图和以分钟、秒为更新频率的动态交通信息。

　　随着汽车智能化和网联化的普及，自动驾驶汽车不断发展，高精度地图受到了越来越多的关注。高精度地图的充分运用能够辅助智能网联汽车获取先验参数、超视距感知、高精度定位、优化驾驶行为、精准控制执行器操作、辅助路线规划，为自动驾驶提供诸多数值化的决策依据。在L1、L2的辅助驾驶阶段，高精地图并非刚性需求，但其对于L4、L5级别的自动驾驶是必选项，对于L3级别的自动驾驶是可选项。因此，自动驾驶汽车的自动化、智能化程度越高，对高精度地图的依赖性就越强。

　　通过基于高精度地图的辅助感知，自动驾驶车辆能准确的知道周边的物体（对象）的高精度位置坐标，同时通过传感器得到车辆与周边物体的相对距离，自动驾驶车辆即可基于探测到的物体（对象）高精度坐标和相对距离反算出车辆的高精度位置坐标，从而实现对自身位置的持续修正。

　　高精度地图能够辅助汽车超视距感知，当车辆道路环境被其他物体遮挡，或者转弯，或者超出了汽车电子设备感知范围时，高精地图能够帮助车辆对行进方向环境的感知。

　　高精度地图能够辅助车辆快速识别道路环境周边固定物体及车道标线。高精地图能够提高自动驾驶车辆数据处理效率，自动驾驶车辆感知重构周围三维场景时，可以利用高精度地图作为先验知识减少数据处理时搜索范围。高精度地图还能为车辆提供各种危险区域，车辆可以提前做出应急方案。

　　高精度地图提供道路曲率，当车辆转弯时可以根据曲率进行提前减速，控制传感器甚至大灯转向辅助。高精度地图提供隧道等遮蔽信息，车辆在进入前可以提前开启大灯或调整传感器感光参数。高精度地图提供坡度，能够辅助车辆控制油门节省能源。高精度地图的限速信息精确到车道和车型，智能网联汽车用以精准控制执行器和相应车型合规运行。

　　基于高精度地图的车道级动态路径规划及辅助感知成果最终都将作为参考信息提供给决策单元，决策单元在已知固定环境、已知线路和动态目标的基础上通过算法生成车道级控制指令。

　　关于建立高精度道路导航地图的方法研究也有很多，例如通过配备GPS-RTK的采集车沿特定线路采集数据；使用激光雷达与广角摄像头结合的方法提取道路信息，加上配备高精度全球卫星导航系统（GNSS）则能够达到10厘米精度，但这种采集方案成本较高，也有研究者提出使用低成本传感器创建车道级地图的方法，通过全球定位系统和惯性导航系统（GPS/INS）的紧耦合完成定位，从正射影像图中获取相关地图信息。

　　（1）基于“激光雷达+人工智能处理”模式。该模式稳定性高，但是采集设备成本高，是各大图商采用的主流模式。

　　（2）“众包采集+AI识别提取”模式。该模式成本低，但是精度和稳定性待提升，是主流图商更新和初创图商采用的主流模式。

　　（3）“车辆动态上传+动态地图自动下发更新”模式。该模式是最为理想的高精度地图生产与更新模式，尚处于论证阶段，需要随着智能网联汽车产业的发展不断完善。

　　高精度地图有严格规范的生产流程。首先根据用户应用的需要（一般是车厂，且需明确将地图应用于何种级别的自动驾驶车型中）对产品进行规划，制定生产米乐M6 M6米乐计划；其次，数据信息采集部门开始收集数据信息；再次，对收集的数据进行处理编辑绘制地图；最后，对数据进行规格转换。在地图数据生产过程中需要经过层层数据检查，确定数据生产的安全和准确。

　　当前，国内的四维图新002405）、百度、高德，欧美的HERE、TomTom等头部图商，普遍采用这种昂贵的激光雷达+惯导+全景相机+GNSS+差分基站的方式。单套设备价格从100万元到几百万元不等，每家采集车的数量从几套到二十几套不等。之所以采用如此成本高昂的设备，是因为要满足自动驾驶车辆对高精度地图的绝对精度、相对精度、识别率等指标的要求，争取抢在其他图商之前开发第一张完整的高精度地图，形成先发优势，获得市场青睐。随着时间推移和众多的厂商加入激光雷达和惯导设备的开发中，设备的价格正在快速下降，预计在3年后将会下降到当前价格的三分之一左右。

　　外业采集数据后，形成了惯导数据、GNSS数据、DMI数据、激光点云数据、全景相机或双目相机数据、精密星历数据等大批量原始数据，经过自动化的GNSS组合导航解算，生成解算成果。解算成果还需要经过多次采集偏差校正、路面异常变形校正等软件自动化处理才真正完成原始数据的解算。原始点云数据如图7所示。

　　自动化解算后的原始数据进入要素自动提取环节。要素提取一般有两个主要过程，分别是自动分类和噪点滤除和自动化提取。

　　图8为点云自动分类和噪点滤除的结果，该过程利用智能算法对有先验知识对点云进行要素分类，给定分类米乐M6 M6米乐值，确定有价值的要素点云后，对影响后续提取的噪点进行滤除，对作业范围外无效的点云进行自动裁切。

　　图9为点云自动化提取的结果，该过程是成图的关键步骤，通过点云分类结果和点云的强度值自动跟踪提取车道标线、路面标志、交通标志、护栏、路牙、杆状物、上方障碍物等路面、路侧、路上的交通设施和对自动驾驶有影响的附着物。提取的矢量数据根据识别结果自动赋属性值，和相邻的其他要素组织逻辑关系。

　　自动化提取是高精度制图的技术保障，各大图商均投入大批量研发人员参与自动化解算、自动化提取、自动化成图的软件开发。不管是基于点云的自动化成图还是基于视觉的自动化成图，短期内都无米乐M6 M6米乐法完全实现完全的自动化，在相当长时间内仍需要投入必要制图人员通过目视检查修正数据。

　　基于市场客户的需求，数据采集速度要非常快速且需要全区域覆盖。出于成本考虑，专业的采集设备不能无限制的扩张。因此，传统图商在数据采集时考虑低成本众包采集技术，通过众包采集大量可靠数据发现数据变化的范围，再根据数据变化的可信信息派专业采集车进行核实和专业测量。

　　目前，市面上应用最广泛的众包采集方案是采用“视觉+GNSS”的方案。如图11所示，由以色列Mobileye公司生产的EyeQ视觉芯片，占据了市场的垄断地位，截至2020年年底，其所有EyeQ视觉芯片在全球的累计出货量已到达6000万颗，为近30家车厂的300余种车型ADAS功能所采用，超过L2+系统量产车型的70%。EyeQ芯片可以支持REM地图，即路网采集管理系统的快速搭建。具体的工作原理是利用视觉神经网络抓取变化的车辆、车道标线、路牌等信息，将收集的信息匿名化加密，再上传到云端，生成REM地图，然后生成地图信息分配到自动驾驶汽车中。

　　不含激光雷达的低成本高精度采集设备成本大约在5万~8万元，带有16线激光雷达的成套采集设备大约在10万~16万元，虽然用于众包更新成本仍然较高，但是作为地图供应商用于快速更新采集却非常合适。用于众包的设备，成本控制到千元级，才可能大批量装配到出租车、分时租赁车等服务性车辆上；成本控制到3000元以下，才能批量前装到所有车辆。图12为某图商众包采集设备情况。

　　对于初创企业来讲，该方法设备成本低，采集效率高，成图快，但是需要投大量研发资源提升采集精度和传感器识别率。经过最近几年发展，国内以Momenta（初速度）和宽凳科技为首的初创企业，已经在轻量化采集的基础上形成了高精度地图制作的突破，其他企业也在轻量化设备和整体解决方案上做了大量尝试，各种技术百花齐放。图13为某图商基于图像的高精度地图制图结果。

　　每辆行驶中的自动驾驶汽车，是地图云中心数据成果的使用者，同时也是地图云中心数据的提供者。车端的运营状态数据（如实时位置、车身姿态、驾驶行为、各类传感器数据、实时交通数据等等）通过路测设备或蜂窝网络传送至地图云中心，云中心对这些实时大数据进行深度挖掘分析，形成对高精度地图的有效更新并通过空中激活（OTA）等形式下发到车端，如此循环往复，不断对高精度地图进行实时更新优化，形成一套智能网联汽车体系下的高精度地图生产运营一体化闭环运营模式。

　　该闭环生态模式已经成为业界共识，相应的标准也应运而生，图14为国际标准组织Sensoris的数据流设想图。

　　四维图新是国内第一家基于该模式开发完成了“车辆/车厂-图商-车厂/车辆”的闭环模式验证，百度和TomTom联合开发的AutoStream也是“车辆动态上传+动态地图自动下发”模式。

　　者关系关于同花顺软件下载法律声明运营许可联系我们友情链接招聘英才用户体验计划

　　不良信息举报电话举报邮箱：增值电信业务经营许可证：B2-20090237