精华内容
下载资源
问答
  • 高精度地图

    2019-02-26 22:58:33
    高精度地图资料,opendrive高精度地图数据格式整理文档和代码
  • 《智能网联汽车高精度地图白皮书(2020版本)》征求意见稿.pdf
  • OpenDRIVE详细地图格式说明,提供了opendrive的详细地图格式说明,是地图行业专业的说明文档,适用于无人驾驶或者地图定位研究
  • 高精度地图的构建及在定位和标注中的应用研究.caj
  • IDC报告-中国高精度地图解决方案市场厂商份额.pdf
  • OpenDRIVE® is an open file format for the logical description of road networks. It was developed and is being maintained by a team of simulation professionals with large support from the simulation ...
  • 基于三维激光雷达的自动驾驶车辆高精度地图构建.caj
  • apollo的高精地图roi算法,代码主要是扫描线算法的实现。
  • 国泰君安-计算机行业:高精度地图,客户渗透率和市占率的双击.pdf
  • 所谓高精度地图(也称为高精度地图),实际上是和普通导航电子地图相对而言的服务于自动驾驶系统的专题地图。高精度地图可以分为两个层级:静态高精度地图和动态高精度地图。静态高精度地图处于底层,是目前研发的...
  • 中海达-300177-收购天地通,进一步加强高精度地图软件应用全国性布局
  • 四维图新-002405-高精度地图业务商用落地,具有标杆意义
  • 所以为了保证安全性,为了保证高级自动驾驶的有效冗余性,我们需要高精度地图这样一个冗余的传感器,来支撑自动驾驶,弥补传感器的不足。 同时还有其他典型情况,下图可以看到在城市的复杂道路环境下有很多的红绿灯...

    目录

    痛点1:视觉传感器场景受限

    痛点2: 传统卫星定位场景受限

    痛点3 视觉传感器距离及理解受限

    拆解痛点

    跨越痛点

    四维图新高精度地图产品矩阵

    面向未来的无人驾驶地图服务平台


    痛点1:视觉传感器场景受限

    高精度地图针可进行有效冗余

    在很多场景下,例如下雪天,车道线磨损,遮挡,或雾霾天气,这个时候不管是传统的视觉以及激光雷达传感器,它都会有一定的失效。

    图片

    所以为了保证安全性,为了保证高级自动驾驶的有效冗余性,我们需要高精度地图这样一个冗余的传感器,来支撑自动驾驶,弥补传感器的不足。

    同时还有其他典型情况,下图可以看到在城市的复杂道路环境下有很多的红绿灯,依靠单纯的视觉系统,很难的分辨出红绿灯究竟是控制哪条车道的交通流。

    图片

     

    此时,我们可以通过提前绘制好的高精度地图,有效的控制和加速自动驾驶系统的识别,让它能够观察到正在控制本条车道的红绿灯究竟是哪一个,从而实现动态的自动控制。


    痛点2: 传统卫星定位场景受限

    高精度地图车辆融合定位

     

    在一些复杂的场景下,例如图中重庆的复杂立交,或者隧道场景,我们怎么样去做高难度的定位,实现车道级的定位?

    图片

    目前来讲,行业通常的做法是RTK加上一个车规级的IMU。然而,现实中GPS/RTK的方式非常容易受到干扰,不仅仅遇到立交桥等复杂场景,此外例如城市环境下的高楼大厦,镜面反射,甚至大型水体,也会受到信号的干扰,从而无法实现精准定位。

    因此,我们需要一个非常稳定的无源定位的方式。利用高精度地图,结合视觉毫米波雷达、激光雷达等无源定位的无源传感器,实现自主定位,这种融合定位的方式,会在实际使用过程中大大提高自动驾驶的安全性。


    痛点3 视觉传感器距离及理解受限

    高精度地图延长感知距离,实现车道级路径引导

     

    地图是一个超视距传感器,对于远距离的路径规划,通常只能通过地图提前进行进行规划。并且我们可以看到像类似于复杂的环岛场景,必须通过高精度地图提前进行对其规则进行理解,从而做出合理的决策和控制。

    图片

    此外,在很多城市场景下,类似于潮汐车道等本身存在一定的特殊交通规则,此时需要利用高精度地图提前进行路径规划,避免自动驾驶系统错误的认知交通规则。

    图片

    所以,高精度地图不仅仅是作用于自动驾驶的核心功能,更加重要的我们可以提前赋予他比司机更加丰富的驾驶经验。

    四维图新高精度地图在对中国、欧洲、东南亚进行数据采集、制作过程中,也遇到了各种各样有意思的场景,识别了包括1000+种特殊的道路形态,例如:

    高速公路的U-turn

    图片

     

    高速公路上的交叉路口

    图片

     

    高速公路上甚至有房子出现

    图片

     

    甚至出现了非正常的开口

    图片

     

    图片

     

    往往这样一些特殊场景下,单纯依靠自动驾驶系统在局部的感知实现自动驾驶是非常的困难的。因为自动驾驶系统目前来讲,依赖的人工智能系统主要是一个基于归纳法的实现方式,也就是基于现有场景的归纳总结,但是对于cornercase(临界情况),往往很难处理。然而只有实现全场景的感知决策才有可能实现真正的自动驾驶。

    此时,高精度地图就可以先于其他传感器,提前去绘制和理解这样一些复杂场景,从而及时让自动驾驶系统能够感知到前方有异常的场景,通过地图去提前识别风险,再能够通过提前接管或提前预警的手段避免危险的发生,采取更安全的驾驶手段。


    拆解痛点

    自动驾驶不同阶段,对地图有多样化需求

    经常会听到一些声音对自动驾驶地图,高精度地图傻傻分不清楚。但是从四维图新的观点来看,高精度地图是一种较为完整的地图产品,而自动驾驶对地图需求,更像是是一个金字塔模型。

    如下图,从上到下,面对不同级别自动驾驶,对地图的需求会越来越重。

    图片

     

    >>>>

    轻量需求-ODD地理围栏等

     

    面对现阶段较为复杂的路况,自动驾驶系统往往需要通过ODD地理围栏,知道什么情况下是否可以开启,而地理围栏的设计需要通过高精度地图。

    其中,我们可以知道在很多恶劣天气条件下,比如冬天有些路段结冰等不安全的因素一旦出现,整个自动驾驶系统,包括自动驾驶的服务后台,一定要给予车辆一个提前的预警,提供实时的路面信息作为危险信号,帮助自动驾驶车辆及时规避风险,这就需要高精度地图提供实时交通服务,通过结合动态信息提供实时的自动驾驶地理围栏。

    >>>

    较轻量需求-UGC/定位规划等

    此外还有一种轻量级的模式,一些企业通常使用毫米波雷达,视觉传感器进行UGC成图,从而实现基于量产传感器的定位。这种地图成图成本相对比较低,但是同时也有一个较大的问题,就是它具有一定的不确定性,它是具有一定概率的成图模式。

    目前大部分车厂在实现基于路径的自动驾驶服务上,面向的目标是基于高精度定位以及车道级路径规划的服务。为了实现高速公路的脱手自动驾驶,一定需要首先实现高精度定位以及规划,其中需要使用厘米级的高精度地图服务,包含一些UGC手段的辅助,从而实现自动驾驶功能安全的冗余。

     

    >>>>

    较重量需求-安全相关

    面向L3+的自动驾驶解决方案,则需要相对重量级的一种地图解决方案,也是更依赖高精度地图的。

     

    L3+一般我们来讲就是L3/L4,那么这个跟L2/L2+的有一个根本性的区别,就是它的责任主体是车辆,所以要求所有自动驾驶系统具备极高安全性。所以,感知层面一定要具备高度的冗余性。

     

    面向L3+的系统上,不管是视觉激光雷达、高精度地图,一定都是必备条件。

     

    另外我们可以看到高等级的自动驾驶对于地图的要求不仅仅是精度高,另外需要更高频的更新。那么利用这个车端的传感器,如何实现高精度地图的快速更新,也是一个非常重要的课题。


    跨越痛点

    剖析地图生产过程中专业的自动化工艺

     

    为什么说L3/L4的高精度地图一定是高自动化的?高自动化意味着两点:

     

    第一,为了保证高度的质量,高度的可靠性,我们一定要在很多关键的环节逐渐的去人工化,因为只有去掉了人工,这个环节才能够实现充分的可复现性,因为人工具备一定随机性,但是自动化是具备重复性的。

    第二,我们只有通过了高度自动化,才能够实现快速自动更新,从而维持地图高鲜度。通过效率的提升,很多时候即使计算周期比较长,但是我们借助高度的自动化工具,同样是能够将将地图的快速更新,从而实现从天级到小时级甚至分钟级更新,只有这样才能够支撑高级自动驾驶对于安全性的需求。

     

     

    采集过程自动化:

    作为一家专业的测绘公司,首先要做到高精度地图的自动化采集流程。

    第一,我们采用了包括GPS、北斗、GLONASS、伽利略在内的多系统卫星实现高精度定位,同时我们通过自建的CORS(地面基准站)服务,包括地面的控制点,实现空地一体化的高精度网络,从而支撑测绘采集的信息处理。

    此外,通过自研的传感器同步系统,目前能够实现毫秒级的多元传感器的数据同步,从而保证在数据在采集过程中的精度达到了业界领先标准。

     

    图片

     

    >>>>

    处理过程自动化:

    采集后的数据在处理过程中,也会增加自动化精度优化的手段。这里面包括点云的自动化处理,以及图像的自动化处理。在整个的数据处理过程中,通过自动化的手段的加持,可以实现高度的全局精度优化,从而保证地图不仅仅是精度达到标准,同时使得精度在全局下能够达到一个连续的标准。

    图片

     

    同时我们可以看到我们通过全国甚至欧洲的多场景数据采集,我们积攒了各种各样的场景。对于这些多样的场景的提前预研,也使得我们整个自动化的算法,能够适应更多的复杂路况。

    比如面对前面提到的高速被灌木丛遮挡、车道线模糊等现实复杂场景,我们通过5年的研发迭代和场景库积累,目前已经基本实现了所有要素的自动化处理,并且在这种cornercase的情况下,也实现了一个高度自动化的提取,确保稳定性。

    图片

     

    >>>>

    验证过程自动化:

    不仅仅是制作层面需要更多自动化处理,为了让处理后的地图数据拥有更高质量,我们也建立了单独的评测体系,包括利用国标去建立一个全面的质量评测体系。从而实现一个实地的包括质量和要素的实体抽样检测,以保证最终出品的数据得到充分的评测。

    图片

    图片图片图片

     

    >>>>

    更新过程自动化:

    四维图新目前进行UGC地图更新时,会用到一个比较领先的技术——Map Learning,这指的是我们利用,预先安装好的消费级的车内传感器,进行自动化数据回传和处理,然后通过高度自动化的融合算法,从而实现基于消费级传感器数据的自动更新,最终保证高精度地图能够实现实时动态更新,全面保障自动驾驶的安全性。

    图片


    四维图新高精度地图产品矩阵

     

    正是由于看到了高精度地图对于实现自动驾驶的重要性,四维图新通过提前的布局,目前无论是高速路还是普通城市道路,覆盖里程已经达到业界领先。

    这里讲的高速部分,包括广域高速以及城市高速。目前四维图新高精度地图数据已经覆盖了中国将近30万公里,以及德国的28,000公里高速道路。

    图片

     

    这里要提到一点,就是四维图新为什么去做德国的道路。作为一家B2B的公司,我们的业务布局始终是以客户需求为中心的,通过跟一些国际伙伴的合作,四维图新在地图的整个技术水平以及地图的制作质量方面的能力也得到业界的充分肯定,部分合作伙伴同时也希望我们能够去加速在他们本土的自动驾驶开发进程,从而邀请我们进行了欧洲的高精度地图的制作。目前来讲欧洲大多主流车厂非常看重高精度地图在自动驾驶过程中的支撑作用,这里面也包含了四维图新在他们整个自动驾驶研发过程中的技术支撑。

    图片

     

    普通道路方面,目前来讲我们也是制作了一个面向L4级以上Robotaxi和以及L4以上乘用车的一个城市自动驾驶地图,我们把它称为一个终极版的自动驾驶地图,截至目前,四维图新已经覆盖了全国大部分的开放测试道路、示范区以及我们国家最典型的城市区域。

     

    2019年四维图新自动驾驶地图产品已完成全国高速道路的覆盖,而在经过近两年时间的研发准备,城市普通道路数据也正式进入产品化阶段,相较于高速城市道路更加开放,场景更为复杂,对自动驾驶能力提出了更高的挑战,自动驾驶地图也将发挥更关键的作用。

     

    图片

     

    通常意义上我们提到的自动驾驶地图,以及地图服务,是对应未来最高级别的自动驾驶技术,目前还无法做到真正的量产级落地,然而前面也提到随着自动驾驶技术的逐步演进,L2及以上辅助驾驶功能已经进入一个落地的关键周期,根据不同等级自动驾驶对于地图的不同需求,四维图新高精度地图也相应推出了三种地图产品:

     

    图片

     

    我们拥有面向L2+覆盖所有场景的高精度地图产品-HD Lite,还有面向场景覆盖高速以及城市高速城市快速路的高精度地图产品—HD Pro,以及面向复杂城市包括Robotaxi等应用的高精度地图-HD Ultimate。

     

    这些地图虽然被赋予不同的名字,但对于我们来讲,最终对车厂提供服务,以及对用户提供服务来说,它们之间一定是通过一个接口,一个协议,可以平滑地连接在一起。

     

    从图商的角度来讲,地图定义自动驾驶,通过自动驾驶地图平滑地支撑自动驾驶这么一个长期演进的地图服务,能够支撑未来面向10年的自动驾驶产业从L2升级到L4的一个逐步升级过程。

     

    目前来讲,自动驾驶行业仍处于一个从L2到L2+的演进周期。通过今年一些行业研报可以看出,从今年开始很多车型L2级别的辅助驾驶已经处于一个非常普及的状态,其中丰田的卡罗拉甚至已经60%以上都标配了L2级的辅助驾驶。

     

    我们认为整个乘用车产业界对L2以上的辅助驾驶功能已经到了一个落地的关键周期。相较于L3/L4,L2+的责任主体还是在驾驶员本身,所以自动驾驶解决的是给大家带来更好的体验而不是负担。所以我们也在思考如何通过地图让L2级别的自动驾驶增加更多的体验。

     

    之所以叫HD Lite ,是因为对于图商车厂来讲,它一定是一个低成本大范围的方案。HD Lite的图看起来跟刚才讲的这样一个高级别的自动驾驶地图很像,但是实实际上它他在整个的制作上主要是依赖高度的自动化的处理手段,它可以充分利用AI能力提取关键要素进行自动成图,实现低成本广域的自动驾驶地图服务,从而帮助包含高速以及城市地图服务,进入一个可以量产的形态,加速这个级别自动驾驶技术的落地。

     

    图片

     

    目前来讲,我们在L2+的覆盖范围是最广的,但是随着自动驾驶技术的提升,以及数据生态的提升,我们在面向L3/L4的地图上也会逐步实现不同区域的扩展。

     

    总结一下,对于自动驾驶地图,四维图新用有一套整体的服务形态:

     

    第一,作为自动驾驶系统的支撑,地图的表现形式有两种,一种是去云端分发地图,用云更新地图,以及通过现实场景的仿真,提供一种即插即用的面向车端的地图引擎,地图引擎里面包含数据的感知、现场的感知定位、跨域的交叉参考,路径规划等核心功能。

     

    高精度地图整体解决方案也是一个闭环的状态,闭环包含地图的更新,数据的更新、功能的更新,以及包含传感器的数据回传,能够实现一个数据的增强,功能的增强,通过这么一个长期的迭代过程,从而实现实现7×24小时的地图服务,支撑更加安全的自动驾驶。

     

    图片

     

    此外,针对L3以上的自动驾驶,每一个子系统都要具备高度的可用性,具体来说就是一定要有冗余,这里的冗余不仅仅包含在传感器之间,高精度地图系统内部也需要去冗余,比如从地图更新上来讲,我们的更新源将不仅仅包括专业源,也包含UGC源,同时在众多源数据里面,能够形成一个交叉验证,从而实现整体系统的高可靠和高安全性。

     

    图片

     

    除了基本的地图功能以外,高精度地图同时支持了包括融合定位、V2X分发、UGC数据采集等应用。

     

    图片


    面向未来的无人驾驶地图服务平台

     

    面向未来的整个高精度地图服务,除了前面讲的高可靠,以及能够帮助自动驾驶系统快速量产落地以外,面向未来L4以上的高精度地图应用,高精度地图服务一定要达到一个实时级的状态。要达到实时级的状态的话,我们一定要充分去利用路端设备,这个路端就是现在我们经常听到的5G边缘云以及V2X等车路协同解决方案。

     

    图片

     

    那么边缘云和V2X怎么样能促进高精度地图服务呢?目前来讲边缘云具备强大的计算能力,它也可以具备类似于摄像头,激光雷达这样一些传感器,然后利用整个成熟的V2X技术,进行高精度地图的自动更新与分发,从而实现毫秒级的自动驾驶安全服务。

     

    与此同时,对于车路协同而言,最重要的是不同的交通体之间,要具备可以通信的语言,高精度地图作为其中最重要的语言,就可以利用服务告诉不同交通体具体在某一个车道的某一个位置,以及和前方车辆到底是什么关系,从而帮助驾驶进行决策。这样来讲,尤其是智能路段,对高精度地图的需求是非常强烈的,甚至于说是一种基础性的服务。

     

    对于自动驾驶,人类的终极梦想是面向L5,也就是实现真正的无人驾驶。

     

    面对无人驾驶,我们认为整个业界需要拥有一个超越人类的智慧大脑,这个智慧大脑一定是基于数据驱动的,这个数据驱动一定要是通过整个自动驾驶的长周期的运营来实现的,一个高级别的AI人工智能系统。

     

    面对未来无人驾驶的愿景,四维图新也在不断思考。我们希望能够通过与OEM、出行服务商,一起来打造一个开放的数据平台。

     

    图片

     

    这个数据平台能够通过量产车以及Robotaxi上预置的传感器,以及四维图新高精度地图高度自动化的服务,可以实现高度定制化,从而实现高精度地图数据驱动的快速迭代,能够形成一个数据闭环,这个数据闭环同时也会持续迭代升级,从而不断更新地图服务,然后持续升级人工智能的能力。

     

    此外通过在整个自动驾驶闭环中产生出来的数据,能够去赋能与智慧交通智慧城市,实现一个自动驾驶产业,从自动驾驶应用本身到更大智慧城市范围扩张,最终实现产业增值的效应,迈向终极的L5,以及面向无人驾驶的智慧城市。

     

    展开全文
  • 前言 ...与传统导航地图不同的是,高精度地图除了能提供的道路(Road)级别的导航信息外,还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面,都是远远高于传统导航地

    前言

    前九次的分享,我将无人车上所用到的主流传感器都做了介绍。这些传感器都是看得到,摸不着的实物。在无人车自动驾驶的过程中,还有一种看不见、摸不到的“传感器”也在发挥着巨大作用,它就是高精度电子地图。

    高精度电子地图也称为高分辨率地图(HD Map,High Definition Map),是一种专门为无人驾驶服务的地图。与传统导航地图不同的是,高精度地图除了能提供的道路(Road)级别的导航信息外,还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面,都是远远高于传统导航地图的。

    通过下图,可以感性地看出传统导航地图与高精度电子地图的区别。


    正文

    谈论高精度地图时,我将从三个方面展开。首先需要理性地了解高精度电子地图是什么,它和传统地图真正的区别在哪;其次再讨论高精度地图在无人车领域是如何应用的;最后结合高精度地图这个行业聊一聊高精度地图所遇到的挑战。

    高精度地图是什么?

    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。

    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。

    ..

    高精度地图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。

    高精度地图能够为无人驾驶提供的内容如下:

    车道级道路信息

    传统导航地图只能提供道路级(Road)的导航信息,如下图最左侧所示。道路R1连接着R2,R2同时连接着R3和R4。而高精度地图能够提供车道级(Lane)的导航信息,这种导航信息能够精确到车道的连接关系。如下图中间图所示Lane1连着Lane4,Lane4连着Lane8,;Lane3连着Lane6和Lane7,Lane7连着Lane10。

    图片出处:未来汽车大讲堂 - 网易云课堂 高精地图,自动驾驶的必由之路

    车道级别的道路信息能够解决在路口转弯时,无人车不知道需要转多大的角度和保持多高车速的问题。如下图右侧绿虚线即为高精度地图为无人车提供的虚拟车道线中心,只要提前变道到正确车道,并沿着虚拟车道线所在的车道行驶,即可顺利通过路口。

    图片出处:未来汽车大讲堂 - 网易云课堂 高精地图,自动驾驶的必由之路

     

    道路先验信息

    先验信息是指某些可以提前采集且短时间内不会改变的信息。

    仅依靠传感器的信息是很难感知车辆现在是处在高速公路上,还是处在普通城市道路上的;无限速牌的路段,车速最高可以开多快;前方道路的曲率;所处路段的GPS信号强弱。这些都是传感器遇到性能瓶颈时,无法实时得到的信息。而这些信息却都是客观存在,不会随外部事物的变化而变化,因此可以提前采集,并作为先验信息传给无人车做决策。

    图为高精度地图可以为无人车提供的某些先验信息。包括道路曲率、航向、坡度和横坡角。这些信息对于无人车的安全性和舒适性都至关重要。

    图片出处:未来汽车大讲堂 - 网易云课堂 高精地图,自动驾驶的必由之路

    感兴趣点

    感兴趣点是POI(Point of Interest)的直译。在交通场景中能成为POI的东西有很多,比如:

    用中心点和多个外包络点描述的交通标志牌、地面标志、灯杆、红绿灯、收费站等;用一系列连续点所组成的链状信息描述的路沿、护栏、隧道、龙门架、桥等。

    高精度地图精确记录了这些POI的经纬度和高度,只要给定无人车的精确位置(经纬高),即可将各个POI相对于自车的位置计算出来。将这些POI信息的相对位置逆向投影到车载前视图像上,如下图所示。

    图片出处:未来汽车大讲堂 - 网易云课堂 高精地图,自动驾驶的必由之路

    到这个时候,肯定有人问:高精度地图比传统地图多出如此多的信息,容量肯定很大吧?

    不不不。现阶段的高精度地图容量并不比传统地图大多少。为什么呢?

    因为现阶段的高精度地图完全是为无人驾驶服务的,而传统地图是为人类服务的。高精度地图只用关心与驾驶有关(道路、POI)的信息,并不关心周边的商场有几层、超市的面积有多大、小饭馆有多少家。而这类信息刚好是人类更关心的。正是因为侧重点不一样,所以在容量方面并不会有太大的差别。

    下图从要素、系统、用途方面更为清晰地囊括了传统地图和高精度地图的侧重点:

    图片出处:未来汽车大讲堂 - 网易云课堂 高精地图,自动驾驶的必由之路

     

    高精度地图的应用

    高精度地图只是一个静态的数据,在实际使用时,不可能一开始就将全国的地图导入到系统中,这样不仅费时,而且会占用系统很多资源。高精度地图的供应商(图商)除了提供高精度地图外,还会提供一个叫做“地图引擎”的软件。由这个软件负责整个高精度地图的资源调度,无人车只需要告诉“地图引擎”现在的大致位置以及想要去的地方,“地图引擎”就会将这个过程中所要用到的高精度地图数据发布出来,供无人车使用。数据流如下图所示。

    高精度地图的应用需要配合高精度的定位。

    高精度定位,至少包含无人车当前的位置航向角。位置是指无人车GPS天线安装位置所在的经度、纬度、高度;航向角,是指无人车车头的朝向与正北方向的夹角。

    理论上,已知两个点的经纬高,即可计算出两个点的相对位置。那为什么还需要提供精确的航向信息呢?

    如下图所示,如果无人车想要实现沿高精度地图车道线直线行驶,在有正确的经纬高和航向角情况下,车道线上的一系列点在无人车坐标系下的相对关系如下图(图中黑点)。根据车道线规划出来的轨迹(绿线)是与车道平行的直线。

    试想一下,如果这时候航向值变得不准,比如偏了几十度。由于经纬高没有变化,因此车道线上的所有点距离无人车中心的距离是保持不变的,但这些点会以中心旋转。得到的车道线在无人车坐标系下的相对关系如下图。根据此车道线规划出来的轨迹,会让无人车认为必须要转一个角度才能实现车道保持。最终造成的控制结果就是,无人车一直在原地打转。由此可见无人车的航向角是很重要的定位信息。

    充分利用高精度地图的作用将对无人驾驶有如下帮助:

    提升无人车的感知能力

    比如,在天气良好的情况下,车载传感器能够检测出车道线、障碍物、路沿、可通行空间等,但对于道路坡度、道路曲率的检测无能为力。这些数据有助于无人车的控制,刚好高精度地图可以提供。

    再比如,当遇到暴雨/大雪/沙尘等恶劣天气,车载传感器很难感知到远处的障碍物、车道线信息。而定位+高精度地图的配合是可以提供诸如车道线、路沿和可通行空间这些信息的,增加系统的信息冗余。

    结合车载传感器信息,提升定位精度

    我在无人驾驶技术入门(三)| 百度无人车传感器 GPS 深入剖析中介绍过现有的无人车高精度定位在某些情况下也会出现定位不准的情况。因此仅依靠GPS的定位方案可靠性太差。

    业内通用的定位方式是GPS+高精度地图+摄像机(激光雷达等)信息融合的定位方法。先看一个视频,了解一下国外图商here是如何结合车载传感器信息做定位的。

    视频连接:https://video.zhihu.com/video/988784154003128320

    首先根据GPS的数据(经纬高和航向)确定无人车大致处于哪条道路上,这个位置的可能与真实位置有5~10米的差距。

    根据车载传感器检测的车道线(虚、实线)及道路边缘(路沿或护栏)的距离与高精地图提供的车道线及道路边缘做比对,然后修正无人车的横向定位。

    根据车载传感器检测到的广告牌、红绿灯、墙上的标志、地上的标志(停止线、箭头等),与高精地图提供的同一道路特征(POI)进行匹配,进而修正纵向定位和航向。在没有检测到任何道路特征的情况下,可以通过航位推算进行短时间的位置推算。

    无人车的定位算法通常采用粒子滤波的方法,需要多个计算周期后,定位结果才会收敛,进而提供一个相对稳定的定位结果。粒子滤波的算法原理我会在随后的系列文章中介绍。

    高精度地图的挑战

    挑战一:高精度地图的众包

    高精度地图虽然好用,但目前还无法大规模地生产,大部分内外业处理还是由人工来完成标注和数据转化。而且仅仅靠地图公司的几十上百辆采集车在道路上采集,很难保证地图数据的实效性,即无法保证地图数据足够“新鲜”。

    因此图商都希望能在量产车的前装摄像头上做文章,让这款摄像头具备L2以上自动驾驶能力外,还能够将采集图像预处理后的数据传到云端,实现数据的更新。当一个地点的实际情况被足够多的私家车检测到与地图不符时,由图商确认信息后,对地图进行相应的更新。这样一来,地图数据迭代地足够快,就能更好地服务于高精度地图生态和无人车了。

    挑战二:高精度地图的政策

    地图政策的这项挑战仅存在于国内。

    高精度地图和国防息息相关,因此高精度地图的采集和使用在国内是受到严格限制的。目前我国仅有14家单位具有甲级地图测绘资质,这就意味着,只有这14家图商具有高精度地图采集和使用的权利。无人驾驶初创公司如果想使用高精度地图,要么强依赖这14家图商,要么在法律的红线上做研究。

    由于测绘资质政策的存在,我觉得国外的无人驾驶技术想要染指中国的市场,并不是一件简单的事情。即便是博世这种Tier1中的大佬,没有国内图商的帮助,想要扩张他们的无人驾驶技术,依然会寸步难行。


    结语

    在高精度地图领域有一句很有意思的话,叫做Make the invisible visible。这句话可以作为本篇分享的总结啦。

    好了\(^o^)/~,这篇分享的内容基本上涵盖了大部分高精度地图的知识以及其在无人车领域的应用。

    展开全文
  • 高精度地图介绍

    万次阅读 2019-01-17 11:42:06
    高精度地图地图简介格式标准高精度地图VS传统地图制作过程 地图简介 供无人驾驶车辆是用的电子地图,精度达到厘米级; Aopllo高精度地图教程,视屏地址:...

    地图简介

    什么是高精地图

    供无人驾驶车辆是用的电子地图,精度达到厘米级,它是需要做到车道线级别的;
    什么是高精度地图
    Aopllo高精度地图视频教程,视屏地址:http://apollo.auto/devcenter/courselist_cn.html?target=2

    高精度地图与无人驾驶

    高精地图对于无人车来说,具有非同寻常的价值:
    第一,高精地图能够给无人车很多预判的空间。当无人车通过高精地图知道前方的路况和交通标识信息后,能够提前做行驶规划,保证了行车的平稳性和经济性。

    第二,高精地图能够帮助无人车减少计算量。当无人车需要通过路口时,它需要提前感知前方信号灯的状态,这时高精地图就可以帮助它定位到信号灯所在的特定区域,从而有效降低了全范围扫描识别的计算量。

    除此以外,高精地图将道路及周围的所有静态障碍物进行收集,减少无人车对静态障碍物的算法处理。
    高精度地图与无人驾驶
    传统地图的技术不是不精确,而是尚未达到自动驾驶的需求。

    用于L3、L4级别自动驾驶的高精地图,对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别,还有道路之间的连接关系,专业术语叫Link。

    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。

    即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来。

    第二个特征是实时性。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。

    高精地图更类似于自动驾驶的专题组,但国内可能为了称谓方便还是称它为高精地图。高精地图并不是特指精度,它在描述上更加的全面,对实时性的要求更高。

    格式标准

    OpenDrive

    百度高精度地图使用的OpenDrive的格式标准,在运用到自己的无人驾驶时,做了改进,出了Aopllo OpenDrive标准。

    NDS

    Navigation Data Standard – Format Specification
    NDS是一个导航系统中地图的标准文件格式,NDS协会由汽车制造商,导航程序和编译开发人员,地图服务供应商组成。

    高精度地图VS传统地图

    在这里插入图片描述左边是我们经常用到的一些电子导航地图,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。这类似百度地图、高德地图、谷歌地图的做法。

    导航地图只是给驾驶员提方向性的引导。识别标志标牌、入口复杂情况、行人等都是由驾驶员来完成,地图只是引导作用。导航地图是根据人的行为习惯来设计的。

    高精地图完全为机器设计的。因为对于道路的各种情况、人都能理解,但是对于车辆来说它完全不理解。

    右边的图是比较典型的复杂路口,包括人行横道、红绿灯、限速标牌、车道左转右转类型。

    我们可以看到图中的路口中间有虚拟的连接线。真实道路中不存在连接线。连接线是为了让车辆更好的去理解环境,并在高精地图上表示出来。通过这一步,在人类构建的交通设施环境下,自动驾驶车辆便能运行。

    制作过程

    高精度地图制作过程共分五部分:数据采集、数据处理、对象检测、手动验证和地图发布。
    在这里插入图片描述

    相关公司

    转载至知乎 https://zhuanlan.zhihu.com/p/41209264

    国内公司

    百度、四维、高德、Momenta

    1. 百度地图

    ▶ 公司名称:北京百度网讯科技有限公司
    ▶ 成立时间:2005年
    ▶ 所在地:北京
    ▶ 主要产品:为用户提供包括智能路线规划、智能导航(驾车、步行、骑行)、实时路况等出行相关服务的平台。

    ▶ 采集形式:集中制图
    ▶ 产品优势:语音交互覆盖用户操控全流程 ,还上线了AR步导、AR导游等实用功能。覆盖了全球209个国家和地区。
    ▶ 目前融资进度:暂无
    ▶ 合作伙伴:嘀嗒出行、诺基亚、多国旅游局、酒店、房产、餐饮、团购、LBS等各个领域超过10000家企业与百度地图展开了合作。

    ▶ 最近消息:已经完成30万公里高速/环路中国高精地图的采集制作,并完成亿万公里ADS数据采集;2018年6月百度地图实时交通监测与研判分析平台(百度交通研判平台2.0)正式上线。

    1. 高德地图

    ▶ 公司名称:高德软件有限公司
    ▶ 成立时间:2002年
    ▶ 所在地:北京
    ▶ 主要产品:最新地图浏览器、专业地图服务、专业在线导航功能、AR虚拟实景、丰富的出行查询功能、动态导航等。
    ▶ 采集形式:集中制图
    ▶ 产品优势:国内一流的免费地图导航产品,也是基于位置的生活服务功能最全面、信息最丰富的手机地图,由国内最大的电子地图、导航和LBS服务解决方案提供商。拥有导航电子地图甲级测绘资质、测绘航空摄影甲级资质和互联网地图服务甲级测绘资质“三甲”资质。

    ▶ 目前融资进度:2010年在纳斯达克上市,2014年被阿里巴巴以10.45亿美元的价格收购。

    ▶ 合作伙伴:阿里巴巴、58速运、联合电动、中国气象局等。

    ▶ 最近消息:2018年为凯迪拉克的量产智能驾驶系统super Cruise提供高精地图数据;同年7月推出人工智能“易行助手”助力智慧出行。

    1. 四维图新

    ▶ 公司名称:北京四维图新科技股份有限公司
    ▶ 成立时间:2002
    ▶ 所在地:北京
    ▶ 主要产品:导航地图、导航软件、动态交通信息以及乘用车和商用车定制化车联网解决方案领域的领导者。

    ▶ 采集形式:集中制图

    ▶ 产品优势:作为全球及中国领先的数字地图提供商之一,公司产品和服务充分满足了汽车导航、消费电子导航、互联网和移动互联网、政府及企业应用等各行所需。依托北京、上海、西安、沈阳四大研发中心,全国23个本地化数据实地采集和技术服务基地,四维图新通过不断自主研发和创新,开发了具有100%自主知识产权的核心技术和工具软件。

    ▶ 目前融资进度:2010年已14.34亿元IPO,2016年1.8亿元战略融资,腾讯产业共赢基金。
    ▶ 合作伙伴:Mobileye、上汽集团、博世、腾讯、滴滴、搜狗、京东等。
    ▶ 最近消息:2018年与Mobileye、上汽集团合作,共同推进REM计划,目前宣布公司的高精地图正准备量产;同年7月四维图新联合中标公安部PGIS2.0项目,助力公安服务创新。

    1. 凯立德

    ▶ 公司名称:深圳市凯立德科技股份有限公司
    ▶ 成立时间:1997
    ▶ 所在地:深圳

    ▶ 主要产品:中国领先的电子地图、导航系统和车载智能终端产品及服务提供商,始终致力于为国内外汽车制造厂商、汽车电子厂商、便携导航设备厂商、手机厂商、电信运营商、互联网及移动互联网企业提供专业化、高品质的地理信息产品和服务。面向移动互联网,凯立德为驾驶者提供消费电子产品、移动互联网及车联网服务、大数据及云服务。
    ▶ 采集形式:众包制图

    ▶ 产品优势: 其软件、硬件、数据、服务四大块,四大业务的凝聚与统合,奠定了凯立德成为车联网“超级链接者”的发展道路。

    ▶ 目前融资进度:2015年B轮融资,弘德投资,金额未披露。
    ▶ 合作伙伴:中国平安、小米科技、中交兴路、马蹄圈等。
    ▶ 最近消息:2018年推出车道级智能辅助驾驶“高精地图”;同年4月最新电子眼更新。

    1. 宽凳科技

    ▶ 公司名称:宽凳(北京)科技有限公司
    ▶ 成立时间:2017年
    ▶ 所在地:北京
    ▶ 主要产品:通过众包高精地图商业模式推动自动驾驶的广泛应用,并进一步通过云端平台为自动驾驶提供完整的数据服务。

    ▶ 采集形式:众包制图

    ▶ 产品优势:一方面以纯视觉模式替代激光雷达,解决了高精度和低成本之间的矛盾,使众包和实时更新成为可能,解决了自动驾驶领域的行业痛点;另一方面,基于人工智能的地图加工工艺,不再是传统地图生产模式,解决了规模化地图生产的瓶颈问题。

    ▶ 目前融资进度:2018年数亿元的A轮融资,IDG资本领投,成为资本、澜亭资本等跟投。
    ▶ 合作伙伴:与10-20家国内外车厂合作,未透露合作细节。
    ▶ 最近消息:2018年预计推出国内第一张高精地图。

    1. Momenta

    ▶ 公司名称:北京初速度科技有限公司
    ▶ 成立时间:2016年
    ▶ 所在地:北京
    ▶ 主要产品:包括不同级别的自动驾驶方案,以及衍生出的大数据服务。核心技术是基于深度学习的环境感知、高精度地图、驾驶决策算法。

    ▶ 采集形式:众包制图

    ▶ 技术线路:环境感知、高精度语义地图、数据驱动的驾驶决策、产品级软件

    ▶ 产品优势:致力于“打造自动驾驶大脑”,拥有世界顶尖的深度学习专家,如图像识别领域最先进的框架Faster R-CNN和ResNet的作者, ImageNet 2015、ImageNet 2017、MS COCO
    Challenge 2015等多项比赛冠军。

    ▶ 目前融资进度:众包制图2017年B轮融资,凯辉基金、GGV济源资本,金额未透露。
    ▶ 合作伙伴:凯辉基金、创新工场、九合创投、蔚来、BLUE LAKE等。
    ▶ 最近消息:近期已与上汽集团达成合作;助力智能网联驾驶测试与评价工作,Momenta入选重点实验室学术委员会委员。

    1. DeepMotion

    ▶ 公司名称:深动科技(北京)有限公司
    ▶ 成立时间:2017年
    ▶ 所在地:北京
    ▶ 主要产品:为无人驾驶提供基于多传感器融合的3D环境感知、高精定位、以及高精地图构建的解决方案。产品将包括硬件设备、软件算法以及相关的数据服务。

    ▶ 采集形式:众包制图

    ▶ 技术线路:以高精地图为核心,强调三维视觉与深度学习的结合、以及解决方案的可部署与可量产化。

    ▶ 产品优势:采用了视觉为主的多传感器融合策略,研发了一套高度自动化的众包高精地图构建方案,以及以视觉为主多传感器融合的感知定位模组。四位创始人在计算机视觉的立体定位、三维场景重建、基于AI的图像识别等技术方面有超过十年的经验。

    ▶ 目前融资进度:2018年千万级美元A轮融资,红点创投中国基金领投,源码资本跟投。
    ▶ 合作伙伴:未知
    ▶ 最近消息:2018年预计实现商业落地;同年宣布获得千万美元级的A轮投资,融资将主要用于扩大人才招募、加速产品落地、并推动数据的规模化生产。

    国外公司

    1. Mobileye

    ▶ 公司名称:Mobileye N.V.
    ▶ 成立时间:1999
    ▶ 所在地:以色列
    ▶ 主要产品:开发和推广协助驾驶员在驾驶过程中保障乘客安全和减少交通事故的视觉系统。是全球领先的开发计算机视觉和机器学习、数据分析、本地化和制图的先进驱动辅助系统和自动驾驶的公司。

    ▶ 采集形式:众包制图
    ▶ 技术线路:提供芯片搭载系统和计算机视觉算法运行 DAS 客户端功能,例如车道偏离警告(LDW)、基于雷达视觉融合的车辆探测、前部碰撞警告 (FCW)、车距监测 (HMW)、行人探测、智能前灯控制 (IHC)、交通标志识别 (TSR)、仅视觉自适应巡航控制 (ACC) 等。

    ▶ 产品优势:关键技术突破在于其所有应用只使用一个摄像机且将多个应用捆绑起来,在一个基于 EyeQ™ 和 EyeQ2™ 处理器的摄像机上同时运行。因此,Mobileye 在通过单一硬件平台提供多功能系统以及执行之前只能由不同传感器阵列完成的任务方面具有明显的优势。

    ▶ 目前融资进度:2017年被英特尔已153亿美元的价格收购。

    ▶ 合作伙伴:奥托立夫、德尔福、大陆/西门子威迪欧、麦格纳电子系统公司、德国科世达集团、美国天合汽车集团、万都公司和三立产业株式会社。

    ▶ 最近消息:2018年与四维图新合作,在 中国开发和发布Mobileye的路网采集管理(REM)产品;同年5月,Mobileye开始在道路标识不清,变道环境复杂的耶路撒冷测试100辆无人驾驶汽车。

    1. Waymo

    ▶ 公司名称:Waymo(Alphabet旗下的独立子公司)
    ▶ 成立时间:2016年
    ▶ 所在地:美国
    ▶ 主要产品:自动驾驶汽车打车服务,即“无人出租车”客运服务。
    ▶ 采集形式:集中制图
    ▶ 产品优势:其自动驾驶技术将专注于四大领域——打车服务、个人拥有汽车、自动驾驶卡车、方便公众使用公交系统。
    ▶ 目前融资进度:未知
    ▶ 合作伙伴:英特尔、捷豹、路虎、本田、沃尔玛等。

    ▶ 最近消息:已经满足美国凤凰城等多个城市的L4级别自动驾驶;2018年4月,Waymo与本田合作开发无人驾驶配送汽车。

    1. Here

    ▶ 公司名称:诺基亚
    ▶ 成立时间:2012年
    ▶ 所在地:芬兰
    ▶ 主要产品:供免费turn-by-turn语音导航,公共交通信息,以及丰富的道路交通信息等。
    ▶ 采集形式:众包制图
    ▶ 产品优势:HERE OTA Connect旨在防止并降低新道路与高速公路驾驶技术的安全风险,车辆将变得愈发互联网与自动化,所需的网络安全防护措施等级就越高。基于HTML5技术打造,是一个集样本采集、数据计算、用户体验于一体的云计算处理地图系统,可以为用户带来更加强大的离线地图体验。

    ▶ 目前融资进度:2018年博世、大陆分别收购5%的股权。
    ▶ 合作伙伴:奥迪、博世、宝马、大陆、戴姆勒、英特尔和先锋投资者等。
    ▶ 最近消息:2018年与四维图新、Increment
    P(IPC)/Pioneer、SK Telecom共同成立OneMap联盟;2018年3月,宝马集团与HERE签署协议,在其下一批具有高度自动驾驶功能的量产车中使用HERE HD Live
    Map。

    1. TomTom

    ▶ 公司名称:TomTom
    ▶ 成立时间:1991
    ▶ 所在地:荷兰
    ▶ 主要产品:更快速、安全、精准、便捷的导航服务为主轴、不断提供专业技术支持及地图升级服务,产品已行销包括欧洲、北美洲、中美洲及亚洲等45个国家。
    ▶ 采集形式:集中制图
    ▶ 产品优势:RoadDNA技术,作用是将原本的3D地图数据转换成2D视图,在对地图数据进行压缩的同时,保留道路上的关键要素。这样做的目的是考虑到汽车上数据存储与处理的性能限制。2D地图所需要的存储位置更小,处理速度也会更快。

    ▶ 目前融资进度:2005年IPO

    ▶ 合作伙伴:Uber、丰田、百度、宝马、菲亚特、丰田、奥迪、福特、三菱、通用、马自达、大众。

    ▶ 最近消息:2018年3月,TomTom完成一次重大产品线扩充,其高精度地图数据已经实现对美国本土洲际公路和高速公路的全覆盖。目前包括日本、美国、西欧在内,TomTom高精度地图已覆盖全球近38万公里;同年6月和丰田推出了一款可将导航应用镜像到仪表盘屏幕上的导航应用

    1. DeepMap

    ▶ 公司名称:DeepMap
    ▶ 成立时间:2016年
    ▶ 所在地:美国
    ▶ 主要产品:服务于自动驾驶汽车的、在复杂而不可预测的真实世界中自主导航的技术能力,这其中包括三个重要组成部分分别是高精度地图、精确实时的位置定位、服务基础架构的搭建。
    ▶ 采集形式:众包制图
    ▶ 产品优势:映射:DeepMap为自动驾驶提供了一流的可伸缩和可维护的高清(HD)映射服务。本地化:深度地图提供厘米级实时本地化的各种道路类型和驾驶条件。模拟数据:用真实世界的数据而不是模型来模拟。

    ▶ 目前融资进度:2017年2500万美元A轮融资,Accal领投。

    ▶ 合作伙伴:福特(Ford)、本田(Honda)和上汽(SAIC Motor)等

    ▶ 最近消息:2018年Google、Apple、Stanford的地图专家加盟;同年DeepMap携手上汽提供自驾车地图服务。

    1. CivilMaps
      ▶ 公司名称:CivilMaps
      ▶ 成立时间:2014年
      ▶ 所在地:美国
      ▶ 主要产品:三维地图初创公司,从汽车内部传感器收集数据,并将其转化成为“智能地图信息”供自动驾驶汽车使用。
      ▶ 采集形式:众包制图
      ▶ 技术线路:通过人工智能软件,整合自动驾驶汽车传感器上得到的3D数据,以构建直接供自动驾驶汽车使用的高精度地图。
      ▶ 产品优势:学习算法优化数据需求量以降低网络传输成本,众包采集交通信息的模式可以获得更多实时路况信息,不光解决自动驾驶的地图痛点,它的产品也在改善激光雷达记录数据的缺陷。
      ▶ 目前融资进度:2016年获得福特等投资公司660万美元的种子轮投资。
      ▶ 合作伙伴:Arm、Renovo等。
      ▶ 最近消息:2018年与软件技术公司Renovo合作,使高度自动化汽车制造商和技术提供商无缝接入CivilMaps的车辆认知堆栈。

    2. IvI 5
      ▶ 公司名称:lvl5
      ▶ 成立时间:2016年
      ▶ 所在地:美国
      ▶ 主要产品:为自动驾驶车辆提供高精度地图,并实现在地图中定位。
      ▶ 采集形式:众包制图
      ▶ 技术线路:以消费级摄像头为主,由摄像头拍摄大量路况信息视频,将这些视频通过计算机视觉软件绘制成高精度地图,完成对地图的实时更新。
      ▶ 产品优势:仅用摄像头生成高精度地图,lvl5已覆盖100万英里道路,用纯视觉的方式生成地图,优点是更新快,而且成本低,只需要有车载摄像头就行。
      ▶ 目前融资进度:2017年7月完成2000万美元的种子轮融资。
      ▶ 合作伙伴:未知
      ▶ 最近消息:目前已覆盖美国超过90%的高速公路。

    3. Carmera
      ▶ 公司名称:Carmera
      ▶ 成立时间:2015年
      ▶ 所在地:美国

    ▶ 主要产品:主营高精地图,其采集的数据不仅可为自动驾驶所用,还可以辅助工程测量,以及实时分析区域内的人、车流量,为城市规划提供依据,即城市智慧。

    ▶ 采集形式:众包制图

    ▶ 技术线路:通过在各物流车上安装其传感器套件,采集高精地图;同时基于实时数据的挖掘,为物流车队提供安全以及能效方面的建议作为“回报”。

    ▶ 产品优势:采用的是激光雷达+摄像头的多传感器方案,地图的精度会比单纯使用摄像头更高,更有保障。
    ▶ 目前融资进度:2017年6月完成640万美元的第一轮融资。
    ▶ 合作伙伴:未知
    ▶ 最近消息:2018年加盟Renovo旗下的Aware生态系统,提供增强版的地图方案。

    展开全文
  • 课程介绍高精度地图的定义,其在无人驾驶各个模块的作用、高精度地图的采集与生产以及Apollo高精度地图的相关知识。 今天主要给大家分享百度L4车使用的高精度地图一些知识,我也想换个总结方法,以便让大家不会觉得...

    课程简介

    课程介绍高精度地图的定义,其在无人驾驶各个模块的作用、高精度地图的采集与生产以及Apollo高精度地图的相关知识。

    今天主要给大家分享百度L4车使用的高精度地图一些知识,我也想换个总结方法,以便让大家不会觉得枯燥。

    一、高精度地图的采集与生产

    在这里插入图片描述
    首先我们看到高精度地图产生的环境便是半自动或全自动驾驶领域,这是必然的现象。可以看到上面的数字便是车辆的级别当然L5级别的车辆离我们还很遥远,但我们会朝着它的方向,不断前行。

    1.什么是高精度地图?

    HD Map 高分辨率地图
    HAD Map 高度自动驾驶地图
    高精度地图最显著的特点1:表征路面的基准全面性
    2高精度地图要求更高的实时性
    3高精度地图=自动驾驶地图

    2.高精度地图与导航地图

    现如今的地图都是将街道组成一个个有向图,以便使用者能清晰明了的观察到信息,提供很好的方向引导,例如百度地图和高德地图。

    当然如果对于自动驾驶汽车只标识这些信息,显然不够。必须将标识牌、红绿灯,,,等很多信息标注在高精度地图上,以便让汽车更加清楚地了解当前的道路情况。

    3.高精度地图于模块的关系

    在这里插入图片描述
    可以看到,上图为高精度地图的大脑,大脑支配调度各个模块的运作,相当于地图是一切行为的基础。

    在这里插入图片描述
    上图便是现在百度主流的方案,关于定位于地图的利用之间的关系,很密切。

    4.地图与模块的关系

    在这里插入图片描述
    可以 看到左侧是利用粒子滤波,它通过提取周围环境的特征(电线杆、树,,),通过这个特征,来判断当前位置,当然给一个特征显然不够,所以会在下一时刻找到另一个特征来增大定位准确度的概率。

    右侧是基于车道线的匹配过程,通过Camera实时检测车道线,再经过提取车道线后的特征匹配,以达到吻合的结果。

    5.地图与规划、预测、决策

    在这里插入图片描述
    我们无人车在规划路线时;

    会有长距离规划:和人一样的规划方式,例如你从A到B,在地图上找到你要走的路线,去完成这条路线的路程。
    短距离规划:根据实时的环境变化,去做一些局部的规划,目标很明确,但是路线会随时改变。

    当然在车辆行驶时,你必须要能预测路上车辆和行人的变化,从而做出相应的动作,这就是导致规划方案不断变化的动态因素,但是这两者结合起来的话,就会给决策一个明确的数据,这时候就需要决策做出相应的方案了。

    6.高精度地图与安全模块

    在这里插入图片描述
    安全有很多维度,不仅是对外部的描述,也有自身算法的稳定性等因素,会对汽车的安全造成影响,所以我们必须在安全方面狠下手来,把好关。因为我们最终的受益群体就是人类,必须对人类的安全负责任。

    7.高精度地图与仿真系统

    在这里插入图片描述
    当然,仿真系统也是也是一个很重要的模块。因为一个产品的研发过程,会有很多改进的地方,如果每次都研发成成品,那费用高到离谱,所以我们必须把这种测试放到仿真系统中,才会降低时间和成本的消耗。

    没有高精度地图,高可靠性的L3/L4自动驾驶无法落地

    地图的作用-静态的Perception

    把人类对于世界的感知和理解赋予自动驾驶系统。

    当然在对各种环境进行研究时发现,有一些环境下根本用现如今的设备和算法不能实现的。

    一、重庆交通

    在这里插入图片描述
    当然这是一个还算能看懂的交通,对于汽车来说,简直是要了老命,必须使用更优的设备和算法才能走在这样一个错综复杂的交通网中,还不会迷路。

    二、雪天

    在这里插入图片描述
    根本无法使用雷达和摄像头对这种环境做出任何反应,就像一个雪盲症患者一样被抛到这样的环境下,只能依靠不精确的GPS撞出去。俗话说,闯出一片天地,应该就是说无人车在雪天的情况吧。

    三、红绿灯

    你以为是国内那些简简单单的红绿灯吗?你错了,这种红绿灯,人都要晕,更别说车,不信你看:

    在这里插入图片描述
    这是啥?简直就是星际迷航的太空红绿灯,负责调度各个星球的轨迹,以防发生碰撞。所以对于无人车来说,这样的几种特殊的环境下,还需要更进一步的研究,才能成为真正的L5级别。

    高精度地图的作用—弥补系统性缺陷

    关于Uber车祸的事件,我们加强了情况的研究和总结,得出的结论就是海量数据的传输速度在4G的速度下,不满足云端数据的传输需要,所以我们需要将5G网络嫁接到无人车的模块上,从而实现数据的实时检测,反馈给无人车。

    二、高精度地图的采集与生产

    1.高精度地图的采集与生产也是一个很复杂的过程,需要基于很多的算法来实现地图的生产,所以我们就开始慢慢的学习它的采集与生产的过程如下:

    在这里插入图片描述
    第一个就是需要通过多颗卫星,比如三颗卫星按理说就能定位到地球任何一点的位置,但是因为卫星定位存在一定的误差,不论是环境或者其他因素造成的,但都会有一些误差,所以我们必须使用四颗以上的卫星对其进行定位,以便达到精确定位的目的。

    第二个就是IMU设备,当然它可以通过对车辆的加速度检测等物理性质检测,得到精确数据,传输给计算机,通过算法能强化高精度地图的定位精度,当时它会随着时间的推移而增大误差。

    2.采集传感器的研究,它的主要设备如下所示:

    在这里插入图片描述
    我们看到可以通过车辆转动的数,来计算发现距离,这也是一个好办法,因为只要车辆不突然刹车导致车轮抱死滑动,一般都能通过车轮的圈数来判断距离。

    另一个便是我们常常讲到的激光雷达,它的精度随着波长的改变而不断变化,但是它对于检测物体的坐标换算后能得到全局坐标的精确数据,很是有用。

    3.地图生产-计算模型

    在这里插入图片描述
    我们知道单个设备对于信息的处理精度有很大的不足之处,于是我们便想到了将数据融合起来,经过融合的处理后,便能得到误差较小的数据,交由计算机处理。

    下面提到一个公式:

                              J=Q(z-h(m,x))
    

    该公式是一个高度简化的高精度地图计算模型,Q代表优化方程,z代表激光雷达扫描出来的点,h为方程预测最新的扫描点的位置,m为扫描到的点在地图中的位置,x代表无人车当前的位置。

    这个方程的目的是通过最小化J求出测量点在地图中的准确位置。

    4.视觉制图

    我们现在主流的制图方案有两种一种是基于激光雷达(LiDAR),一种是基于视觉相机(Camera)。

    在这里插入图片描述
    于是我们得到下面的方案:

    方案特点
    激光雷达信息准确,但是信息较少,不够丰富
    相机视觉色彩丰富,信息量大,但是处理起来不准确
    LiDAR+Camera结合两者的优点,信息量丰富且准确

    当然在制图的过程中还使用了点云来增加高精度地图的精度。

    三、高精度地图的格式规范

    1.格式规范-NDS


    现如今全球比较通用的规范就两种,一种NDS,另一种OpenDRIVE。

    NDS:规范的内容比较多,有一百多页,算是比较全面,包含的技术公司也会比较多。当然也会导致它实现起来比较复杂。

    在这里插入图片描述
    OpenDRIVE:是由德国一家公司制定,会对道路section、line和路口进行了规则的制定,现在听起来还是比较复杂,详细知识可以了解该方案。

    四、业界高精度地图产品—1

    在这里插入图片描述
    在这里插入图片描述
    上图是一个HERE HD地图的生产方式,通过一系列的采集于处理后,便可以得到最终可供使用的高精度地图,当然制图过程必须合法,在法律允许的范围内。

    当然在HERE的信息采集时,通过一辆采集车,头顶一个16线的激光雷达,在街道行驶,以采集实时的数据。当然高精度地图的实时性导致了车辆必须不断的更新地图数据,以便保持信息的可用性。

    在这里插入图片描述

    在这里插入图片描述
    Map-learing通过深度学习对道路特征的提取,采用的设备是激光雷达,这种设备采集的数据可靠性极强,有很大的实用性。

    当然现在对于图形处理都是利用深度学习,因为其具有很高的准确度,再加上点云的处理就可以得到最终的精密地图。

    在这里插入图片描述
    如图的地图生产过程有图左侧所示的特点,百度Apollo也在对地图的制作过程中学习其他商家的优秀之处。

    MobileEye

    当然了MobileEye是一家很有名的公司,它很早就开始做辅助驾驶,现在也开始做自动驾驶。

    在这里插入图片描述

    可以看到,因为MobileEye被intel收购了,所以就把它的图标也加了进去,不过也很好看是吧。

    当然能被intel收购,说明其技术还是比较雄厚,它与很多车厂都有合作,据说生产出来的车都有两千多万辆,可见实力很是强大。

    在这里插入图片描述
    第一个是感知,第二个是地图,第三个是driving的一些策略。

    当然MobileEye在图像制图领域的实力是超强的,想想它的名字就能知道它的研发侧重点在哪里。

    我们就对其制图方面进行研究和学习如下所示:

    在这里插入图片描述
    右侧汽车行驶时,有一个真实的场景图,最右侧是google 实况的地图,它会利用一根虚线,如图所示的绿线作为引导线,指引汽车的行进路线。

    之所以汽车很难实施,有很大原因的信息量过大,无法实时传输的结果,也是我们务必突破的重要点。

    Google Waymo

    Google在对无人车行驶过程中,运用无人车基于高精度地图的静态信息和感知器对环境的动态感知融合两者,以便更好的利用信息。这也是目前大多数无人车研发者都会采用的模式。

    在这里插入图片描述
    地图包含的信息量很多,也很有用,例如对于红绿灯标识,减速区标识或者停车点进行标识,但是地图的信息毕竟是矢量图,所以谷歌在一篇文章提到地图通过静态的环境信息,这就同传统的高精度地图不同了。

    这种高精度地图就很类似于栅格版的高精度地图,每个格里面都记录了所有的道路上一些物体的高度啊等更详细的信息。它也可以做一些过滤,让我们在对静态物体和动态物体的识别上减少了很大的计算量。

    五、业界的高精度地图产品-2

    上面也讲到了很多公司的优秀产品,下面我们做一些补充,再将一些优秀的产品和公司做一个简单介绍。

    TomTom

    在这里插入图片描述
    该公司也是相对来说比较老的厂商了,它也主要是对地图等方面做文章,例如对标识的识别,基于激光雷达的物体处理等,主要也是基于激光雷达设备和神经网络算法对图像进行识别。

    在这里插入图片描述
    就是说我们把这个地图出来的结果然后下发到终端上,这是一个数据更新的过程。它能做到数据于云端的实时更新,这也是行业的一个很厉害的地方。

    它会把环境的特征利用点云做出模拟的环境,以便在驾驶过程中,汽车行驶的道路能够用计算机实时处理,提高了计算能力。

    六、Apollo地图采集方法

    首先我们先来看看Apollo汽车的采集设备如下所示:

    在这里插入图片描述
    配备的设备及功能如下:

    设备功能
    64线激光雷达采集路面信息
    16线激光雷达红绿灯或者高架信息
    GPS基于基站,利用RTK方式精确定位
    IMU检测和记录汽车行驶时的加速度,提供相关信息
    长短焦周围图像环境的采集

    当然也会利用对传感器的正常工作进行检测,以确保采集工作的正常运行。所以阿波罗也提供了一键式安装方案,确保各个设备能正常工作的同时,也能数据一致,不会出现偏差。

    基站搭建

    为了提高定位的精度,外面也会采用基站搭建的方式。通过RTK差分数据来矫正误差值,为地图数据提供全局的坐标信息。

    当然基站建设时需要在比较宽广平坦的地方,这样才能不断的观察卫星位置。一旦汽车与基站之间有遮挡物,当然是那种让信号很难逾越的物体时,就很难保证其实用性了。

    采集流程

    在这里插入图片描述
    在采集之前,先检测设备能正常运行的标定,这样设备就可以开始进行采集工作了。当然在采集过程需要注意的一点就是双向车道覆盖三到五遍,目的也是为了能够达到一个较好的结果。

    当然采集过程中,车速也不能太快,最好保持在六十迈以内就是很好的效果了。

    然后我们会将地图信息打包压缩,这样就能将信息传输和共享,以便我们使用或者开发者共同使用了。

    七、Apollo地图生产技术

    我们主要分享在城市道路中如何生产地图。

    在这里插入图片描述

    数据采集:前面我们已经讲过了,采集数据时使用什么样的设备,经过什么样的流程等;
    数据处理:数据大致分为点云和图像,因为L4级别的地图对精度要求比较高,所以主要是以点云为主。拿到点云后会对点云进行拼接,让数据具有可用性,这是对点云的处理。接下来我们会将点云压缩成图像,因为点云的精度很高,所以基于这样的图像作图像识别的精度也很高,这就是图像处理过程;
    元素识别:我们大豆基于深度学习对元素进行识别和分类。但是如果没有车道线这种情况的话,车很难处理这种行为,所以如何对人离线的情况车又无法处理的情况我们需要更多的算法保证;
    人工验证:就是在对汽车处理车道线或者红绿灯等逻辑上加入人的思维。例如车右转时,我们应该看哪个红绿灯等关联处理。

    接下来我们学习当64线雷达感知到的点云图数据,如何利用起来进行数据融合加工的处理,拼接到一个完整的图。

    在这里插入图片描述
    接着是基于深度学习的要素识别。

    在这里插入图片描述
    在对要素识别是,很重要的方法是通过对点云数据的特征提取,因为点云的信息比较准确。例如从其中提取车道线或者路灯等。

    接着我们学习人工生产验证的技术,左侧黑白图像是发射后的环境信息,融合处理成为右侧花花绿绿的高精度地图数据。

    在这里插入图片描述
    成果

    在经过了上述的步骤制作后,我们就会得到一个定位地图、高精度动态图、路径规划地图和仿真地图。

    在这里插入图片描述
    当然路径规划地图和仿真地图都是基于定位地图和高精度地图制作的。

    八、Apollo高精度地图

    在这里插入图片描述
    可以看到百度地图的数据元素也是很多的,这也是为了满足不同的复杂环境和驾驶需求。

    其中最重要的是逻辑关系元素,其它的暂且不讲。

    逻辑关系:就是把两个关系不是嵌入到各个元素中去,而是通过一个额外元素把这个两个元素关联起来。

    在这里插入图片描述
    这是我们的车道线模型,也是和OpenDRIVE的规则大致相同。

    在这里插入图片描述
    Apollo内部还是采用这种UTM的坐标系,该坐标系类似于把全球分成60个Zone,每个Zone的中心建立一个局部坐标系。它是一个比较复杂的系统,因为要把全球坐标系的每个位置都描述的非常精确。

    我们基于的地图不仅仅是这一种坐标系,还有两种,当然想要更深入的了解,可以在下一步的学习中进行系统学习。

    OpenDrive规范

    在这里插入图片描述
    规范的目的就是将所有的而东西做一个归类。例如我们会把地面上的所有标识归属为Objects,把标牌归属为Signal。

    在这里插入图片描述
    上图是我们Apollo对于规范的一些改进地方,详细地方可以详细查看。

    HDMap

    在这里插入图片描述
    可以看到高精度地图的整个运行过程也是较为繁琐复杂的。

    在这里插入图片描述
    可以看到对于我们国家来说,高精度地图是一个非常机密的东西,并不是什么人都能来测绘。所以在我们国家不是所有厂商都能采集地图,只要取得国家测绘部门的许可后,才能对数据进行采集。

    在这里插入图片描述
    当然百度拥有采集数据的资格,但是在采集数据对于我们来说仍然面对着测绘政策的挑战。

    在这里插入图片描述
    可以看到百度现在已经覆盖了全国所有的高速公路,还有一些国道和省道,也预计下一步会覆盖所有的国道和大部分省道。

    本次课程就到此结束了,谢谢大家看完了这么多繁琐的文字和图片。

    展开全文
  • 对机器人而言,常见的地图有四种:图特征地图(几何地图)、拓扑地图、栅格地图以及直接表征法(Appearance Based Methods)。对人类而言,常见的地图主要是语义地图,告诉人们这是什么路,路边是什么建筑或什么单位...
  • 前面聊了一些如何制作较大规模的点云地图以及如何使用点云地图进行定位的方法,点云图是高精度地图的一部分,主要用于配准定位和作为高精度地图构建环节中的几何图层(能够反应路面几何结构和大量有效信息),产品...
  • 本文目的:通过已有的开源模型实现高精度地图的制作,格式不限 初学高精度地图,对于其中有很多知识还尚未摸清楚,如有错误,请大佬指正. 需要准备的材料: 1.包含rtk或imu数据(经纬高信息)的bag文件/wgs84坐标系坐标txt 2...
  • 关于高精度地图定义的探讨

    千次阅读 2018-07-23 09:42:14
    高精度地图是自动驾驶/无人驾驶的重要组成,那究竟什么是高精度地图? 网上找了两个关于高精度地图的定义,如下: 定义一:高精细地图是指高精度、精细化定义的地图,其精度需要达到分米级才能够区分各个车道,...
  • 1.高精度地图与自动驾驶 在SAE的六等级分类方法中,L0级别是人类驾驶,L1到L3级别是辅助驾驶,L3以上是自动驾驶。L3级别以下不需要高精地图,但在L3、L4级别,高精地图是标配。 1.1高精度地图 HD Map (high ...
  • 高精度地图,从入门到入行

    万次阅读 2018-08-29 15:58:00
    咱们讲讲地图在 ADAS 实现的技术方案以及 ADASIS 的工作原理。 乘着自动驾驶的这股热风,ADAS 概念越来越为人们所熟知,ADAS 产品也越来越普及,车厂与供应商们也都脑洞大开不断研发各种新的 ADAS 产品,提供越来越...
  • 斯坦福大学的博士论文,详细阐述了如何对激光雷达进行标定,如何构建高精度地图,如何用高精度地图进行定位,斯坦福大学无人车的架构和传感器介绍。深入浅出,是学习SLAM和无人驾驶的必读文章。内容是纯英文的,介意...
  • Apollo - 高精度地图

    千次阅读 2020-03-01 23:00:35
    文章目录高精度地图与普通地图的区别高精度地图的作用高精度地图的生成过程 课程地址:http://apollo.auto/devcenter/coursevideo_cn.html?target=2_20 高精度地图与普通地图的区别 最大的区别在于精度。普通地图的...
  • 四维图新为传统图商出身且专注 于 To B 的地图业务,高精度地图技术成熟且掌握众多车厂资源,优先拿 下宝马订单,我们预测其在高精度地图渗透前期市占率将领先高德与百 度。近期高德虽然打出成本价供图的价格战信号...
  • 高精地图是无人驾驶核心技术之一,精准的地图对无人车定位、导航与控制,以及安全至关重要。本文是“无人驾驶技术系列”第七篇,首先介绍高精地图与传统...而与传统电子地图不同,高精度电子地图的主要服务对象是无...
  • 高精度地图系列

    2019-09-26 23:34:29
    高精度地图介绍:究竟什么才是高精度地图(一) 究竟什么才是高精度地图(二)究竟什么才是高精度地图(三) 转载于:https://www.cnblogs.com/biglucky/p/8056946.html...
  • Appollo高精度地图

    千次阅读 2018-12-04 22:31:09
    高精度地图、定位、感知、预测、规划、控制 Apollo高精地图主要包括: 道路定义 (地图道路) 交叉路口 (记住交叉路口的地物信息等) 交通信号 (记住交通灯的位置,计算高度等) 车道规则 (记住当前路段...
  • 高精度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。目前Apollo内部高精度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,帮助解决...
  • 高精度地图、定位、感知、预测、规划、控制 高精地图主要包括: 道路定义    (地图道路) 交叉路口    (记住交叉路口的地物信息等) 交通信号    (记住交通灯的位置,计算高度等...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 25,001
精华内容 10,000
关键字:

高精度地图