什么是高精地图
区分两个概念：
- HD Map， 即high definitin map，高分辨率地图
- HDA Map，即Highly automated driving map，高度自动驾驶地图
导航地图
平时手机上用的高德地图，百度地图等等就属于这一类
- 它的表述形式倾向“有向图”结构，把道路抽象成一条条的边，各边连通关系构成整体上的有向图。例如就画一下道路的拓扑，道路上有几条线，实线还是虚线，具体处在道路的多少m处都不知道。
- 以坡度为例，传统地图能提供的仅仅是前方有上（下）坡这个信息，但无法提供上（下）坡的角度；
- 以弯道为例，传统地图提供的仅仅是前方有个比较“急”的弯道，但无法提供弯道的曲率半径；
- 以路口为例，传统地图提供的仅仅是前方路口有红绿灯这个信息，并不知道红绿灯的具体位置在哪。
- 它提供了极高的精度：可以提供传统地图提供不了的精确数据，这就是高精度地图的“定量”描述。
- 这些定量描述对人类驾驶员驾驶汽车来说没有多大帮助，因为人类是高度智能化的个体，拥有极高的图像识别、信息联想和学习能力
- 而这些能力这是目前无人驾驶“大脑”所不具备的。为了弥补无人驾驶“大脑”还不够聪明的缺陷，高精度地图挺身而出。
- 它在描述上更加全面
- 高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道
- 对实时性的高清更高
- 实时性是非常关键的指标，因为自动驾驶完全依赖于车辆对于周围环境的处理，如果实时性达不到要求，可能在车辆行驶过程中会有各种各样的问题及危险。
- 车上配备的传感器类似于人的感知系统，用来感知外部环境；自动驾驶车辆会把感知的结果通过「大脑」处理后发送给控制系统。
- HMI人机交互接口前期主要用于内部调试，后期当自动驾驶车辆量产后，需要用户输入目的地等信息。
- 因此，高精地图对于感知、定位、规划、决策、仿真和安全都是不可缺少的。
- 在2019CES的Apollo 3.5发布会上，Apollo正式发布首个自动驾驶高性能开源计算框架 Cyber RT。
- Apollo Cyber RT系统是 Apollo 开源软件平台层的一部分，作为运行时计算框架，处于实时操作系统 (RTOS) 和应用模块之间。
- Apollo Cyber RT作为基础平台，支持流畅高效的运行所有应用模块。
- 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。
- 自动驾驶车辆在路口“看”到建筑物，然后通过激光雷达能搜到点云的信息，通过点云的特征提取，然后通过复杂的组合变换、视角变换，最终通过跟周围环境的比对能得到比较准确的定位坐标。
- 目前主流Camera定位的视觉方案，会实时做Location Feature的提取。在HDMap里面也存储了对应的一些Location相关的特征。经过两个提取特征的比较后可以得到相对准确的定位位置信息。
- Camera下有GNSS，雷达也有。有初值之后可以减少搜索的范围，在工程上可以搜到更好的结果。
- 传感器是自动驾驶车辆辆上通用的模块，相当于IMU惯性测量单元，它对于磁场是非常敏感，如果我们在车辆周围放一些强磁场，会影响它测量的准确度。
- 轮速器也有风险。车轮变形和损坏都会影响测量精度。
- 激光雷达依赖于激光反射。如果我们在周围环境上加载人工的反射物或假的红绿灯，就会让我们的车直接停下。假的GPS信 和激光也会对系统造成干扰。
- 定位模块依赖于高精地图提供的信息来做运动学的约束；激光雷达依赖高精地图做一些三维点的扫描。
- Apollo提供的定位方案基于激光雷达反射值。反射值不准确就会对定位精度有影响，红绿灯对规划决策控制也有很大的影响。
- Apollo的仿真系统主要是基于高精地图/真实场景来构建。仿真场景回放后，和真实上路的实际情况相比，可以基本保证Gap不会很大。
- 在实际测试的过程中，Apollo的测试人员也会录一些Bag，记录实测中遇到的一些问题，并放到仿真系统里去做测试。
- 高精地图为仿真地图提供了最底层的基础结构，能让仿真系统更好的去模拟真实道路的场景。
- 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 的模式：通过云端计算把结果发送给终端。
- 5G是否能达到数据传输的要求还需要再验证。目前从5G的宣传层面来看，能够达到数据实时传输的效果，但是5G的普及还需要时间。所以我们现在把大量的数据都放在终端。
- Apollo的自动驾驶车辆后面有非常大的计算单元。基于英特尔工控机，Apollo把所有的计算都放在车上，这会对计算速度和实时性有很大的影响。
- 空间点位置是一个「三维坐标」，TA有「三个变量」，需要「三个方程」。
- 从理论上来说，如何才能得到空间点位置相关的三个方程li>
- 通过观测三颗卫星与空间点位置的距离，利用三角测量法，就可以准确地得到地球上任何一点的空间位置。
- 但三颗卫星的测量方案在实际应用中，可能会存在「误差」。
- 因此，在空间点位置的计算过程中，我们经常要检测四颗或四颗以上卫星，才能实现「精确的定位」。
- 这是由于高楼等障碍物遮挡，导致自动驾驶汽车所能接收到的GPS信 发生偏移。一般来说，GPS在城市中定位的「平均偏差」在50米左右。
- IMU是测量三轴加速度的一个装置，通过算出积分，得到任意两帧间的相对运动。
- IMU有「高端」和「低端」之分。高端IMU能保持较长时间的计算精确度，而低端IMU在GPS信 丢失的情况下，能够维持比较精确的时间非常短。
- 实际工作中，由于不可避免的各种干扰因素， 如果不对该运动加以校正，IMU的误差会就随着时间的推移变得越来越大 。
- 目前，轮速计的使用非常普遍，很多汽车都配备了轮速计。
- 在现代汽车技术的应用中，轮速计被用来做「运动约束」，如从A点到B点，汽车行驶的距离。
- 但是由于车型差异、地面交通路况不同。如地面结冰与水泥路面，二者路况不同，路面的摩擦系数也不一样 ，就会导致轮速计统计结果的差异。
- 激光雷达 ：通过扫描的激光点和GPS、IMU的一些测量数据，计算预测结果与实际结果差距的最小化，得出我们在高精地图采集过程中一个最优化的计算模型。
- Camera融合激光雷达：通过丰富的图像信息和准确的激光雷达数据，最终得出一个非常准确的高精地图。
- 激光雷达内部的扫描部件与光学部件，通过收集反射点与反射点发生的时间和水平角度，从而得出任意一点的空间信息和光强度。
- 该坐标信息扫描的是某个局部，通过一定的坐标转换，能够形成一个全局的坐标系。
- 通过将GPS、IMU和轮速计测出的数据进行「融合」，再运用「Slam算法」，对Pose进行「矫正」，最终才能得出一个「相对精确的Pose」。
- 最后把空间信息通过激光雷达「扫描出三维点」，转换成一个「连续的三维结构」，从而实现整个空间结构的「三维重建」。
- 其中， 英伟达 做GPU出身，其计算硬件 非常强大。
- 国内的 宽凳科技 称是用纯视觉制图，精度能做到20厘米，能够通过在线检测实时生成制图。
- DeepMotion 运用的也是纯视觉制图方案，其理论精度可达厘米级。
- 此外，还有来自国外的 Level 5 公司，该公司运用车载行车记录仪或手机上较低端的Camera就能够实现众包制图，但它的具体效果还不是很明确。
- 数据库可以细分：每个细分后的产品都能够独立更新升级，支持局部更新，还提供语音、经纬度等描述功能。
- Level（尺度）：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。由于地图的范围非常大，利用Level把整个地图切成一个又一个的小格子，在每个小格子中填充数据。
- Section：照道路车道数量变化、道路实线和虚线的变化、道路属性的变化的原则来对道路用灰线进行切分。
- Lane：基于Reference Line，向左表示ID向左递增，向右表示ID向右递减，比如Reference Line的ID为0，向左是1、2、3，向右是?1、?2、?3。
- Junction：是路口概念，包含虚拟路（红色虚线）用来连接可通行方向，以便无人驾驶车辆明确行进路线。
- Tracking：坐标系是ST，S代表车道Reference Line起点的偏移量（纵向），T代表基于Reference Line的横向偏移量。
-
在德国OpenDRIVE里，所有对车道线的描述都基于Reference Line的偏移量，这种形式非常复杂，在实际操作中比较困难。
-
百度在Open Derive格式规范中对该技术进行了改进，使之对开发者更加友好，也更利于Apollo自身的表述计
- 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。
现阶段的高精度地图更多地被定义为：服务于无人驾驶驾驶的地图。相比于传统地图的“定性”描述来说，高精度地图是一种“定量”的描述。
…
高精度地图
高精地图的组成
高精地图可以作为自动驾驶的「大脑」。「大脑」里面最主要是地图、感知、定位、预测、规划、安全。综合处理成自动驾驶车辆能接受的外部信息，并统一运行在实时的操作系统上。
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。
高精地图与安全模块的关系
自动驾驶的主要目标是能够取代人类司机，能够取代的前提是自动驾驶车辆必须足够的安全。而自动驾驶车辆联 后，遭受攻击无可避免
自动驾驶车辆可能遭受4个维度的攻击：传感器、操作系统、控制系统和通信系统。
针对任何一种攻击，目前来说，还很难有全面有效的方法来防止问题发生。
高精地图能在这里面起什么作用trong>高精地图能提供离线的标准信息。比如说，激光雷达在场景中扫描到物体，通过与高精地图中的信息进行对比匹配。如果结果不一致，我们可以大概率地认为此地有问题，这就是通过多传感器的融合来解决安全问题。
高精地图与仿真系统的关系
实际情况中，开发者很难把所有的策略迭代都放在车上去测试，所以需要非常强大的仿真系统。
仿真的主要问题是「真实」，怎样做到「真实」p>
没有高精地图的高可靠性，L3/L4自动驾驶无法落地。
高精地图的作用
静态的perception
高精地图是静态的Perception。机器理解不了，我们可以把人理解的经验赋予给驾驶系统，相当于把人的经验传授给它。
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。
我们希望Apollo的各模块都能达到实时级的响应，但是自动驾驶车辆的计算量太大，想要达到实时级的响应，仍需其他模块的辅助。
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。
传感器有局限，但高精地图给自动驾驶提供了超视觉、超过传感器边界的远距离感知。
高精地图的采集与生成
采集过程需要用到的传感器
各式各样传感器和算法相结合，自动驾驶汽车才能生成可用的高精地图。
因此， 高精地图的采集与生产 是一系列非常复杂的行为。
高精地图采集所需要的传感器主要有 GPS 、 IMU 、 轮速计 三类。
GPS
空间点位置的计算原理 （通过GPS）
举例来说，在高速路等非常空旷的地方时，自动驾驶汽车所能接收到的GPS的信 非常好。不需要复杂的策略，就能得到很好的定位结果。因此，空旷地带的GPS精确、好用 。这就是为什么很多公司刚进入自动驾驶领域研发时，都会选择「高速路线」的原因。
而在城市道路环境下，GPS将会非常难用。
众所周知，在城市复杂道路中，自动驾驶车辆上搭载的GPS偏差0.5米，所造成的事故后果都是不可估量的，更不用说如此大的偏差了。
IMU
目前 IMU （惯性测量单元）是自动驾驶汽车的标配。
轮速器
轮速计 本身存在缺陷。
这是为什么轮速计本身存在缺陷的原因所在。
采集过程中的制图方案
高精地图采集过程中需要用到的传感器有GPS、IMU和轮速计。无论是哪种传感器都存在一定的缺陷，因此我们不能期望只使用单一一种传感器，得出准确的Pose。必须各个传感器之间取长补短，才能得出一个相对比较准的Pose。
由此产生了两种主流的制图方案：
激光雷达
激光雷达 通过「发射」和「接收」激光光束得到两点之间的距离，因此其精确度非常高。
无论是GPS，还是IMU、轮速计，各个传感器都存在一定的缺陷， 我们无法仅运用单一的传感器，采集出一个精确的数据。
所以要综合运用各种传感器。
camera融合激光雷达
虽然激光雷达采集的信息非常精确，但它采集的信息非常少，无法提供像图像那样丰富的语义信息、颜色信息。
因此，目前 主流自动驾驶研发公司 ，如百度，采用的是 Camera融合激光雷达 的方案。
通过融合二者的优势，综合运用丰富的图像信息和精确的激光雷达数据，最终得出一个非常精确的高精地图。
其他方案
高精地图生产的方案供应商还有英伟达、宽凳科技、DeepMotion和Level 5公司等。
高精地图的规范格式分类
高精地图的格式规范，即对采集到的地图如何进行一个完整的表述。
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格式规范
NDS是一种非常全面的地图表述方式，对地图的格式规范做得非常到位。但是该技术目前在国内尚未普及，国外使用则相对较普遍，特别是宝马等大厂商使用较多。
Open DRIVE格式规范
OpenDRIVE是目前国际上较通用的一种格式规范，由一家德国公司制定。
在运用OpenDRIVE格式规范表述道路时，会涉及Section、Lane、Junction、Tracking四个概念。
此外，还有一些概念，如Heading、Pitch和Roll等，不再赘述。
需要说明的一点是百度Apollo中也开发了自己的OpenDRIVE，与德国的OpenDRIVE有所不同。
业界的高精地图产品
文章知识点与官方知识档案匹配，可进一步学习相关知识Git技能树首页概览2970 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！