高精地圖與自動駕駛（上）

前言

自動駕駛的實現主要有三個步驟：感知、決策規劃、行車控制。這與你走路上班/上學的邏輯是相似的：眼睛看到畫面，告訴大腦，然后你就知道了自己在哪里，以及要往哪個方向走，并指揮你的腿邁開步伐。

在自動駕駛系統中，感知主要解決兩個問題：車周圍有什么，以及車在哪。車沒有眼睛，我們就要賦予它“眼睛”。這就是它的環境感知系統，一般由視覺傳感器（攝像頭）、雷達（毫米波、超聲波、激光）等多種傳感器融合而成。

在這些傳感器的協同工作下，感知系統就可以知道，車輛周圍都有哪些東西，比如車、人、路、樹、墻、路牌等等。在將這些數據提供給決策系統后，決策系統根據算法，就知道車輛可不可以行駛，可以以最大多少的速度行駛，以及是否需要控制前輪轉彎，并傳輸指定給行車控制系統。

在特定條件下，感知系統也會直接傳輸數據給行車控制系統，這主要應用在AEB上，也就是緊急主動安全系統，以保證在最短的時間內對緊急情況進行響應。

但這里有個問題，你走路之所以知道要怎么走，是因為你對這條路線很熟悉，腦子里有地圖，知道接下來要怎么走。但車輛僅憑感知系統，是無法知道接下來應該如何行使的，就像你到了一個陌生的城市。

這時候，就需要定位和地圖了。

自動駕駛系統中，車輛定位是及其關鍵的。它影響到幾乎所有的環節。通過GPS（衛星定位）、IMU（慣性測量單元）以及車輪測程儀等，車輛可以清晰地知道自己所在的位置，當前的運動狀態（時速，加速度）等。

這時，感知系統就不僅知道了車周圍有什么，還知道了車在哪條道路上，在往哪個方向行進。決策系統也知道了整片地區的道路信息，并會根據目的地規劃合理的路線，以對行車控制做出指令。

這就是一套完整的自動駕駛流程，在理想狀態下，這些就足以讓車輛載著你安全到達任何一個地方。

但遺憾的是，以目前的技術水平，這種“理想狀態”很難達到，因為車輛的感知和定位系統依然無法像人一樣，可以識別出路上的所有信息，判斷自己的準確位置，并且不受環境的影響。

例如，在高樓林立的市中心，GPS信號可能會被阻擋，這時車輛就會丟失自己的位置信息，讓自動駕駛行程中斷。

又或者，在雨雪天氣，路上的車道線被積雪或積水覆蓋，車輛僅憑環境感知系統難以實現車道的判別，從而可能導致事故征候。

再或者，目前的感知系統，還難以識別路上的坑洞、減速帶、較低矮的路肩等等，在高速行駛過程中如果漏判了這些東西的存在，也會導致相對嚴重的后果。

更或者，在高速上下匝道時，有時會出現左右分流的車道，這時如果僅憑導航地圖和環境感知，可能會讓車輛出現快速變道的情況，乘坐體驗會很差。

在這種技術條件下，想要實現L3級以上的自動駕駛，就需要高精地圖出場了。

高精地圖，顧名思義就是精度非常高的地圖，一般來講高精地圖的精度都是分米級的，但它不僅僅是精度高，在數據的維度上相較普通的地圖也更加豐富。

本文介紹什么是高精地圖、高精地圖與自動駕駛的關系、高精地圖是如何打造的、高精地圖開發中存在的挑戰和思考。

一、什么是高精地圖？

在講什么是高精地圖之前，先來了解一下高精地圖與自動駕駛的關系。

一個問題是同一家廠商內部對于自動駕駛的實現時間都存在一些矛盾，當然這完全可以理解，畢竟自動駕駛是比較新的技術，所以變數很多。

根據SAE International（國際自動機工程師學會，原美國汽車工程師學會）的劃分，自動駕駛級別分為5級，也就是L1-L5。L3的應用比較典型的是高速公路上有監督的自動駕駛。

從這個級別來看，業內的共識是，L3及以上，高精地圖的支持是必選項，而在L3以下的輔助駕駛階段，對于高精地圖沒有剛需。比如市場上一些已經具備自動駕駛功能的車型都是依靠攝像頭、毫米波雷達等傳感器實現一定程度的自動巡航功能。

1、定義

回到高精地圖本身，這個名稱的提法本身就不是很嚴謹。比如說，大家在提導航地圖的時候，你很難說它就是“低精地圖”。

其實，高精地圖是從國外引進的一個名詞，英文名HD Map（high definition map），直譯過來就是高分辨率地圖。

還有人將這種類型的地圖命名為HAD Map，直譯過來就是高度自動駕駛地圖（highly automated
driving map）。其實這個名稱也不是很準確，因為很難說高度自動駕駛是從L3開始的還是從L4開始的。

而德文對應的名稱是：hoch genaue Karte，意為高可信度地圖。

命名就有這么多，可以想見業內人士在提高精地圖的時候實際上也不是一個概念，所以需要來定義一下到底什么是高精地圖。

高精地圖是一種用于自動駕駛的專題圖，準確的叫法應該是“自動駕駛地圖”。就像導航地圖、政區圖、地形圖一樣都是該地圖關注的某一種專題內容或專題功能。

2、內容構成

高精地圖其實是提供了一個自動駕駛環境的模型。車輛要想順利進行自動駕駛，必須對其周邊的環境進行構建，包含：

· 移動物體：行人、車輛；

· 互聯設施：V2V、V2X等通信設施；

· 高精動態駕駛環境：是否擁堵、哪里在施工、哪里有事故、哪里有交通管制、哪里有雨雪等；

· 最底層的靜態高精地圖，也是目前階段業界工作的重點。

· 在靜態高精地圖中，包含了車道模型、定位對象（static objects）、道路屬性和其他的定位圖層：

· 車道模型主要用于引導車輛從A地開到B地，包含車道的詳細結構和連接關系；

· 定位對象是路面、路側及上方的各種物體，包括標志標牌、路面標志、龍門架、橋、桿、牌等等；

· 道路屬性則包括如導航圖關聯關系、GPS信號失鎖區域等等信息。

當前典型的高精地圖代表是矢量高精地圖，一些新的公司也稱之為語義地圖。內容大體如下：

在車道模型中，也有很多重要的細節信息需要體現在高精地圖中，包括車道中心線、車道線、車道變化屬性點以及道路分離點和車道分離點。

比如在車道變化屬性點，車輛可以通過傳感器探測到相關信息，然后再對比地圖，便可清晰地知道自身處在什么樣的位置。而且在路徑規劃的時候，車輛也知道在哪個位置進行并線是合理的。

為了方便計算道路連接關系，還會將道路分成多個組（Sections）。

車道模型還包含車道連接關系，也就是說車輛要去往一個目的地，需要經過哪幾個車道的轉換才能到達。

高精地圖中還有一些數學屬性，包括道路的曲率、航向、坡度以及橫坡?？梢灾笇к囕v執行轉向、加減速。

高精地圖中還包含很多的定位對象（Object）用于實現車輛自定位。

自動駕駛車輛自定位的典型方案是用車端的傳感器識別各類靜態地物，然后將這些物體與地圖上記錄的物體進行比對（Map matching），比對之后車輛就得到自己在道路上的精確位置和姿態。

當然還有一些特殊的地物如斑馬線、停止線、紅綠燈等，控制著不同的路口和不同的方向，那么在數據中，需要把這些關聯關系表達進去，讓自動駕駛汽車在這些地方可以順利做出決策。

有了自動駕駛以后，導航地圖依然會存在，但可能會變得比今天更簡單一些。

比如用戶乘坐一輛自動駕駛汽車去往某個目的地，那么導航會規劃一條行車路徑交給自動駕駛系統，自動駕駛系統會依靠高精地圖再規劃出一條更為精細的路線圖，實現從A地到B地。其中包括在哪并線，在哪需要出匝道。

所以，在導航地圖和高精地圖之間建立連接關系，可以讓導航系統和自動駕駛系統協同工作。

3、高精地圖的形態、部件和業界進度

高精地圖誕生初期，有一個業內非常重要的組織叫做NDS協會，一直在定義導航地圖數據標準。通過統一標準降低開發難度，使車廠節約成本，同時圖商的適配成本也會更低，競爭更充分。

從2012年左右開始，NDS協會也開始定義自動駕駛地圖。在NDS的定義中，高精地圖更多還是矢量地圖的形態。

隨著傳感器的更廣泛使用以及成本越來越低，對不同傳感器也產生了不同高精定位的圖層；同時隨著很多新技術的產生，比如深度學習，自動駕駛地圖也變得越來越多樣化。

這里面最典型的當然是Google，其自動駕駛技術無疑是非常領先的。但是Google向外界公布的信息很少，Google無人車前領導者Chris Urmson在2015年的一場公開演講中展示的視頻透露了其在自動駕駛地圖方面的局部細節。

可以看到，Google把路側的一些靜態物體用黑框標了出來，對人則是用一些藍色的框進行標示，而對于移動的車輛，則用紫色的框進行標示，而中間部分橙色的圈狀線則是多線激光鐳達產生的原始激光點云。

以前它用的是Velodyne的64線激光鐳達，后來自己打造了成本更低的激光鐳達。

可以看出Google的自動駕駛地圖中車道模型是存在的，其中的車道線、人行道都做了標示。Google應該是對多種形式的自動駕駛地圖都有嘗試，甚至是融合不同的解決方案。不僅僅在用激光鐳達的占位圖或反射率圖，同時也使用矢量數據。

NDS
成員HERE和都提供類似的高精地圖，包含車道線、中心線、邊線都非常精細，如下圖：

更為激進的如Mobileye的REM，也即“路書”（Roadbook）。CES 2016上，Mobileye就說其可以通過攝像頭傳感器生成路書，讓車輛直接用路書去做自動駕駛。

早前，Mobileye宣布和HERE地圖達成合作，各種原因我們猜測是今天的自動駕駛地圖還不能以一種全自動的方式去生成，仍然需要參與大量的人工。而且攝像頭本身也有不少缺陷，比如很容易被遮擋，若干次采集也很難達到足夠的大范圍完備率。

在Mobileye的REM地圖中，有道路邊緣線、車道中心線、車道邊緣線以及靜態物體的標示（白底紅圈的圓點）。

除了矢量高精地圖，還有定位柵格圖，包括激光鐳達占位圖、反射率圖以及DEM（Digital Elevation Model）等。

DEM圖可以通過傳感器的觀測到周邊環境再和原始數據進行對比而形成的，不考慮反射率，只考慮高度值。

反射率圖的原理在于：激光雷達掃描物體后得到反射率，因為不同的材質會有不一樣的反射率、可以用于預先生成定位圖層。通過掃描周邊的環境，與預制的反射率圖對比，車輛就能得到精確的自身位置。

占位圖（occupancy grid）相對簡單，首先要找到地平面在哪里，標記出高出地面的位置。

定位柵格圖的另一個典型代表是來自歐洲的圖商Tomtom。前兩年，Tomtom發布了RoadDNA，其中包含矢量車道模型，但并不使用矢量Object定位。

Tomtom的方案不分辨路側具體是什么物體，而是把它們當成一種紋理。在使用激光鐳達進行采集的時候，會得出這些物體與車之間的距離，從參考線到路側障礙物的距離正射到參考線（比如最左車道的左邊線），用灰度值代表距離生成定位用的柵格圖。

在一些地物比較稀疏的地方，這種方式優勢明顯。但是這種形態的地圖還依賴激光鐳達低成本化。

博世推出了基于毫米波雷達的自定位解決方案。因為毫米波成本低、穩定性高、裝配率高，基于毫米波雷達的自定位方案有望早于激光鐳達方案投入到應用。

2015年研發了基于攝像頭的定位方案——“道路指紋”。其目的是想探索高精定位的原理和不同的方案。

把攝像頭拍攝的地面圖像做正射等處理，將得到的紋理預存下來，等車輛拍攝同一位置，用同樣的算法、生成正射圖與預存正射圖對比得到高精位置。

4、高精地圖與導航地圖的差別

從內容和形態上開，高精地圖和導航地圖存在著很大的差別，具體表現在以下的多個方面。

很多人會問高精地圖的容量會不會特別大，其容量并不會變大，反而要小于導航地圖。

從道路的模型來講，導航地圖只有一根線，到高精地圖的時候，它就變成車道級別的了，幾何形狀似乎是變多了，但是在導航地圖里有大量的POI、名稱、水系、綠地等。

按照NDS的規定，航空影像和衛星影像都集成到了導航地圖里。單從純矢量部分來看，高精地圖的體積也比導航地圖的容量小很多。

總結

以上是生活随笔為你收集整理的高精地图与自动驾驶（上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。