精华内容
下载资源
问答
  • 地图精度
    千次阅读
    2017-01-09 11:26:57

      只是单纯的不显示蓝色精度圈 

      BMKLocationViewDisplayParam *displayParam = [[BMKLocationViewDisplayParamalloc]init];

        displayParam.isRotateAngleValid =true;//跟随态旋转角度是否生效

        displayParam.isAccuracyCircleShow =false;//精度圈是否显示

    //    displayParam.locationViewImgName= @"site";//定位图标名称

        displayParam.locationViewOffsetX =0;//定位偏移量(经度)

        displayParam.locationViewOffsetY =0;//定位偏移量(纬度)

        [_mapViewupdateLocationViewWithParam:displayParam];



    更多相关内容
  • 地图精度

    2021-02-16 16:44:58
    devtools :: install_github(“ hagc / mapaccuracy”)
  • 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...
  • 广州全市卫星影像地图,是谷歌14级的数据,下载自图新地球。因为上传大小限制,所以只下了14级的,有需要18级的,可以自行去下。
  • 精度地图技术杂谈

    2022-06-17 06:04:10
    精度地图技术杂谈

    高精度地图技术杂谈
    高精度地图背景介绍
      高精度地图概念与定义
      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。
      高精度地图所表达的数据内容
    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。
    参考文献链接
    http://news.10jqka.com.cn/20211229/c635530189.shtml
    https://mp.weixin.qq.com/s/609_F3uXZjYNCS55iKO_qA
    https://mp.weixin.qq.com/s/2cg5ipunTjCSxFXTyXBxYA
    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。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。
    高精地图:智能汽车下半场的隐秘战事
    21世纪初,深陷两场战争泥潭的美国,怀着无比迫切心态推进无人驾驶车辆的研发,但军方资助项目造的车笨重、缓慢且不智能,令人大失所望。
    此后,DARPA(美国国防部高级研究计划局)另辟蹊径,于2004年-2007年举办三场奖金为100万美元的无人驾驶挑战赛。其中,2005年的挑战赛成为汽车机器人发展史上的临界点,五辆无人驾驶汽车使用人工识别系统,成功完成挑战赛。夺得冠军的斯坦福团队,基于激光雷达、相机和毫米波雷达构建点云地图——这是高精地图的缘起。
    在这里插入图片描述

    图:斯坦福大学AI实验室负责人及参赛团队队长Sebastian Thrun,来源:网络
    所谓高精地图(HD Map),业界其实有多种理解——字面翻译上叫High Definition Map,即高分辨率地图;也有High precision Map的叫法,即高精确度地图;以及Highly Automated Driving Map,即高级自动驾驶地图,等。
    高精地图从字面上对应“标准地图”——SD Map(Standard Definition map),业界一般把后者叫做车机地图,是导航地图的汽车版。两者最大的区别在于,HD Map是给计算机看的,SD Map是给人看的。
    抛弃定义的细微差异,看到随着DARPA挑战赛的成功举办,此后十多年高精地图获得了加速度发展,标志性事件包括:
    ◆2009年Google无人驾驶团队成立,并使用高精地图方案。◆2014年高德地图为GM SUPER CRUISE项目生产高精地图,2017年之后SUPER CRUISE功能在北美和中国推出。◆2014年腾讯入股老图商四维图新,收购11.28%的股份成为二股东。◆2016年Mobileye推出包含高精地图功能(路书Roadbook)的REM系统,打算用AI为自动驾驶做众包高精地图(目前效果一般)。◆2020年小鹏汽车、蔚来汽车等造车新势力开始自研高精地图。◆2022年百度地图整体并入百度IDG(智能驾驶事业群组),其C端用户规模和“一张图”能力将为后者两大核心业务——Apollo汽车智能化解决方案和ACE智能交通解决方案——带来极大的协同效应和产业势能。
    时至今日,认为新能源车和自动驾驶发展大超预期的势能、以及加快开放的政策,让高精地图处于爆发的前夜。
    本文将主要探讨3个问题:
    1.为什么说高精地图正处于爆发前夜?2.高精地图的产业规模究竟有多大?3.高精地图的技术壁垒、玩家构成以及各自竞争力是怎样的?
    01
    高精地图爆发前夜
    首先从技术层面看,高精地图能为自动驾驶提供感知补充、地图围栏(划定可驾驶区域)、辅助控制(坡度、曲率和横坡)、超视距规划和交通标牌辅助识别等支撑,可以让自动驾驶的安全性大幅提高。而安全,可以说是自动驾驶的第一性原则,所以认为高精地图是L3及以上级别自动驾驶的必选项。
    在这里插入图片描述

    图:高精地图的作用,来源:网络
    再补充一组数据,特斯拉以及被市场视作其模仿者的小鹏汽车,自动驾驶进入匝道的成功率分别为30%和80%,高精地图是两者自动驾驶方案核心差异之一,特斯拉未配备,而小鹏有配备。
    明晰高精地图对于L3及以上级别自动驾驶的重要性之后,再来看新能源车和自动驾驶当前的渗透率。
    2021年,中国新能源乘用车销售331.2万辆,yoy(同比增长率)+181%。与此同时,全年新能源车渗透率达15.7%,其中12月的渗透率为21.3%。
    这是什么概念呢?知道吗,2020年11月初,国办印发《新能源汽车产业发展规划(2021-2035年)》提出2025年实现新能源车渗透率20%左右。也就是说,现实情况是新能源车渗透率提前4年达成目标。市场的火爆让整个产业都始料未及,上游的锂也因此供不应求涨到天上,这对车厂来说真是幸福的烦恼。
    新能源车销售火爆,作为核心卖点之一的自动驾驶技术也快速应用。据国泰君安研究,截止2022Q1,主要车厂(蔚来、小鹏、理想、长城、比亚迪、吉利等)基本实现L2级别自动驾驶功能,正加速准L3级别自动驾驶功能的落地。
    在这里插入图片描述

    图:车厂自动驾驶进度(黄色标识代表已量产,绿色代表部分量产、蓝色代表正规划实现量产),来源:国泰君安
    与此同时,看到全球自动驾驶政策正加速开放,为L3及以上级别自动驾驶技术的落地铺路,具体而言:
    2021年5月德国联邦议院通过了《自动驾驶法》草案,自2022年开始允许无人驾驶汽车(L4级)在公共道路上的指定区域内行驶。
    2022年4月,英国运输部修改《公路法》,允许司机在无人驾驶模式下看电视和电影等,此时汽车需保持单一车道且时速低于60公里。此外,保险公司将对无人驾驶汽车的事故承担经济责任。
    2022年3月NHTSA(美国国家公路交通安全管理局)发布“最终规则”,取消对无人驾驶系统和车辆的多项常规控制要求,并允许车厂在规划公布180天后制造并部署无方向盘的汽车。
    2022年4月中国北京发放无人化载人示范应用通知书,也就是允许方向盘后无人,百度是首批获准企业(旗下萝卜快跑开启无人化驾驶出行服务)。5月,深圳2022年度立法计划正式印发,其中《深圳智能网联汽车管理条例》通过三审有望年内出台,其为具备L3及以上级别自动驾驶车型合法上路扫清障碍。
    从辅助驾驶(ADAS)到L3及以上高级别自动驾驶切换、从人类驾驶到计算机驾驶切换的时刻,高精地图实质上已处于爆发的临界点。
    02
    竞逐自动驾驶时代
    目前高精地图的典型玩家有四大类(对于大公司来说界限会比较模糊):
    1)大图商,百度地图、高德地图、腾讯地图、四维图新、TOMTOM和HERE等;2)创业公司,Momenta、宽凳、Deepmap等;3)Tier1供应商,Mobileye、NVIDIA、地平线等;4)车厂,小鹏、蔚来、吉利(亿咖通)、上汽(中海庭)等。
    从审图号(拿到导航电子地图制作甲级测绘资质才能制图,制图之后通过自然资源部的审批拿到审图号才能商用)的公示情况可以看到,大图商及车厂(主要是投资并购的公司)在不惜余力的上项目。自然资源部网站上搜索“高级辅助驾驶”,2018年-2022年6月相关审图号数量分别为2个、5个、24个、33个和14个,从2020年开始直线飙升。
    在这里插入图片描述

    图:高精地图审图号,来源:自然资源部网站
    从时间轴推测,2020年飙升的审图号实际上的制图时间可能要往前推一至两年,也就是说2018-2019年主要玩家就在加速投入,看中了什么?大概率是高精地图行业广阔的前景,毕竟金钱永不眠。
    有一种声音认为,高精地图虽然处于爆发临界点,但这行业只是一个小市场,容不下太多的资金。因为据华经产业研究院数据,2020年高精地图市场规模40亿左右,而2019年一家头部券商曾推测中国高精地图未来市场天花板为300亿元,7倍左右的空间。
    认为以上预测过分保守,理由是其关键假设(1是未来3亿汽车保有量,2是单车价值100元)中的第二点非常不合适。100元的单车价值是根据高德地图2019年确定的年服务费来的,而当时的高精地图处于什么阶段呢?
    1)新能源车渗透率低的可以忽略不计;2)高级辅助驾驶也未普及;3)项目稀少,高精地图当年获批的审图号更是只有5个;4)彼时高德地图为高精地图解决方案市场老二(第一是百度地图29.3%的市占率,2020年百度地图保持第一,而高德地图的份额下滑至第四位)。
    在那种全是成本、收入稀缺的财务状况下,高德地图100元的高精地图年费定价说是“半卖半送”也毫不为过。
    从常识上看,一项创新的科技产品,低毛利率的硬件部分,在产品收入中所占的比例总是会随着规模效应的提升而降低;而高毛利率的软件部分,在产品收入中所占的比例总是会随着功能增加和技术突破带来的体验上升而提高。
    L3级别自动驾驶作为分水岭,高精地图从非必须但配置后用户体验明显提升到功能质变,其价值量会明显提升。仅就辅助驾驶阶段而言,以蔚来自动驾驶系统NAD(NIOAutonomousDriving)为例,收费为每月680元,每年就是8160元,假设高精地图能分到1/20,也就是408元,那么按未来3亿辆车的保有量算,高精地图的天花板就是1224亿元。
    考虑到L3及以上自动驾驶价值量的提升,恐怕高精地图的天花板还至少得翻倍至2500亿左右,假如2030年达到这一天花板,则CAGR(年化复合增长率)为51%。毋庸置疑,很快高精地图将会成为一门超高景气度的大生意。
    那么,高度景气的高精地图行业,各类玩家成色如何呢?
    03
    百度地图值得多看一眼
    值得说明的是,受制于行业较高的资金门槛,以及“提前一步成烈士”(未等到行业爆发),创业公司普遍竞争力不强,罕有以独立身份留在主舞台上的初创公司。而主要的国外图商和Tier1芯片公司因地理位置数据安全的考虑进不来,部分Tier1和车厂的众包地图也因为精度原因,暂时没有太大的价值,所以中国高精地图市场在未来几年还是图商(以及收购了图商的车厂)的天下。
    图商是当前高精地图行业的主要玩家,其通过自建车队采集数据制图是比较成熟的生产模式,单车成本在100万元以上,包含INS惯导、激光雷达、相机和激光扫描仪等设备。
    这种数据收集和更新的模式在精度上没问题,主要考量的是成本。中国公路里程已达528万km(高速16万km,国省县100多万km,其它400万km),做到季度更新的话,这个数字还得乘以4;按博世对自动驾驶时代永久静态数据按月更新的设想,这个设置得乘以12,最终需要大量的车辆和人力(采集团队和数据标注/补缺团队)才能完成工作。
    那么可以确认的是,高精地图行业的核心战场将锁定在两处:
    1、制图及维护与成本的性价比,简单来说就是谁能以低成本拿到更精确、更新鲜的数据,谁就将占据优势;2、造血能力的比拼,其中自动驾驶生态更强的公司变现模式多样,能形成正反馈,发展的更快。
    具体而言,关于数据更新与成本的性价比,可以看到生产方式层面“真·一张图”的创新。
    “一张图”是指自动驾驶从A点到B点的过程中,标准地图会给出一条行车路线给自动驾驶系统。标准地图确定路线后,自动驾驶系统会根据静态/动态高精地图再规划一条更为精细的路径图,包括哪个地方并线,以多少车速行驶会一路绿灯,哪个地方需要出匝道等,哪个地方临时超视距应急反应等等,最终完成一次行程。
    而所谓“真·一张图”,是指自动驾驶应用在一张图上完成的同时,生产也实现一张图。传统的生产方式是分系统独立制作后再以道路相互关联的方式来进行不同精度级别——标准地图(SD Map)、车道级地图(LD Map)和高精地图(HD Map)——的地图数据生产,独立更新会造成数据先后不一致,影响应用体验,甚至是安全性;以及多套生产系统并存的重复投入。
    百度地图今年三月首创“一体化地图数据解决方案”,实现上述3种地图统一生产,大幅节约了成本,以及提高地图质量(解决不同精度等级的地图数据独立更新,带来的数据不一致问题)。
    不仅如此,百度地图整体并入IDG,其C端用户规模和“一张图”能力将为后者两大核心业务——Apollo汽车智能化解决方案和ACE智能交通解决方案——带来极大的协同效应和产业势能。Apollo汽车智能化解决方案包含智驾、智图、智云和智舱,其中智图指的就是包括标准地图、高精地图和动态孪生地图的百度地图。ACE智能交通解决方案中“车路云图”四大支柱亦包含百度地图。
    在这里插入图片描述

    图:Apollo汽车智能化解决方案,来源:百度IDG路演TTP
    具体而言,自动驾驶的生态有助于百度地图构建正反馈,拉开与竞争对手的差距。百度地图可输出国民级出行工具的流量入口和“一张图”能力作为重要的增长底座及核心成功要素,拉动萝卜快跑、apollo汽车智能化解决方案和ACE智能交通解决方案的增长,商业化落地又直接创造现金流和数据,能让百度地图变得更好。
    以上百度地图的正反馈逻辑,只有今天才讲得通,因为过去百度地图有部分业务是游离于IDG(智能驾驶事业群)之外的,而本次百度地图整体装进汽车事业群,组织变革将其各项能力与集团禀赋捏成一个整体,则预示着自身新周期的开启。基于以上分析,制作了一张高精地图玩家竞争力分析的图片,如下所示。
    在这里插入图片描述

    图:高精地图玩家竞争力分析,来源:锦缎研究院
    面向未来,认为地图的商业模式将泛化,机器人化。
    具体而言,以神经网络大脑和AI地图技术为底层,衍生出汽车型机器人,扫地机器人和Robotaxi等;四足动物型机器人,波士顿动力公司的机器狗等;人型机器人,英国科技公司 Engineered Arts的产品Ameca等全场景生活及工作服务级机器人等商业模式。人工智能及大场景开启了高精地图的新篇章,未来天高任鸟飞。
    高精度地图想要最终真正在自动驾驶场景中得以落地,仍然有很多亟待解决的充分必要条件:比如如何达到还原现实世界的精度?如何更高效的与自动驾驶系统沟通?如何保证更新频率和响应速度?这些问题越早解决,自动驾驶车辆就越早的走进生活。
    本篇内容,就和大家一起探讨一下,究竟如何定义高精度地图的生产模式,以及在线服务模式,才能让未来的地图更新做到真正的“行云流水”!本周三也请到四维图新相关专家,为大家带来深度的线上分享及答疑,欢迎文末二维码即刻预约!
    高精度地图-行云流水
    在这里插入图片描述

    01
    揭秘高精度地图的生产过程
    与传统地图不同,高精度地图对精度及鲜度要求极高,因此采集和制作方式也有很大的不同,为了保证地图鲜度,整个生产过程中也会不断地将AI技术应用其中。
    究其整个过程可以分为四个阶段:1.采集2.处理3.验证4.发布
    采集
    高精度地图的采集目前行业主流两种方式:专业采集车进行外业采集,以及UGC设备采集。首先,为了保证数据的质量和精度,会提前分配任务给专业的高精度地图采集车,采集车会预先安装好多种传感器,如激光雷达、摄像头、惯性测量单元和定位设备等,四维图新目前的方案就是配置32线激光雷达,6向摄像头以及自研时空同步与电流控制系统,以保证可以采集到厘米级精度的数据。
    在这里插入图片描述

    图为:四维图新高精度地图采集车
    但是,由于专业采集设备较为昂贵,在成本有限的情况下无法做到无限制扩张。为了更高效地生产全区域覆盖的高精度地图,通常还会通过UGC的方式采集大量数据,从而精准地发现数据变化的范围,再根据有效信息判断是否需要采集车进行有针对性的专业测量。
    在这里插入图片描述

    图为:四维图新高精度地图更新验证部分过程
    处理
    将所有采集到的地图数据称为原始数据,这些数据想要成为地图,还需经过整理、分类与清洗等的专业处理过程。这个环节是十分繁琐的,需要把不同传感器的采集数据进行融合叠加,并进行道路标线、路沿、路牌、交通标志等道路元素的识别,对于一些冗余数据在这一环节也会进行自动整合和删除。如此繁琐的过程,为了保证处理效率和准确性,通常主要依靠程序来自动化完成,这对程序算法能力的要求就非常之高了。
    在这里插入图片描述

    图为:四维图新软件自动化识别噪点、跳变,降噪、提高精度
    在这里插入图片描述

    图为:四维图新自研算法,可自动提取超过60种要素
    在这里插入图片描述

    图为:四维图新自动化处理地图部分过程示意
    验证
    经过一系列完整的自动化处理过程后,为了确保程序处理的有效性,还会由专业的技术团队进行人工抽样检测,并进行最后一步确认和完善从而发现出自动化处理过程中出现的错误,及时弥补数据的缺陷,提高精准度。
    在这里插入图片描述
    在这里插入图片描述

    图为:四维图新从外业到内业的全面检测过程
    在这里插入图片描述

    图为:四维图新自动化结合人工结果验证示意
    发布
    验证无误的地图,需要进行转换编译,生成矢量母库,从而完成生产环节。
    但由于高精度地图体量非常大,超过GB级的存储量已经不是传统物理存储可以承载。此外高精度地图对数据更新的实时性要求非常高,这就决定了高精度地图需要借助云平台来实现发布及更新。
    02
    影响高精度地图量产的关键因素
    其实对于大部分拥有测绘资质的传统图商而言,高精度地图虽然相较传统地图难度及成本有所增加,但单纯生产出来只是时间问题,然而从采集制作到真正量产,过程中会面临更多的问题和挑战:
    实时更新问题
    传统导航电子地图的更新频率为静态数据(通常更新频率为季度更新或月更新),准静态数据(频率为日更新)。
    而高精度地图对数据的实时性要求较高,更新频率通常为准动态数据(频率为分钟更新),实时动态数据(频率为秒或毫秒更新)。
    在这里插入图片描述

    图为:区域动态地图分层说明
    如何在自动驾驶车辆行驶中完成高频率的地图在线更新,也是高精地图量产应用最关键和最难解决的问题。
    生产效率问题
    与传统车载电子地图相比,高精地图精细程度更高,动态要素更为丰富,传统地图的生产方式难以满足其量产应用的需求。
    目前,厘米级地图对测绘效率要求非常高,导致需要布设很多高精度采集设备和车辆,相应的成本也会非常高。较高的成本也在一定程度上,限制了高精地图的生产效率。
    地图存储问题
    车载地图的体积受到嵌入式系统的存储容量限制。目前,自动驾驶用高精度地图(厘米级),存储密度非常高,整体容量已远远超出目前主流控制器方案的存储容量,所以需要借助云储存及云分发的形式才能得以实现。
    03
    未来高精度地图更新生态圈
    高精度地图完成采集生产环节,并不意味着高精度地图生产完结已经可以量产,这恰恰只是地图更新闭环的开始。想要高精度地图真正得以使用并最终服务于自动驾驶,也需要一个完整的生态圈闭环。
    未来的高精度地图更新,一定是一个云+端的完整生态圈,在这个生态圈里,包含了高精度地图的采集、生产、应用、以及更新。
    而未来智能网联汽车,将成为这个生态圈里一个重要的环节,既是云端地图数据成果的消费和使用者,同时也会是地图云中心部分数据的提供者。
    一方面,车辆在行驶过程中实时的接收来自云端分发的高鲜度高精度地图,用于辅助自动驾驶;
    而另一方面,车端也会将自己实时位置、车身姿态、驾驶行为、各类传感器数据等回传给云端。同时云端还会通过V2X技术,收集到来自路侧设备回传的实时交通数据。云中心对这些实时数据进行深度挖掘分析,从而对高精度地图进行进一步有效更新,再将更新的内容通过OTA等形式下发到车端。
    在这里插入图片描述

    如此循环反复,一边不断对高精度地图进行实时更新优化,另一边形成一套智能网联汽车体系下高精度地图生产运营一体化的完整生态圈。
    04
    面向量产四维图新的挑战与思考
    通过提早的业务布局和全流程算法的加持,目前四维图新已经完成了全国范围超过32万公里高速公路的高精度地图覆盖,以及超过5000公里复杂城市道路的覆盖,在国内属于领先水平。
    而面向高精度地图量产及实时更新,四维图新也正在构建一个云+端的生态体系,在数据生产之外,独立出一个专门用于自动驾驶的云服务平台——HDMS(HighDefinition Map Service)。未来借助平台来支撑地图的流式分发和UGC实时更新。
    在这里插入图片描述

    此外,当自动驾驶真正走向量产,客户需要的远不仅仅是高精度地图,未来会有更多源的第三方数据关联到地图上,从而产生服务。因此认为只有借助云平台不断实现行云流水的地图更新过程,高精度地图才能得以真正服务于自动驾驶相关服务,从而与用户实现共同获益,共同成长。
    为了更全面地为大家揭开四维图新高精度“活”地图的神秘面纱,请到了智能地图事业部高级产品经理周猛,带来更加专业的深度直播分享以及线上答疑,也欢迎大家扫描下方二维码预约参加!

    参考文献链接
    http://news.10jqka.com.cn/20211229/c635530189.shtml
    https://mp.weixin.qq.com/s/609_F3uXZjYNCS55iKO_qA
    https://mp.weixin.qq.com/s/2cg5ipunTjCSxFXTyXBxYA

    展开全文
  • 点击上方“3D视觉工坊”,选择“星标”干货第一时间送达标题:3D Lidar Mapping Relative Accuracy Automatic Evaluation Algorith...

    点击上方“3D视觉工坊”,选择“星标”

    干货第一时间送达

    标题:3D Lidar Mapping Relative Accuracy Automatic Evaluation Algorithm

    作者:Guibin Chen, Jiong Deng, Dongze Huang, Shuo Zhang

    来源:Arxiv 2020,https://arxiv.org/abs/2006.00857v1

    编译:李雨昊

    审核:柴毅,王靖淇

    摘要

            基于3D激光雷达的高精度地图HD map在无人驾驶车辆的定位,路径规划,决策,感知等方面扮演着重要作用,而在获取HDmap时大部分建图方法都依赖于SLAM技术。为了评估3D LiDAR建图的精度,最常用的方法是将估计出的位姿和位姿真值进行比较。本文提出一种相对精度评价算法,可以在没有位姿真值的条件下自动评价3D 地图的相对精度。基于激光光线在传播过程中无法穿透非透明物体的原理,通过定量检测点云地图中鬼影出现的比例来间接反映地图的精度。经过在4个数据上的实地测试,本文方法可以有效检测出如相对精度小于固定阈值0.1m的错误帧。

    本文的方法的初衷是不想直接获取位姿真值,而提出的相对精度评价方法。在完成激光点的运动畸变矫正并且剔除场景中的动态物体对象之后,就可以用位姿的精度来表述点云的精度。位姿的精度可以分为绝对精度和相对精度。本文中的后者指的是位姿之间的相对位置精度。越低鬼影现象越明显,则基于匹配的在线定位方法(SLAM)效果越差。在评估HD Map的精度时,Pacc=相对位置精度大于0.1的比例,相对位置精度小于0.1会导致严重的鬼影。目前的评估方法除了带真值的绝对精度评定,相对精度评估研究的较少。人工采样检查样本太少无法反映数据的真实精度,太多又会用到大量的人力,并且效率比较低。另外一种就是检测环境中地面厚度,但是这种方法仅可检测z轴方向的误差,xy方向则靠交通信号或者路灯,但是这两种的厚度又没有严格定义,和地面厚度稍显不同。

    图1:在隧道或城市场景中出现的严重的鬼影现象,造成鬼影的原因主要是因为某些激光帧的位姿不准确,且匹配结果不好导致的。

    图2.方法概述。首先选定一帧激光点云,然后将其附近一定数量帧的点云依据其pose投影到该帧坐标系上得到submap,按照光线在传播时无法穿过不透明的物体的原理,判断从激光扫描仪中心O射出的光线到该时刻点云P之间不会出现其他点,如果出现则说明出现鬼影。红色和蓝色点分别对应当前帧和局部submap点,灰色实线就是激光束,箭头表明了出现的鬼影点。

    图3.考虑到测量精度,判断某一激光束上是否存在其他点需要将阈值拓宽,因此本文提出2倍的dthr作为判断是否共线的距离阈值,dghs作为判断是否是鬼影点的距离阈值。

    图4.由于场景中的平面可能和激光束近似平行而出现误检点,在实际计算时采用的是点到平面距离dprj进行的距离判断,如式5所示

    式5.鬼影点判断阈值,当dadj小于阈值dthre且激光线和该点局部法向量夹角足够大时说明是扫描线和场景中平面平行,需要额外角度约束,否则不需要。

    算法1.下采样方法:激光点云的某一帧和局部submap中点云数量会较大,而严重影响鬼影点的判断的计算效率,因此需要对点云进行降采样,但是又不能改变原始点云的分辨率。首先采用PointNet++提取出场景中的地面和杆状物,然后结合点在扫描时的扫描线信息对点云进行降采样,得到如下图所示的结果。

    图5.下采样结果

    图6. 为了定量评估本文方法的精度,采用人工添加扰动的方式在如上图所示的粉色和蓝色框选的激光帧添加0.1、0.15、0.2的扰动,以评估本文方法检测鬼影的效果。

    图7. 在办公室场景测试数据,b图中黄色点为检测出的鬼影点。(莫名感觉太少了。。)

    Abstract

    HD (High Definition) map based on 3D lidar plays a vital role in autonomous vehicle localization, planning, decision-making, perception, etc. Many 3D lidar mapping technologies related to SLAM (Simultaneous Localization and Mapping) are used in HD map construction to ensure its high accuracy. To evaluate the accuracy of 3D lidar mapping, the most common methods use ground truth of poses to calculate the error between estimated poses and ground truth, however it’s usually so difficult to get the ground truth of poses in the actual lidar mapping for autonomous vehicle. In this paper, we proposed a relative accuracy evaluation algorithm that can automatically evaluate the accuracy of HD map built by 3D lidar mapping without ground truth. A method for detecting the degree of ghosting in point cloud map quantitatively is designed to reflect the accuracy indirectly, which takes advantage of the principle of light traveling in a straight line and the fact that light can not penetrate opaque objects. Our experimental results confirm that the proposed evaluation algorithm can automatically and efficiently detect the bad poses whose accuracy are less than the set threshold such as 0.1m, then calculate the bad poses percentage Pbad in all estimated poses to obtain the final accuracy metric Pacc = 1 - Pbad.

    本文仅做学术分享,如有侵权,请联系删文。

    下载1

    在「3D视觉工坊」公众号后台回复:3D视觉即可下载 3D视觉相关资料干货,涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

    下载2

    在「3D视觉工坊」公众号后台回复:3D视觉github资源汇总即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

    下载3

    在「3D视觉工坊」公众号后台回复:相机标定即可下载独家相机标定学习课件与视频网址;后台回复:立体匹配即可下载独家立体匹配学习课件与视频网址。

    重磅!3DCVer-学术论文写作投稿 交流群已成立

    扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

    同时也可申请加入我们的细分方向交流群,目前主要有3D视觉CV&深度学习SLAM三维重建点云后处理自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

    一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。

    ▲长按加微信群或投稿

    ▲长按关注公众号

    3D视觉从入门到精通知识星球:针对3D视觉领域的视频课程(三维重建系列三维点云系列结构光系列手眼标定相机标定orb-slam3等视频课程)、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近2000星球成员为创造更好的AI世界共同进步,知识星球入口:

    学习3D视觉核心技术,扫描查看介绍,3天内无条件退款

     圈里有高质量教程资料、可答疑解惑、助你高效解决问题

    觉得有用,麻烦给个赞和在看~  

    展开全文
  • 地图影像图数量&存储大小&精度推算

    千次阅读 2020-01-10 00:26:58
    不知道大家是否会有这个疑问,全球的影像数据会有多大?是在那种数量级上? 如果我下载11级地图:会占用多少空间?会有多少个影像图片?精度能达到多少米?

    (Owed by: 春夜喜雨 http://blog.csdn.net/chunyexiyu)
    参考:http://www.google.cn/maps/vt?lyrs=s&x=0&y=0&z=0
    参考:http://www.tianditu.gov.cn
    参考:https://baike.baidu.com/item/%E5%A4%A9%E5%9C%B0%E5%9B%BE

    通常在网络上用到的影像图,像google,bing,baidu,gaode,tianditu等,这些厂商提供的影像图服务,提供的都是wmts地图服务的地图,预先分层切片的地图服务。
    层级的结构形如:
    0级1张图片,1级2 * 2张图片,2级4 * 4张图片,3级8 * 8张图片…
    理论上最多可以提供0-26级图片服务(第26级的图片数量为426张图片,基本达到了double能表达的精度范围253),google通常提供了全球21级的地图服务,天地图提供了国内的18级地图服务。

    不知道大家是否会有这个疑问,全球的影像数据会有多大?应该会很大吧,是在那种数量级上?
    如果我下载11级地图:会占用多少空间?会有多少个影像图片?精度能达到多少米?
    下面针对这些问题进行分析。

    影像图数量&存储大小推算

    通常互联网上影像图都是使用webmecator投影方法进行的投影,地球会被投影为:长—2 PI R,宽—2 PI R,长宽一致的正方形。首层(level=0)正好是一张影像图来表达。

    注:webmecator支持的纬度范围
    Math.PI/2 - (2.0 * Math.atan(Math.exp(-Math.PI))))*180/Math.PI = 85.05112877980659
    

    列表计算数量值:

    • 逐层的x/y的索引值范围:0 <= x/y < Math.pow(2, n)
    • 当前层的图片数量:Math.pow(4,n)
    • 包含下层的总数量:Math.pow(4,n) + Math.pow(4,n-1) + … + Math.pow(4,0)
    // 计算包含下层的总数量js方法:
    function total(n){
    	if(n>0) return Math.pow(4,n) + calc(n-1);
        return 1;
    }
    
    层级x/y索引范围当前层图片数量包含下层的总数量
    第0层011
    第1层0-145
    第2层0-31621
    第3层0-76485
    第4层0-15256341
    第5层0-3110241365
    第6层0-634,0965,461
    第7层0-12716,38421,845
    第8层0-25565,53687,381
    第9层0-511262,144349,525
    第10层0-1,0231,048,5761,398,101
    第11层0-2,0474,194,3045,592,405
    第12层0-4,09516,777,21622,369,621
    第13层0-8,19167,108,86489,478,485
    第14层0-16,383268,435,456357,913,941
    第15层0-32,7671,073,741,8241,431,655,765
    第16层0-65,5354,294,967,2965,726,623,061
    第17层0-131,07117,179,869,18422,906,492,245
    第18层0-262,14368,719,476,73691,625,968,981
    第19层0-524,287274,877,906,944366,503,875,925
    第20层0-1,048,5751,099,511,627,7761,466,015,503,701
    第21层0-2,097,1514,398,046,511,1045,864,062,014,805

    通常一张影像图片大小约为10KB,基于图片的数量*10KB,我们就可以直接得到占用的存储容量大小。

    • Google提供0-21级地图,21级x/y索引值的范围位于 [0, 2^21),第21级的影像图片数量约为4.398万亿张,影像图片的总数量约为5.864万亿张图片,预估占用的存储容量为58.64PB。

    • 天地图提供0-18级地图,如果包含全球的话,图片的总数量约为916亿张图片,预估占用的存储量为916TB。
      不过天地图仅提供国内领土面积的18级地图,其它地方提供的较低精度的地图。所以它共耗费了约30亿张图片,占用存储约30TB—来自百度百科。

    精度推算

    我们已知了影像图采用的投影方式-webmecator,这种投影方式下,赤道处的面积变形比较小,越靠近高纬度变形会变大很快。

    本次采用赤道处,作为计算精度的基准,进行层级精度的推算。
    推算的方法:

    • 我们先计算处赤道的周长,然后在计算出在某一层级下用了横向用了多少张图片,就可以得出图片横向表达的实际距离。
    • 有了图片表达的实际距离,再除以图片横向的像素数,就可以得出每个像素表达的距离,也就是我们通常表达的影像图精度。

    地球长半轴的长度为(WGS84标准):6,378,137米
    地球的赤道周长约为:2 * Math.PI * 6378137 ~= 40,075,017 (m)

    就拿天地图的18级来说,x/y索引范围0-262,143,在横向上有262,144张图片:
    40,075,017(m) / 262,144 ~= 152.874 (m)
    影像图通常都256*256的,横向上有256个像素,每个像素表达长度为:
    152.874(m) / 256 ~= 0.597 (m) = 59.7cm
    所以,天地图对国内提供的地图精度约为0.6m,这个可以在资料上查到。

    计算第n级的精度:2 * Math.PI * 6378137 / Math.pow(2,n) / 256

    同样的,对于Google地图来说,21级地图的精度计算为:
    2 * Math.PI * 6378137 / Math.pow(2,21) / 256 ~= 0.0746 ~= 7.5cm
    可以看出21级地图时,精度到达了7.5cm,精度还是很高的了。

    (Owed by: 春夜喜雨 http://blog.csdn.net/chunyexiyu)

    展开全文
  • 卫星图像:分辨率与精度 卫星运营商强调其图像的主要特征是分辨率;然而,这不是唯一需要考虑的特性。准确性在决定图像质量方面也起着关键作用,理解分辨率和准确性之间的差异很重要。高分辨率通常与高精度相关联...
  • 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
  • 关于地图精度

    千次阅读 2017-08-03 09:41:02
    通常人眼能分辨的两点间的最小距离是0.1mm,因此,把地形图上0.1mm所能代表的实地水平距离称为比例尺精度。 用公式表示为:ε =0.1 m,m为...所以测绘中,只要是用1:500比例尺的地图比例尺,那么实地的距离误差,就
  • 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 ...
  • 精度地图技术与展望

    千次阅读 2022-06-05 05:38:55
    精度地图技术与展望
  • 高精地图总体介绍

    千次阅读 2021-12-03 11:00:31
    随着无人驾驶技术的兴起,高精地图也随之发展起来,可以说高精地图是为无人驾驶而生的,无人驾驶车辆的调度、感知、定位、决策、规划、控制等都会使用到高精地图
  • 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
  • 这个是在做定位问题中找的的一个国家政策,关于地图和定位
  • 下载高精度全国卫星影像地图非常简单。目前市场上有很多地图软件可以下载,不过有很多软件套路太深。 下面介绍如何免费下载超高清卫星影像地图,以成都市为例 工具:图新地球4.0 1.打开图新地球,搜索你要...
  • 文中对CGCS2000在现有地图使用精度的影响进行了分析,通过分析认为CGCS2000的全面启用不影响现有地图资料的正常使用。
  • 自动驾驶之高精度地图

    千次阅读 2022-02-02 17:18:10
    精度地图被认为是未来自动驾驶、无人驾驶出行的关键一环,是交通资源全时空实时感知的载体和交通工具全过程运行管控的依据。高精度地图较对于常规传统的电子地图,在精度、数据维度、时效性及使用对象等方面具备...
  • https://blog.csdn.net/duyiqun/article/details/78678282 设置不显示精度圆圈的方法
  • SLAM精度评估

    千次阅读 2022-04-18 09:18:34
    最近在群里划水时,看到很多初学的SLAMer面对精度评估这个问题无从下手。而精度评估确实是在SLAM算法实际评估中急需一种手段和工具,本文将从2维室内和3维室外两个层面来向各位展示如何通过各种手段来对SLAM算法完成...
  • 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...
  • #资源达人分享计划#
  • 当我们调用了百度地图api去实现定位的时候,会在定位小圆点周围出现一个蓝色区域的圆,叫做经度圈。不明白关键字网上搜索半天无果。最后看百度地图api最后找到。解决方案:BMKLocationViewDisplayParam *...
  • 基于三维激光雷达的自动驾驶车辆高精度地图构建.caj
  • 自动驾驶专题报告-高精度地图
  • apollo的高精地图roi算法,代码主要是扫描线算法的实现。
  • 万万字详解自动驾驶、车路协同中的高精度地图

    千次阅读 多人点赞 2022-04-01 14:00:52
    参考资料: 自动驾驶现在是否需要高精地图?特斯拉的纯视觉更强吗?... 本站文章引用或转载写明来源,感谢原作者的辛苦写作,如果有异议或侵权,及时联系我处理,谢谢! ...1 高精度地图介绍 所谓高精度地图(.
  • 自动驾驶之高精地图

    千次阅读 2022-03-27 14:54:00
    0. 简介 定位模块是自动驾驶最核心的模块之一,定位又包括全局定位和局部定位,对于自动驾驶,其精度需要达到...因此,如果在已有高精度的全局地图地图的情况下进行无人车的定位,将极大的简化该问题。 高精地图制作已
  • 基于高精度地图的特征匹配定位技术是自动驾驶的一项重要定位技术,可弥补基于GNSS定位技术的不足。北京市率先制定了关于该定位技术的标准规范,很值得自动驾驶、地图、定位相关的从业人士学习参考。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 36,589
精华内容 14,635
关键字:

地图精度