簡述高精地圖的特點

王 濤，陳艷麗，賈雙成

?

簡述高精地圖的特點

王 濤1，陳艷麗2，賈雙成3

（1. 北京菜鳥物流有限公司，北京 100000；2. 北京星天地信息科技有限公司， 北京 100000；3. 阿里巴巴網絡有限公司，北京 100000）

高精地圖作為一個新興事物，已經成為自動駕駛的一個重要組成部分。高精地圖與傳統地圖存在本質的區別。本文結合高精地圖的定義及功能，對高精地圖的數據制作、產品特點進行詳細描述和分析，并從三個方面對高精地圖未來發展的核心問題進行展望。

高精地圖；自動駕駛；地圖；導航；點云；自動識別

0 引言

隨著通信、電子和地理信息產業的發展，近十幾年來我國電子地圖產業經歷了爆發式增長。而近年來，隨著自動駕駛產業的飛速發展，作為電子地圖一個分支的高精地圖產業也進入了發展的快車道。

地圖是對刻畫與描述地球表面的各種現象的數據的可視化表達，它可以幫助人們通過這些可視化表達來認識、記錄地理世界。因此，地圖是一種空間分析的模型，是一種基于空間聯系的空間思維體系[1]，是解決現實問題的有效有段。對于傳統電子地圖來說，解決的問題是在人駕駛汽車時，幫助人做出正確的決策。而高精地圖解決的問題與傳統電子地圖不同，高精地圖解決的是車輛的自動駕駛問題。這種差別說明了高精地圖與傳統地圖屬于不同的思維體系下的產物。本文將從高精地圖的定義及功能出發，對高精地圖的數據制作、產品特點進行綜述和分析，并對高精地圖的未來發展的核心問題進行展望。

1 高精地圖的定義和功能

1.1 高精地圖的定義

高精細地圖是指高精度、精細化定義的地圖，其精度需要達到厘米級才能夠區分各個車道。如今隨著定位技術的發展，高精度的定位已經成為可能。高級工難地圖需要存儲自動駕駛場景中的各種交通要素，包括道路網數據、車道線數據、車道線、道路邊緣的類型和交通標志等數據。

1.2 高精地圖的功能

與傳統電子地圖不同，高精度電子地圖的主要服務對象是無人駕駛車。無人駕駛車需要實時識別車輛自動駕駛時的周圍環境[2]。由于實時識別的效率和正確率的局限，所以，高精度電子地圖成為當前無人駕駛車技術中必不可少的一個組成部分。高精地圖包含了車道線和道路周圍的地理對象等大量輔助信息，可以幫助無人駕駛車減少識別的對象，以及提高其識別地圖相關要素的精確度。

其次，借助高精地圖，車載機器人就可以通過比對車載GPS、IMU、LiDAR或攝像頭數據來精確確認自己的當前位置[3]。

同時，高精度地圖還能幫助無人車識別車輛、行人等動態物體[4]及未知的靜態障礙物[5]。這是因為高精地圖一般為靜態的地理信息，如果無人車在行駛過程中檢測到當前高精地圖中沒有的物體，則很有可能是車輛、行人或靜態障礙物。

此外，高精地圖可以提高無人車輛的運行速度。由于高精地圖的車道線信息準確，所以無人駕駛車可以像倉儲巡線車那樣照著某條車道線來快速行駛。

2 數據制作

2.1 數據采集車

圖1 數據采集車

高精度地圖數據采集車與傳統采集車不同，傳統的采集車只需要GPS和攝像頭就可以了，而高精地圖的傳感器則相應多一些。這是由于GPS的精度不夠，而且很容易因為信號不好，而導致定位信息偏差很大。比如，在大城市中，由于各種高大建筑物的阻攔，而導致GPS信號弱。這時的GPS定位信息很容易就有幾米的誤差，所以單靠GPS不足以制作高精地圖。

使用配備RTK-GPS的采集車由于成本較高，所以并不實用。目前也有只利用低成本的傳感器（GPS和攝像頭）來創建平面地圖的方法[6]，但是所生成的車道線的絕對精度和相對精度并不高。

目前，既能降低成本，又能提高精度的主流高精數據采集車的傳感器主要包括：

GPS：GPS通過確定四顆或更多衛星的位置，使用三維空間的三邊測量法推算出GPS的位置。GPS接收機儲存有星歷，其作用是告訴接收機每顆衛星在各個時刻的確切位置。

輪測距器（Wheel Odometer）：通過輪測距器可以推算出無人車的位置。汽車的前輪通常安裝了輪測距器，分別會記錄左輪與右輪的總轉數。通過分析每個時間段里左右輪的轉數，可以推算出車輛行駛的距離和左右偏轉的角度。

陀螺儀（IMU）：一般使用6軸運動處理組件，包含了3軸加速度和3軸陀螺儀。加速度傳感器本質上是力傳感器，通過上下前后左右所承受的力的大小，然后計算其加速度。陀螺儀就是角速度檢測儀。

激光雷達（LiDAR）：光學雷達通過首先向目標物體發射一束激光，然后接受激光信號，之后根據發送-接受的時間間隔來確定目標物體的實際距離。最后根據距離及激光發射的角度，通過簡單的幾何變換可以推導出物體的位置信息。LiDAR系統一般分為三個部分：一是激光發射器，發出波長為600 nm到1000 nm的激光射線；二是掃描與光學部件，主要用于收集發送-接受的時間間隔和水平角度；三是感光部件，主要檢測物體的光反射率（reflectivity）。因此激光雷達檢測到的每一個點都包括了空間坐標信息以及光反射率信息。光反射率與物體的表面材質存在直接相關的關系，所以通過光反射率可以對檢測到的物體材質進行初步判斷。

攝像頭（Camera）：在某一位置，當激光雷達檢測到的點云不清晰的時候，可以利用攝像頭所檢測的圖像信息作為輔助，進行數據制作。

2.2 數據制作

傳統電子地圖的數據主要通過GPS軌跡進行識別，通過圖像進行識別來制作地圖的標志牌、交通燈等信息。整個制作過程基本是全自動的，只在局部環節需要少量的人工。這種制作方法可以達到米級精度。

通過激光雷達所產生的點云信息，是高精數據制作所需的主要數據源。一般會通過線下對點云進行識別處理來產生車道線等高精地圖元素。在具體處理時，可以直接對點云處理，比如利用點云聚類[7]的算法，也可以先將點云圖像化，之后利用機器學習、深度學習的方法來進行圖像識別，比如利用卷積神經網絡[8]算法。

由于激光點云中的信息已經利用了慣導得到的位置信息進行解算，所以，其絕對坐標信息可以達到1米內，其相對精度也比較準確，能達到厘米級精度。制作的高精地圖在圖像中疊加的效果如圖2所示。

圖2 高精地圖在圖像中疊加的效果

在制作高精地圖周圍的3D模型[9]時，主要是利用連續的圖像[10]來構建道路周圍建筑物的深度地圖模型[11]。基于這些的深度地圖信息，就可以大范圍地實時還原3D場景[12]。利用連續的圖像數據也可以構建3D點云信息[13]，或構建3D網格[14]，甚至可以構建3D模型[15]。

3 高精地圖的產品特點

3.1 高精度

相比服務于GPS導航系統的傳統地圖而言，高精地圖最顯著的特點是其表征路面特征的精準性。以道路為例，傳統地圖只需要做到米級精度即可實現GPS導航，但高精地圖需要達到厘米級精度才能保證無人車行駛安全。

精準的地圖對自動駕駛車的定位[16]、導航、控制及安全至關重要。一般來說，高精地圖需要絕對精度控制在2米以內，相對精度在10 cm以內。絕對精度是供自動駕駛車進行定位和地圖匹配用的，相對定位是供自動駕駛車控制方向盤的轉向角用的。

絕對精度可以相對差一些，甚至，10 m左右的絕對精度，也并不妨礙地圖匹配[17]。在地圖匹配后，通過高精地圖周圍元素與攝像頭所識別的周圍元素進行比對，可以進一步得到更準確的位置。

與汽車控制及精確定位有關的相對精度需要更精確一些。馬路上的車道線的寬度大約在20 cm左右，所以如果相對精度控制在10 cm左右，可以讓行駛的車輛在自動駕駛的情況下不會越線，從而滿足自動駕駛車輛對高精地圖的精度要求。

不同地圖元素所需的精度是不同的。一般而言，由于車道線和方向盤控制直接相關，所以對于車道線的精度要求要高一些。對于車道線的周邊的桿、牌等對象元素來說，則不然。一方面，其只跟定位有關，所以精度要求不必在10 cm左右。另一方面，車道線距離汽車的距離，和桿、牌距離汽車的距離不同，所以導致相對精度的含義也不同。具體來說，當車輛在道路上行駛的時候，車距離車道線一般在兩、三米的距離，這時如果車道線的誤差超過正負10厘米，會與攝像頭圖像識別的結果差別很大。但汽車離桿、牌等對象較遠，一般有十幾米，這時，桿牌等對象的50厘米的誤差與攝像頭圖像識別結果的誤差，與車線的10厘米誤差的影響可以認為大致是相同的。所以距離車輛較遠的地圖元素的精度要求可以適當比車道線低一些。

對于自動駕駛來說，不同場景所面臨的精度要求也不同。例如，一般情況下，道路車線的絕對精度是正負1米，但是在隧道里，就不要求正負1米了。這是因為在隧道中，由于GPS信號較差，所以絕對定位無法做到正負1米。

精度也與自動駕駛的需求有密切關系。不同階段的自動駕駛（Level 1到Level 5）的功能，會對精度有不同的需求。

3.2 高粒度

高精地圖比傳統地圖粒度要高很多。傳統地圖的道路只需要畫一根道路線就可以了。而高精地圖是以車道線為的單位的，由于一條道路會有多條車道，對應的高精地圖就需要有多個車道線。高精地圖在三岔路口或十字路口處的模型構建也不與傳統地圖相同。傳統地圖在路口處，一般是用一個拓撲點就可代表，而高精地圖則會繪制路口內的車道間的關聯關系，如圖3所示。高精地圖的車道線3圖所示，這其中的車道線需要包含實或虛等屬性信息。

其次，高精地圖還需要反饋給車輛例如道路前方信號燈的狀態、限高、禁行等，來保證車輛安全、正常行駛。

同時，高精度地圖還需要車道周圍的桿、標志牌、隧道、天橋等信息作為輔助來實現車道級定位[18]。更高級的高精度電子地圖會包含周邊道路環境的3D模型等空間信息。與桿、牌等對象信息所起的輔助定位作用一樣，通過這些高精度的3D模型，無人駕駛系統就可以通過比對車載GPS、IMU、LiDAR或攝像頭的數據來實現更精確的定位[19]，從而更精確地檢測、控制自動駕駛車輛的位置。

圖3 高精地圖三岔路口和十字路口處的模型構建

此外，高精地圖需要繪制出信號失鎖區域。在信號失鎖區域，自動駕駛車需要提高攝像頭識別的靈敏度。

3.3 實時性

高精地圖需要比傳統地圖有更高的實時性。由于路網每天都有變化，如道路施工、車道標識線磨損及重漆、交通標示改變等，這些變化需要及時反映在高精地圖上以確保無人車行駛安全。一般而言，傳統電子導航對數據的更新要求為一個季度更新全國一次。而高精地圖會在一個季度更新全國底圖一次的基礎上，每天都會利用自動駕駛車輛回傳的數據進行小規模的更新。

這樣，隨著越來越多載有多種傳感器的無人車行駛在路網中，一旦有一輛或幾輛無人車發現了路網的變化，通過與云端通信，就可以把路網更新信息告訴其他無人車，生成動態地圖[20]，從而使其他無人車更加聰明和安全。

在制作動態地圖時，為了實現盡可能高的實時性，需要增加高精數據的來源，一個較好的方法就是通過眾包。 數據可以來源于政府的智慧城市和智慧交通上的業務、出租車的回傳數據、手機終端的回傳數據、自動駕駛車的回傳數據。

對于圖商來說，他們需要得到自動駕駛車的回傳數據來更新地圖。一種常見的合作模式是，圖商將高精數據提供給政府、車廠和普通用戶。用戶在使用之后，不斷向圖商傳回位置數據，從而實現數據的閉環。

4 未來高精地圖發展的挑戰

4.1 不同廠商間的數據格式和數據共享

隨著自動駕駛的發展，更多的汽車廠、圖商對高精地圖投入了越來越多的資源。奔馳、奧迪、寶馬收購了原本屬于Nokia的Here地圖。福特、上汽投資了Civil Maps。軟銀投資Mapbox。阿里巴巴收購了高德地圖，并大力投入高精地圖領域。騰訊入股了四維圖新，同時騰訊內部成立了自動駕駛部門。百度將自動駕駛和高精地圖作為其AI戰略的抓手，并在2015年底就宣布了五年內自動駕駛車輛實現量產。

這些廠商在發展高精地圖時，由于各自的數據格式并不相同，所以導致數據無法方便地在彼此間進行交互。同時，由于他們都把高精地圖當作自己的核心競爭力，所以彼此的高精地圖不進行共享，所以導致了每家圖商都要獨自采集全國的高精地圖數據，成本被極大地提高了。此外，車廠也不情愿對圖商共享數據，這進一步推高了高精地圖的采集成本，同時拖延了高精地圖的更新速度。

所以，未來的一個挑戰就在于能否建立一個統一的自動駕駛聯盟，統一廠商間的數據格式，同時打通各個廠商間的數據孤島，實現廠商間的數據共享。

4.2 低成本地制作高精地圖

目前，自動駕駛的程度越高，對數據內容和精度的要求就會越高。在目前的作業效率下，制作Level 5的高精地圖的作業效率已經降到了每人天只能做十幾公里。如此地低的生產效率，相當于提高了生產成本。

在這種情況下，提高自動識別的效率成為了各個圖商的當務之急。以車道線的制作為例，可以利用深度學習的方法對激光點云進行自動化識別來提取車道線。路面標識也可以通過類似的自動化識別來實現。三岔或十字路口的車道拓撲的構建，可以通過數據編譯來實現。通過這些自動化處理的方式，可以降低高精地圖生產成本。

由于自動識別的效率需要依賴算法的提升，所以這種效率的提升不是一個一蹴而就的過程，而是一個長期的過程。

4.3 法律法規

法律法規對高精地圖發展的制約體現在兩個方面：精度問題、安全問題。

精度問題對于高精地圖來說是一個國際上普遍存在的問題，但是在中國，由于存在地圖數據安全方面的特殊法規，所以數據精度問題會更嚴重。一方面，部分數據無法直接使用，比如，在《基礎地理信息公開表示內容的規定》中規定，快速路、高架路、引道、街道和內部道路的鋪設材料、最大縱坡、最小曲率半徑不可公開。同時，也不能記錄涉密的地理信息數據（坐標、高程等）。這導致在自動駕駛中，坡度和高程無法直接使用，對地圖造成非常大影響。另一方面，由于數據需加密、偏轉才能交給用戶，所以導致即使原本的高精數據的精度再高，最終偏轉后的數據都會將精度大幅度地降低。

5 結語

安全問題也是制約自動駕駛發展的一個瓶頸問題。即使高精地圖做的再精確，也無法保證實時，所以必然會在極個別的情況下存在高精地圖與現實不符的情況。這些情況有可能導致自動駕駛車輛出現事故，那么最終的安全責任問題如何認定？這種問題目前的法律法規并不明確，也沒有相應的社會保險制度作為保障，這也制約了自動駕駛和高精地圖的發展。

[1] 路玲玲, 吳曉明, 任杰. 城市地下管網信息管理問題研究[J]. 地域研究與開發, 2008, 27(2): 47-50.

[2] Li B, Zhang T, Xia T. Vehicle Detection from 3D Lidar Using Fully Convolutional Network[J]. 2016.

[3] Yu F, Xiao J, Funkhouser T. Semantic alignment of LiDAR data at city scale[C]//Computer Vision and Pattern Recogni-tion. IEEE, 2015: 1722-1731.

[4] Benenson R, Omran M, Hosang J, et al. Ten Years of Pedestrian Detection, What Have We Learned?[M]// Computer Vision- ECCV 2014 Workshops. Springer International Publishing, 2014: 613-627.

[5] Everingham M, Gool L V, Williams C K I, et al. The Pascal Visual Object Classes (VOC) Challenge[J]. International Journal of Computer Vision, 2010, 88(2): 303-338.

[6] Franke U, Joos A. Real-time stereo vision for urban traffic scene understanding[C]//Intelligent Vehicles Symposium, 2000. IV 2000. Proceedings of the IEEE. IEEE Xplore, 2000: 273-278.

[7] Wang D Z, Posner I, Wang D Z, et al. Voting for Voting in Online Point Cloud Object Detection[C]// Robotics: Science and Systems. 2015.

[8] Uijlings J R R, Sande K E A V D, Gevers T, et al. Selective Search for Object Recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154-171.

[9] Zia M Z, Stark M, Schiele B, et al. Detailed 3D Representations for Object Recognition and Modeling[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(11): 2608-2623.

[10] Seitz S M, Curless B, Diebel J, et al. A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms[C]// Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on. IEEE, 2006: 519-528.

[11] Collins R T. A Space-Sweep Approach to True Multi-Image Matching[C]//Computer Vision and Pattern Recognition, 1996. Proceedings CVPR '96, 1996 IEEE Computer Society Conference on. IEEE, 1996: 358-363.

[12] Pollefeys M, Nistér D, Frahm J M, et al. Detailed Real-Time Urban 3D Reconstruction from Video[J]. International Journal of Computer Vision, 2008, 78(2-3): 143-167.

[13] Furukawa Y, Ponce J. Accurate, dense, and robust multiview stereopsis.[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2010, 32(8): 1362-1376.

[14] Labatut P, Pons J P, Keriven R. Efficient Multi-View Reconstruction of Large-Scale Scenes using Interest Points, Delaunay Triangulation and Graph Cuts[J]. 2007: 1-8.

[15] Curless B, Levoy M. A volumetric method for building complex models from range images[C]// Conference on Computer Graphics and Interactive Techniques. ACM, 1996: 303-312.

[16] Brubaker M A, Geiger A, Urtasun R. Map-Based Probabilistic Visual Self-Localization[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2016, 38(4): 652.

[17] Sang M O, Tariq S, Walker B N, et al. Map-based priors for localization[C]//Ieee/rsj International Conference on Intelligent Robots and Systems. IEEE, 2004: 2179-2184 vol.3.

[18] Geiger A, Lenz P, Urtasun R. Are we ready for autonomous driving? The KITTI vision benchmark suite[C]// Computer Vision and Pattern Recognition. IEEE, 2012: 3354-3361.

[19] Schreiber M, Kn?ppel C, Franke U. LaneLoc: Lane marking based localization using highly accurate maps[C]// Intelligent Vehicles Symposium. IEEE, 2013: 449-454.

[20] Leonard J J, Durrant-Whyte H F, Cox I J. Dynamic map building for an autonomous mobile robot[M]. Sage Publications, Inc. 1992.

Brief Description of the Characteristics of High Precision Map

WANG Tao1, CHEN Yan-li2, JIA Shuang-cheng3

(1. Beijing Rookie Logistics Co., Ltd., Beijing 100000; 2. Beijing Star World Information Technology Co., Ltd., Beijing 100000; 3. Alibaba Network Co., Ltd., Beijing 100000)

As a new thing, high precision map has become an important part of automatic driving. There is an essential difference between the high precision map and the traditional map. Combining with the definition and function of high precision map, this paper describes and analyzes the data production and product characteristics of high precision map in detail, and forecasts the core problems of the future development of high precision map from three aspects.

High precision map; Autopilot; Map; Navigation; Point cloud; Automatic identification

U666.1

A

10.3969/j.issn.1003-6970.2018.09.037

王濤(1978-)，男，本科，高級工程師，研究方向：自動駕駛高精地圖。

本文著錄格式：王濤，陳艷麗，賈雙成. 簡述高精地圖的特點[J]. 軟件，2018，39（9）：183-187