精华内容
下载资源
问答
  • 作 者 信 息 王 冕(上海市静安区住房...传统导航地图在精度、内容和更新频率等方面已不能够满足自动驾驶需求,亟需应用高精度地图来补足。从自动驾驶垂直应用角度,分析不同级别应用对地图数据要求,从而明确...

    作 者 信 息

    王 冕

    (上海市静安区住房保障和房屋管理局,上海 200040)

    【摘要】随着我国“新基建”的加速推进,在智能交通领域,正在形成车辆智能化、道路智能化、运输智能化的全新维度,整体趋向于L3级甚至更高级别的自动驾驶。传统导航地图在精度、内容和更新频率等方面已不能够满足自动驾驶的需求,亟需应用高精度地图来补足。从自动驾驶垂直应用角度,分析不同级别应用对地图数据的要求,从而明确面向自动驾驶的高精度地图所必须具备的特征。同时结合经典机器人控制理论,深入探讨高精度地图在自动驾驶主要环节的应用优势,并从完善行业标准以及获得国家政策支持等方面提出了建议和设想。

    【关键词】高精度地图;自动驾驶;智能交通

    【中图分类号】P208 【文献标识码】A 【文章编号】1672-1586(2020)04-0109-06

    引文格式:王 冕. 面向自动驾驶的高精度地图及其应用方法[J].地理信息世界,2020,27(4):109-114.

    正文

    0 引 言

    国际地图学协会(International Cartographic Association,ICA)将地图定义为是现实世界的表现或抽象,以视觉的、数字的或触觉的方式表现地理信息的工具。随着信息技术的发展,地图以电子地图形式存在,在不同应用场景下,被赋予不同的内涵。在早期的人类驾驶活动中,地图常被用于路径计算、地理信息查询以及动态交通信息提醒,具有较强的引导功能,极大地提升了人们的出行效率。伴随着“互联网+”概念的提出,人工智能(Artificial Intelligence,AI)高速发展与应用,更多基于位置的新型服务和行业被提出,传统的导航地图的精度、涵盖内容、更新频率等,不足以支撑起交通领域日新月异的智慧化应用需求,因而衍生出新形式——高精度地图。高精度地图,即高分辨率地图(High Definition Map),一方面指地图的绝对精度更高,另一方面指地图能够格式化存储交通场景中各种交通要素。由于高精度地图数据中丰富且准确的先验知识能够弥补车辆车载传感器的性能边界,实现协同感知和精密定位,因此高精度地图被视为是自动驾驶系统实现的核心基础模块。在地理信息系统(Geographic Information System,GIS)领域,众多学者也将其视为面向自动驾驶的专题图,被称为自动驾驶地图。

    作为自动驾驶实现的关键一环,高精度地图得到业界前所未有的关注。不同于过去地图厂商垄断传统导航地图业,在高精度地图方面,形成地图厂商与车辆制造商、零部件供应商、互联网企业、初创公司、芯片厂商协作发展的局面,各自在相应领域充分发挥自身技术优势,推动高精度地图产业的发展。

    目前,国外从事高精度地图采集和生产的地图厂商主要有TomTom、Here以及Waymo(原谷歌地图)。其中,Waymo的高精度地图目前仅用于自己的无人车,因而公开披露信息较少。TomTom以基于点云的RoadDNA技术为特色,将视觉传感器捕获的三维地图数据转换成二维视图,目前已覆盖欧洲及美国大部分主要高速公路。2018年的国际消费类电子产品展览会(International Consumer Electronics Show,CES)宣布提供在线的地图服务AutoStream,并与百度、高通深度合作,将AutoStream首度集成到百度的Apollo平台以及高通旗下的Drive Data Platform驾驶数据平台,探索更加行之有效的众包高精度地图绘制方法和更为精准可靠的定位。Here则是将其高精度地图定义为基于云端的服务,以快速在线更新为特色,通过众包形式,建立高精度地图的动态循环体系。经过多次股权变更,Here已汇集行业内的领先技术资源,分别与MobileEye的Roadbook进行融合开发,与大陆集团聚焦于自动驾驶和出行服务,与博世开展横跨汽车、工业物联网和交通多方面的合作。2019年,Here将开放位置平台(Open Location Platform,OLP)引入中国,支持用户导入自己的数据,创建新的图层和服务,实现数据共享与循环。

    而在我国,由于严格的测绘政策,即高精度地图绘制必须由具有导航电子地图测绘资质的单位来承担,以及高精度地图外业采集、内业校对处理的较高技术门槛,在获得甲级测绘资质的22家(截止2019年12月)企业中,呈现以地图厂商四维图新、高德地图、百度地图(长地万方)三足鼎立的现状。上述三家企业均在2015年左右开始部署高精度地图的业务策略,试图获得行业先机。其中,高德地图侧重于基于位置的移动商业服务,旨在完成从地图供应商至数据服务商的转型,制定了动态地图服务商的发展目标,认为未来的地图不再是数据商品,而是行业发展共建共享的生态资源和基础设施。2016年,高德地图宣布在自动驾驶开发测试期间,免费向行业合作伙伴提供高精度地图数据,并与千寻位置合作提供“高精度地图+高精定位”的一体化解决方案;2018年,通过推出顺风车业务,期望形成出行生态闭环,促进地图行业新生态的构建。四维图新继续定位图商角色,通过自主设计的高精度地图采集车和编辑平台,目前可生产出绝对精度20 cm的地图数据,整体处于准备量产阶段。同时深化行业合作;在2019年,启动公安部PGIS2.0项目,助力公安服务创新,并与宝马签署了业内首个面向L3+自动驾驶系统的高精度地图订购,将为2021年宝马量产车型iNEXT提供地图服务。百度则是将自己的数据积累结合Apollo平台,提供完整的自动驾驶解决方案。

    不同于在导航地图业深耕多年的地图厂商,众多初创企业通过差异化产品路线,建立各自在高精度地图方面的技术优势,如DeepMap、CivilMap、MobileEye、宽凳科技、滴滴出行在数据采集上引入众包模式;Mapbox专注为企业提供定制地图;Ushr设计激光雷达数据处理软件来抽取道路特征和专业绘制道路模型

    从国内外发展情况分析,目前的高精度地图是一全新领域,技术与规范等均处于探索阶段。梳理其主要脉络对下一步研究与应用的开展具有重要意义。因此,本文首先着眼于自动驾驶应用对地图数据的要求,以此展开讨论面向自动驾驶的高精度地图必须具备的特征;其次再从机器人控制理论切入,进一步探讨高精度地图在自动驾驶不同阶段的应用与功能优势,确定自动驾驶实现的高精度地图必要性;最后提出高精度地图未来发展的一些思考与建议。

    1 自动驾驶的地图数据需求

    在2014年,美国汽车工程师学会(Society of Automotive Engineers,SAE)首次颁布了自动驾驶分级标准J3016TM《标准道路机动车驾驶自动化系统分类与定义》,把自动驾驶划分为0~5级。2018年SAE根据车辆自动化系统能够完成动态驾驶任务的程度、执行动态驾驶任务中的角色分配以及有无设计运行域限制等再次细化了自动驾驶分级依据,进一步明确了不同级别自动驾驶技术之间的差异性。根据表1最新的定义,6个级别的自动驾驶系统对地图数据在内容、精度和频率等方面有不同层级的要求:

    在L0~L2级,车辆驾驶行为主体是由人类驾驶员承担,基于人类自身的视觉识别能力和逻辑思维能力,在很多道路信息被弱化和精简的情况下,能够完成应用需求。当道路数据中增加道路曲率、坡度等高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)数据后,即可以支持自动驾驶系统同时并持续控制车辆的横向和纵向行为。

    自L3级开始,机器成为周边环境监控和动态驾驶任务的执行主体,初步脱离人管因素,因而逐渐提高了对地图数据的现势性要求,并且米级的地图数据绝对精度已不能满足限定场景下的应用需求,此阶段需要地图数据输入较高精度的道路环境数据以及部分的实时交通信息。

    L4级,在限定场景下,系统能整体控制车辆行驶,机器进一步替代人类响应自动驾驶系统发出的接管请求,处理系统行为失效的情况。此阶段系统必须自动具备最小风险状态,要求地图提供更高精度的道路环境以及全实时动态交通信息。

    L5级,在所有行驶环境中,都可以实现全部由机器控制的自动驾驶,系统熟练具备传统驾驶员的能力。设计运行域的扩大要求地图具备高度智能化,可以基于多源数据的建模分析结果,自适应不同的交通环境。

    1 自动驾驶对地图数据的需求

    Tab.1 The map requirements of autonomous driving

    787dcb26141fb74fb9c6ef9ad1aa8daa.png

    2 高精度地图的关键技术特征

    针对表1列出的自动驾驶分级,从本质上来讲,从L3级开始才是自动驾驶实质性开端。在L3级之前的阶段,仅可称为辅助驾驶或部分自动驾驶阶段,出行人群是地图的主要服务对象,传统导航地图米级的绝对定位精度、季度或年度的数据更新频率、具备ADAS增量属性的道路网络即可支持目的地导航、兴趣点搜索以及诸如主动车道保持之类的主动安全应用。从L3级开始,机器成为地图服务的主要对象,成为动态驾驶任务的执行主体。传统导航地图在精度、内容和更新频率等方面已不能够满足自动驾驶上述高层次应用需求,亟需应用高精度地图来补足。高精度地图几乎实时的道路特征环境信息,能够更真实地刻画地理空间,作为先验信息输入,可支持面向L3级甚至更高级别的自动驾驶应用。本文归纳总结高精度地图有别于传统导航地图的关键技术特征如下:

    1)几何高精度

    测绘精度是高精度地图的首要核心指标。传统导航地图的测绘精度在米级别,而高精度地图则必须在厘米级。目前虽无明确标准规定,但普遍认为高精度地图的绝对精度应在5~20 cm之间,这样能够确保自动驾驶车辆5~20 cm的自定位误差

    2)丰富的属性信息和语义信息

    高精度地图必须包含道路网络以及周围环境的丰富属性信息和语义信息,以支持车辆感知、定位、规划与控制。在形态上,主流传统导航地图是2D地图,而高精度地图需完整记录地物3D信息、拓扑关系和路况信息。以道路网络数据为例,传统导航地图只记录道路级别的数据,而高精度地图则如图1所示,增加了更为详尽的道路限制属性,并延伸描述至车道级,详细记录每个独立车道相关属性(车道网路口、车道线类型、车道宽度、车道限制、车道虚拟连接线等),交通控制设备(主要是交通标志和交通信号灯)的三维位置,以及诸如高架物体、防护栏、人行横道、道路边缘类型、道路标线、路边地标等其他静态道路元素的几何形状和语义。

    6101410547743931ea97646328f5d7af.png

    1 高精度地图道路网络

    Fig.1 Lane level road network of high defifinition map

    3)现势性

    高精度地图数据必须及时更新,确保高度的现势性。根据博世在2007年提出关于无人驾驶时代所需的局部动态地图(Local Dynamic Map)的定义,按照更新频率划分可将所有数据划分为四类:持续静态数据(更新频率约为1个月,主要是道路网络、定位数据等)、瞬时静态数据(更新频率为1 h,主要是路侧的基础设施的信息,如交通标识和路标)、瞬时动态数据(更新频率为1 min,主要是红绿灯的相位、交通拥堵等实时路况相关信息)、高度动态数据(更新频率为1 s,主要是车辆、行人等交通参与者的实时状态数据)。前两者即可满足传统导航应用,而高精度地图为了应对车辆行驶过程中各类突发状况,保证自动驾驶的安全实现需要更多的瞬时动态数据以及高度动态数据,更新频率需要提升至分级甚至秒级。

    3 高精度地图在自动驾驶中的应用与优势

    高精度地图具备的高几何精度、信息丰富度和更新现势性特点使其成为交通资源全时空感知的重要载体,在整个自动驾驶领域扮演着核心角色,甚至成为整个产业的技术壁垒。根据机器人控制流程的3个核心步骤,即感知(Sense)、规划(Plan)、行动(Act),自动驾驶系统可相应归纳为环境感知、决策控制、动作执行3个阶段。如图2所示,在自动驾驶系统中的高精度地图主要被运用在前两个阶段,即感知层面和规划识别层面。

    9ccb5e66e3ce754930f4a591979bdadd.png

    2 高精度地图在自动驾驶的应用

    Fig.2 High defifinition map in autonomous driving

    1)感知层面:通常情况下,感知指使用车辆配备的雷达、摄像头等视觉传感器结合定位传感器检测周边物体。高精度地图可视为车辆除开视觉传感器外的另一个虚拟数字传感器,提供完整的静态地物描述,延伸已有视觉传感器的感知边界,经数据融合得到高质量的感知结果,实现车辆对周围道路环境的精确认知。通过将检测到的特征地物与高精度地图数据进行匹配,不断修正全球导航卫星系统(Global Navigation Satellite System,GNSS)卫星定位的不确定性和航迹推算的累积误差,实现车辆自身位置和姿态的精确感知。

    2)规划识别层面:通过输入感知层面不同数据融合结果,预测车辆周围物体的行为,约束与引导动态地图生成,包括路径规划和轨迹规划。路径规划首先是基于绝对定位和道路拓扑,计算车辆当前位置至终点的全局路径,其次是结合交通事件、天气等实时数据以及驾驶经验数据集,基于全局路径进行局部的车道级路径规划。轨迹规划则是尽量按照路径规划结果,考虑实际临时或者移动障碍物、交通信号实时状态、车辆速度、动力学约束等,生成的无碰撞风险、平滑轨迹路径集合,供车辆决策控制模块使用,解决自动驾驶车辆如何走的问题。

    基于上述两个层面的应用,从技术功能角度剖析,高精度地图对于自动驾驶主要有以下三方面的优势:

    第一,静态地物的语义识别。高精度地图中对静态地物的丰富标识可弥补视觉传感器探测效果不佳的情况,尤其是高速公路匝道出入口限速信息识别。视觉传感器在天气良好情况下,拥有理想的视距,可以检测到限速标志,但是限速标志的效用路段这种语义级信息难以标定,而地图数据库中一般详细记录了限速标志类的效用路段以及有效方向,这些信息的输入使得车辆在控制端免获错误信息的干扰,提升驾驶行为的可靠性。

    第二,感知算法的效率提升。高精度地图中包含大量短时间内不会发生变化且客观存在的道路特征数据。自动驾驶系统多传感器数据融合的过程需要加工、处理大量传感器传回的数据,对芯片的计算能力有较高要求。地图数据库中大量道路相关的先验信息,如各类交通设施、车道线、坡度、曲率、航向、限高、限宽等,有助于固有地物的过滤,减少算法对冗余信息的消耗,这将大幅减少感知融合的复杂度,让有限的计算资源集中在可能影响当下驾驶行为的动态物体判断上,使得车辆控制端获得更为实时的数据输入。

    第三,环境冗余信息的提供。一般情况下,应用系统诉求精简信息的输入以确保尽量及时的反馈。但是,对于自动驾驶系统而言,车辆诸如操纵、转向和制动等动态驾驶任务,将完全由机器执行,要求驾驶员没有任何控制,系统仍可以按照正确的路径和交通规则在约定的方向上行驶,安全性提升至前所未有的高度,因此冗余方案必不可少。地图数据可在不占用计算资源的情况下,高度还原外部交通环境,为感知融合算法提供“冗余”信息输入,进一步增加感知的准确性和安全性。

    4 结束语

    “传感器+人工智能”的技术路线完全类似于人类驾驶员自身的协作,但是目前的人工智能技术程度暂且无法使机器能够拥有人类一样的联想、解读能力,各类传感器也有不同程度的性能边界。因此,自动驾驶车辆在普通地图环境下按照机器逻辑与感知数据行驶在现阶段尚不可行。在当前技术条件下,高精度地图是车辆自动驾驶实现必不可少的基础设施。然而从现有产业链发展来看,我国高精度地图的进一步深化必须突破以下两方面的制约。

    1)行业标准化

    地图标准是地图生产与应用的指导性规范,行业标准的建立,有助于提升各企业间的协同性,避免企业间的数据孤岛效应,降低数据采集生产成本。目前相关地图标准在国际上以欧洲为主导,并且以采集式样、交换格式和物理存储格式的标准化为重点,如ISO TC204/WG3、NDS、ADASIS、CAICV HD MAP WG、 OpenDrive、SIP-ADUS等,其中CAICV HD MAP WG是由清华大学牵头,成立的自动驾驶地图工作组。鉴于自动驾驶几乎苛刻的安全性需求,建议在制定行业标准时,结合我国国情和终端用户的实际需求,进一步描述地图质量安全规范、地图功能安全技术要求、地图信息安全技术要求等细则,保证国家地理数据安全。另外,高精度地图与应用场景密切相关,可考虑精耕细作某一场景,分场景、分步骤实现高精度地图的标准化。

    2)政策法规的完善

    我国现有的法律法规与高精度地图的发展需求存在一定冲突,主要体现在数据偏转加密、部分地理信息表达受限、审图机制、数据回传,均不同程度影响着面向L3级以上自动驾驶高精度地图数据表述完整性、实时性的要求。高精度地图的应用不同于传统导航应用,是全新模式,建议完善与更新现有制度法规,制定符合产业需求的全新管理模式,从政策上支持高精度地图的发展。在确保国家安全的前提下,提升我国在该领域的核心竞争力,促进地理信息产业的繁荣发展。

    随着“高速率、低延时、大带宽”的5G技术落地,万物万联的物联网时代越来越近,使高精度地图有了更大的施展空间和应用领域。在给汽车及相关产业带来全业态和价值链体系重塑的同时,高精度地图也将是互联网服务的重要内容承载平台,配合人工智能和大数据,带有精确地理位置的人物画像,是实现出行即服务(Mobility as a Service,MaaS)愿景的强大支撑。此外,更是城市管理数据的重要来源,通过发挥不同交通资源之间的联动,达到城市公共资源的最优调配,推动未来城市管理真正迈入智能化、一体化的新阶段,在应对公共卫生等突发事件时,提供“无人化”的新利器。

    作者简介:王冕(1986-),男,上海人,硕士,工程师,主要从事地理信息系统开发与应用研究、房地产测绘等工作。

    E-mail:mian.wang@foxmail.com

    2ead99ec546a063495ac947c683e68e0.png

    本期回顾

    ed58f31ee2ad13d865a12554bc232c38.png

    博士综述论坛

    · 时空数据Web搜索的研究进展

    · 基于精准时空信息的城市关键公共基础设施运行预警决策方法综述

    全球网格位置框架与编码

    · 地球剖分型GIS数据模型

    · 基于全球剖分网格的不动产编码研究

    · 目标网格编码支持的多源遥感影像地理匹配

    测绘成果档案存储与服务

    · 国家测绘档案业务管理系统设计与实现

    · 大规模地理信息资源目录集成服务的技术框架及系统应用

    · 国家测绘成果档案存储与管理总体设计与实现

    · 国家级测绘地理信息系统数据成果备份设计与建设

    · 国家级测绘地理信息系统异地容灾技术方案设计与实现

    理论研究

    · 数据粒度均衡的二维矢量瓦片构建方法

    · 基于城市景观格局和连通性的地表温度贡献分析

    · 一种无人机滑坡遥感影像的快速匹配算法

    · 基于高清摄像机的高速公路路面散落物自动检测方法研究

    · 一种顾及TOA数据优选的抗差卡尔曼滤波室内定位方法

    邮箱变更声

    ·《地理信息世界》邮箱变更声明

    网站开通公告

    ·关于开通《地理信息世界》网站的公告

    诚聘特约审稿专家

    ·诚聘|《地理信息世界》诚聘特约审稿专家

    专题组稿

    ·约稿函|《地理信息世界》关于开辟“博士综述论坛”专栏的约稿函

    d04750a53395ccc88f1a86b65a8be19f.png

    ea65e70eff7c1a415d2f158c474f1dfc.png

    d13e5ba385170e6afecbbc21a547908c.png

    50870f9825a6e48976f61404984296e4.png

    caf789d33542d608282947de94628715.png

    展开全文
  • 高精度地图的构建及在定位和标注中的应用研究.caj
  • 就是指高精度地图,它与普通导航地图的最大区别是:高精度地图主要用于定位,是给机器看的。导航地图主要用于路径规划,是给人看的。高精度地图有着20cm绝对精度,5cm相对精度,具有全要素,车道集级等等,在我看来...

         以下都是我的个人理解,说的不对的欢迎狂怼。

         借用apollo的架构说事:

      

       自动驾驶由这7部分组成:

    1.感知。就是指传感器的输入,包括激光雷达、视觉图像、GPS、惯导、毫米波雷达等都可以归类为感知。

    2.地图。就是指高精度地图,它与普通导航地图的最大区别是:高精度地图主要用于定位,是给机器看的。导航地图主要用于路径规划,是给人看的。高精度地图有着20cm绝对精度,5cm相对精度,具有全要素,车道集级等等,在我看来其就是对真实世界的标注而已,跟图像标注没有什么本质区别。它的形似是多种多样的,由纯矢量的,比如:

    也有点云形式的(压缩点云),也叫定位图层,它工作起来可能是这样的:

    当然,还有很多很多的形式,比如将图像特征点存下来据说也可以定位,这里就不赘述了。

    3.定位。我认为定位模块是这7个模块里最重要的模块。顾名思义,定位就是确定无人车自身的位置,注意这里的位置并不是指它在真实世界种的位置,而是它在高精度地图种的位置,这也解释了为什么高精度地图可以加偏,不必使用真实位置,否则国家测绘局肯定不干的。一旦确定了无人车在高精度地图中的位置,高精度地图就像两根铁轨一样,把无人车夹在里面,就跟火车一样,是不是比汽车要安全多了,就是这个道理。

            根据感知传感器的不同,定位方法也是不同的。比如传感器是GPS+IMU,那定位方法就是组合导航,卡尔曼滤波。如果传感器是点云,那定位方法就是直方图滤波NDT,它是将高精度地图看成许多空间分布的集合,用的最多的是正态分布,点云中每一个点映射到空间分布中,都可以得到一个概率值。不同的定位姿态会得到不同的映射,那最佳的定位姿态就是每个点概率值之和最大的那个姿态,这可以通过EM算法进行迭代优化,效率也很高,上面所讲的定位图层就是用了这种办法。

           接下来讲到本系列的重点:视觉定位,通常视觉定位就是指SLAM,它是指根据同名点计算后一帧相对于前一帧的相对位姿,从而将定位位姿传导下去,获取每一帧相对于第一帧的相对位姿的方法。根据求同名点的方法可以分为特征点法和直接法,根据前后位姿优化的不同可分为卡尔曼滤波和bunder adjustment。另外,它还通过回环检测保证第二次进入场景与第一次进入时的位姿是一致的。看起来它并不需要高精度地图,但这也是他的致命弱点,它只能得到相对于前一帧的位姿,推下去也只是知道相对于第一帧的位姿,它只能知道自己有没有变道,对于究竟处于第几车道,前面100米还是200米需要变道没有概念。而且随着误差累计,它与第一帧的位姿也越来越不准确。它并没有一个宏观的认识,扫地机器人还好,毕竟就屁大点地方,多跑几次就有了。在真实世界中往往只给一次机会,所以光有帧间位姿是不够的。而且对于单目SLAM来说,还有尺度漂移问题,有GPS+IMU作为修正会好一点。

          因此,我认为视觉定位也是需要高精度地图的,高精度地图就会提供给无人车一个参照。那么问题来了,假如有了高精度地图,那么问题转变为怎么获取无人车与高精度地图的相对位姿,那它与第一帧的相对位姿就显得不那么重要了。我认为消耗那么大算力去优化帧间相对误差并没有太大意义,我认为其意义在于可以平滑前后帧的位姿,而这也就用卡尔曼滤波就足够了,不需要SLAM这么重型的东西。

    4.预测。无人车除了要知道自己的位置之外,还需要预测其他车的运动轨迹,人、自行车、摩托车等非静态物接下来想要干什么,比如前方车要变道,你就要慢慢减速,等等。这个不难理解,我们人就是这样的,知己知彼么,开车不能只管一股脑往前开,得随时变通。当然,这里得预测只是针对非静态物,静态物就不需要预测了,因为它是不会动的,这里高精度地图也有一个作用,它可以帮助无人车区分哪些是静态物。因为高精度地图就是静态的,只要能跟高精度地图匹配上的地物,那就不用预测了,这就减轻了预测的负担,节省了算力,算力对无人车是极其重要的。

    5.规划、导航、控制。这三个我就不多讲了,实际上我也不懂,大概就是路径规划,车辆控制等。

    接下来,我要说一个我做过的项目,项目目的就是通过普通相机拍摄的照片、行车轨迹(只有简单的GPS位置)、高精度地图三样输入,完成无人车定位的目的。

    展开全文
  • 室内地图一般指大型室内建筑内部地图,与室外地图相比,更注重小区域、大比例尺、高精度和精细化内部元素展现。近几年“室内导航”“室内定位”等室内应用场景应用需求越来越多,例如在医院、商场、政务中心、...

    室内地图一般指大型室内建筑的内部地图,与室外地图相比,更注重小区域、大比例尺、高精度和精细化的内部元素展现。近几年“室内导航”“室内定位”等室内应用场景应用需求越来越多,例如在医院、商场、政务中心、机场航站楼、地下停车场等大型室内应用场景,而在这些不同应用场景之上又有更多不同的需求,那么,如何实现室内导航或室内地图服务相结合,则需要一款强大的室内场景编辑器作为支撑。

    地图数据是地图应用的基础,需要严格控制数据质量,以更好地支撑地图应用。

    室内地图数据生产需要依据专业的地图数据生产流程,遵循标准的室内地图数据生产标准和规范,历经严格的内外业处理以及质检处理,才能满足数据质量要求,满足地图应用需要。

    室内地图服务行业拥有着难以估量的发展前景,但现阶段的制图服务,却仍然存在尚未解决的难题——室内空间的布局经常发生变化,如要及时更新变化信息,需向专业的制图团队反馈,再经由技术人员使用专业的制图软件,完成修改。修改过程周期较长,很难实时更新地图信息,也无法一次性达到理想的效果,从而浪费了过多的人力、时间、沟通成本。

    上海懒图信息科技有限公司以“为客户提供更好的经营管理工具”为导向,结合室内电子地图平台在各类停车场应用中,提供超高性价比的停车场电子地图应用系统,协助客户打通停车场运营管理、公众服务、停车场业务数据,助力实现停车场管理可视化。系统可以快速编辑生成酷炫的停车场地图,提供API方便地整合电子地图于您的各类停车场应用中,告别传统数据堆砌,实现全新的可视化公众服务和业务管理形式。

    可视化场景编辑器是为解决智慧城市、工业4.0等领域在提供空间信息可视化实现过程中出现实施周期长、成本高、维护性差等而专门研发的包括场景建设、线路规划、资源摆放等以让用户通过简单的操作即可快速的绘制出实时3D场景;且提供软件开发包用于可视化场景的编辑输出为用户提供了二次开发能力,以便于实时3D场景与第三方系统数据互动和交互操作实现可视化应用业务逻辑开发。

    基于平台在线编辑您的停车场地图

    使用手机扫描二维码,可基于懒图平台免费使用您的地图服务,并可分享给朋友使用

    如需线下与您的系统集成使用,可在完成购买流程后,下载您编辑好的地图和地图引擎,在您本地环境中安装使用。利用系统提供的API可方便地进行集成

    懒图科技提供项目服务

    采用平台提供的编辑工具可便捷地制作您自己炫酷的停车场地图。您也可提供停车场平面布局图给懒图科技,由懒图科技为您加工制作停车场电子地图,并可为您提供数据制作+应用系统开发的一条龙服务。

    展开全文
  • 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地图的区别,然后介绍其特点及制作过程。在了解高精地图基础知识后,探索其在无人驾驶场景中的应用。

    电子地图分类

    我们日常使用的用于导航、查询地理信息的地图都属于传统电子地图,其主要服务对象是人类驾驶员。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人驾驶系统。本节讨论两者的不同。

    ➤传统电子地图

    如图1所示,我们日常使用的用于导航、查询地理信息的地图,如Google、百度、苹果地图等,都可以并入传统电子地图。尽管电子地图出现还不到一百年,对传统地图的研究和开发已有几千年历史,并发展出“制图学”这一门学科。在制图学的基础上,电子地图的出现极大提高了检索效率,并且能快速查找最优路径,极大方便了人们出行。

    高精地图在无人驾驶中的应用

    图1 传统电子地图

    传统电子地图是对路网的一种抽象:都将路网抽象成有向图的形式——图的顶点代表路口,边代表路口与路口的连接。路名、地标以及道路骨架信息都可以被抽象成存储于这些有向图顶点或边中的属性。这种抽象的地图表征形式能很好地适应人类驾驶员需求,其原因在于人类生来就有很强的视觉识别及逻辑分析能力。在驾驶过程中,人类驾驶员一般都能有效判别如下信息:识别路面及路面标示线,确定自己在路面的大致位置,寻找并辨认路标等。参照辨识出的信息,结合当前GPS(一般精度在5-10米)在当前电子地图中的位置,人类驾驶员便大致知道自己在实际路网中的位置,并计划下一步如何驾驶。

    正是基于人类驾驶员的这些能力,传统电子地图可被极大精简,比如一条弯曲的道路可以被精简到用只有几个点的线段来表示,只要大致轮廓符合现实路网结构,人类驾驶员即可结合驾驶信息定位自己的当前位置。

    ➤高精电子地图

    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人驾驶车,或者说是机器驾驶员。和人类驾驶员不同,机器驾驶员缺乏与生俱来的视觉识别、逻辑分析能力。比如,人可以很轻松、准确地利用图像、GPS定位自己,鉴别障碍物、人、交通信号灯等,但这对当前的机器人来说都是非常困难的任务。因此,高精度电子地图是当前无人驾驶车技术中必不可少的一个组成部分。高精度电子地图包含大量行车辅助信息,其中,最重要的是对路网精确的三维表征(厘米级精度)。比如,路面的几何结构,道路标示线的位置,周边道路环境的点云模型等。有了这些高精度的三维表征,车载机器人就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来精确确认自己的当前位置。此外,高精地图还包含丰富的语义信息,比如交通信号灯的位置及类型,道路标示线的类型,识别哪些路面可以行驶等。这些能极大提高车载机器人鉴别周围环境的能力。此外,高精度地图还能帮助无人车识别车辆、行人及未知障碍物。这是因为高精地图一般会过滤掉车辆、行人等活动障碍物。如果无人车在行驶过程中发现当前高精地图中没有的物体,便有很大几率是车辆、行人或障碍物。因此,高精地图可以提高无人车发现并鉴别障碍物的速度和精度。

    高精地图特点

    相比服务于GPS导航系统的传统地图而言,高精地图最显著的特点是其表征路面特征的精准性。传统地图只需要做到米级精度即可实现GPS导航,但高精地图需要达到厘米级精度才能保证无人车行驶安全。

    此外,高精地图还需要比传统地图有更高的实时性。由于路网每天都有变化,如整修、道路标识线磨损及重漆、交通标示改变等。这些变化需要及时反映在高精地图上以确保无人车行驶安全。实时高精地图有很高的难度,但随着越来越多载有多种传感器的无人车行驶在路网中,一旦有一辆或几辆无人车发现了路网的变化,通过与云端通信,就可以把路网更新信息告诉其他无人车,使其他无人车更加聪明和安全。

    高精地图在无人驾驶中的应用

    图2 高精电子地图

    ➤数据特征类型

    和传统地图相似,高精地图也具有分层的数据结构。如图3所示,最底层是基于红外线雷达传感器所建立的精密二维网格。一般这个二维网格的精度保证在5×5厘米左右。可以行驶的路面、路面障碍物,以及路面在激光雷达下的反光强度都被存储于相应的网格当中。无人车在行驶的过程中,通过比对其红外线雷达搜集到的数据及其内存中的高精二维网格,就能确定车辆在路面的具体位置。

    高精地图在无人驾驶中的应用

    图3 高精地图二维网格表征。由于网格很细,我们可以从相应的雷达反射上清楚识别出路面及路面标识线的位置。绿色区域表示不可行驶的路面

    除了底层的二维网格表征外,并道高精地图还包含很多有关路面的语义信息。如图4所示,在二维网格参照系的基础上,高精地图一般还包含道路标识线的位置及特征信息,以及相应的车道特征。由于车载传感器可能会因为恶劣天气、障碍物,以及其他车辆的遮挡不能可靠分析车道信息,高精地图中的车道信息特征能帮助无人车更准确可靠地识别道路标识线,并理解相邻车道之间是否可以安全。

    高精地图在无人驾驶中的应用

    图4  高精地图中的车道信息

    高精地图在无人驾驶中的应用

    图5 高精地图中的道路标识线及路牌信息

    此外,如图5所示,高精地图还会标明道路标示牌、交通信号等相对于二维网格的位置,这些信息起两方面作用:

    • 提前预备无人车,告知其在某些特定的位置检测相应的交通标示牌或交通信号灯,提高无人车的检测速度。

    • 在无人车没有成功检测出交通标示牌或信号灯的情况下,确保行车安全。

    ➤数据量估计

    无人车使用的高精地图是个2D网格,数据主要由激光雷达产生,由于激光雷达的精度大约是5厘米,所以地图的最高精度可以达到每个网格5×5厘米。在如此高的精度下,如何有效管理数据是一大挑战。首先,为了尽量让地图在内存里中,我们要尽量去掉不需要的数据。一般激光雷达可覆盖方圆100米范围,假设每个反光强度可以用一个字节记录,那么每次激光雷达扫描可产生4MB数据。扫描会包括公路旁边的树木及房屋,但无人车行驶并不需要这些数据,只需记录公路表面的数据即可。假设路面的宽度为20米,就可以通过数据处理把非公路表面的数据过滤掉,这样每次扫描的数据量会下降到0.8MB。在过滤数据的基础上,还可以使用无损压缩算法,如LASzip压缩地图数据,可以达到超过10倍的压缩率。经过这些处理后,1TB硬盘就可以存下全中国超过10万公里的高精地图数据。

    高精地图的生产

    传统电子地图主要依靠卫星图片产生,然后由GPS定位,这种方法可以达到米级精度。而高精地图需要达到厘米级精度,仅靠卫星与GPS是不够的。因此,其生产涉及多种传感器, 由于产生的数据量庞大,通常会使用数据采集车(如图6所示)收集,然后通过线下处理把各种数据融合产生高精地图。

    高精地图在无人驾驶中的应用

    图6 高精地图数据采集车

    ➤所需要的传感器种类

    高精地图的制作是个多传感器融合的过程, 包括了以下几种:

    陀螺仪(IMU): 一般使用6轴运动处理组件,包含了3轴加速度和3轴陀螺仪。加速度传感器是力传感器,用来检查上下左右前后哪几个面都受了多少力(包括重力),然后计算每个上的加速度。陀螺仪就是角速度检测仪,检测每个上的加速度。假设无人车以Z轴为轴心,在一秒钟转到了90度,那么它在Z轴上的角速度就是90度/秒。从加速度推算出运动距离需要经过两次积分,所以,但凡加速度测量上有任何不正确,在两次积分后,位置错误会积累然后导致位置预测错误。所以单靠陀螺仪并不能精准地预测无人车位置。

    轮测距器(Wheel Odometer): 我们可以通过轮测距器推算出无人车的位置。汽车的前轮通常安装了轮测距器,分别会记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数,我们可以推算出车辆向前走了多远,向左右转了多少度等。可是由于在不同地面材质(比如冰面与水泥地)上转数对距离转换的偏差,随着时间推进,测量偏差会越来越大。所以单靠轮测距器并不能精准预测无人车位置。

    GPS:任务是确定四颗或更多卫星的位置,并计算出它与每颗卫星之间的距离,然后用这些信息使用三维空间的三边测量法推算出自己的位置。要使用距离信息进行定位,接收机还必须知道卫星的确切位置。GPS接收机储存有星历,其作用是告诉接收机每颗卫星在各个时刻的位置。在无人车复杂的动态环境,尤其在大城市中,由于各种高大建筑物的阻拦。GPS多路径反射(Multi-Path)的问题会更加明显。这样得到的GPS定位信息很容易就有几十厘米甚至几米的误差,所以单靠GPS不可以制作高精地图。

    激光雷达(LiDAR): 光学雷达通过首先向目标物体发射一束激光,然后根据接收-反射的时间间隔来确定目标物体的实际距离。然后根据距离及激光发射的角度,通过简单的几何变化可以推导出物体的位置信息。LiDAR系统一般分为三个部分:一是激光发射器,发出波长为600nm到1000nm的激光射线;二是扫描与光学部件,主要用于收集反射点距离与该点发生的时间和水平角度(Azimuth);三是感光部件,主要检测返回光的强度。因此我们检测到的每一个点都包括了空间坐标信息以及光强度信息<i>。光强度与物体的光反射度(reflectivity) 直接相关,所以从检测到的光强度也可以对检测到的物体有初步判断。

    ➤高精地图计算模型

    图7展示了通用的高精地图制作流程。首先陀螺仪(IMU)及轮测距器 (Wheel Odometer)可以高频率地给出当前无人车的位置预测,但由于其精确度原因,位置可能会有一定程度偏差。为了纠正这些偏差,可以使用传感器融合计技术(比如使用Kalman Filter) 结合GPS与激光雷达(LiDAR)的数据算出当前无人车的准确位置。然后根据当前的准确位置与激光雷达的扫描数据,把新数据加入地图中。

    高精地图在无人驾驶中的应用

    图7 高精地图计算架构

    公式1是个高度简化的高精地图计算模型, Q代表优化方程,z代表激光雷达扫描出的点,h为方程预测最新扫描点的位置与反光度,m为扫描到的点在地图中的位置,x代表无人车当前位置。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。在计算模型中,m与x开始都是未知的,可以先通过多传感器融合求x,再求出测量点在地图中的准确位置m。

    高精地图在无人驾驶中的应用

    无人驾驶场景中的应用

    如上文所述,高精度电子地图包含大量的行车辅助信息,包括路面的几何结构、标示线位置、周边道路环境的点云模型等。有了这些高精度的三维表征,无人驾驶系统就可以通过比对车载GPS、IMU、LiDAR或摄像头的数据来精确确认自己当前的位置,并进行实时导航。

    ➤定位

    无人车对可靠性和安全性要求非常高,所以我们默认已由高精度LiDAR和多种传感器融合建好了地图,在这个前提下,再谈一谈无人车的跟踪和定位技术。

    无人车定位主要通过粒子滤波进行。所谓粒子滤波就是指:通过寻找一组在状态空间中传播的随机样本来近似表示概率密度函数,用样本均值代替积分运算,进而获得系统状态的最小方差估计的过程,这些样本被形象地称为“粒子”,故而叫粒子滤波。比较常见的(如在Sebastian Thrun的经典无人车论文中)是粒子滤波维护一个姿态向量(x, y, yaw),默认roll/pitch相对足够准,运动预测可以从IMU中取得加速度和角速度。粒子滤波需要注意样本贫化和其他可能的灾难定位错误(catastrophic error),一小部分粒子可以持续从现在GPS的位置估计中获得。正如前文所说,对样本数量的自适应控制也需要根据实际情况有效调整。

    因为已经有了高精度LiDAR点云地图,所以很自然地就可以用实时点云数据和已经建好的地图进行匹配。而3D点云匹配必然要说到Iterative Closest Point (ICP),ICP的目标是在给出两组点云的情况下,假设场景不变,算出这两组点云之间的pose。最早的ICP原理,就是第一组点云的每个点在第二组点云里找到一个最近的匹配,之后通过所有的匹配来计算均方误差(MSE),进而调整估计的pose,这样进行多次迭代,最终算出两组点云的相对pose。因此,预先有地图的情况下,用实时的点云加上一个大概pose猜测就可以精准算出无人车的当前pose,且时间相邻的两帧点云也可以算出一个相对pose。

    另一方面,因为无人车是个复杂的多系统融合,所以当前标配是LiDAR,Camera、IMU(六轴陀螺仪)都必须拥有。拥有了Camera和IMU,做各种VO (Visual Odometry)和最近的VIO (Visual Inertial Odometry)SLAM就是自然选择。前面提到的粒子滤波,还有各种版本的卡尔曼滤波,加上Graph和关键帧概念,都属于SLAM范畴。笔者之前曾详细介绍了SLAM的各种应用探讨和相对应的工程细节 (参见《SLAM刚刚开始的未来》),在此不再一一讨论,但值得注意的是,多传感器多信息源融合只要算法正确并工程实现扎实,效果一定会比单一传感器要好。举两个具体的例子:ICP虽然后来有了很多改进(比如point-to-distance的测量改进,又比如用kd-tree加速查找改进),但需要很好的初始化pose,否则ICP很容易掉入局部最优而搞不定全局最优,这时非常需要图像视觉补充。图像的特征点提取描述计算可以让匹配更精准,速度也不慢,但距离太远精准度会下降,而且有很多图像视觉无法搞定的情况(比如无人车或者别的物体阴影,又比如光照变化,获取illumination-invariant特征非常困难),所以笔者认为,多传感器多信息源融合不是“让它变好”,而是“没你不行”。更明显的是,GPS在户外已经很可靠,没有理由不用它先告诉无人车的大概位置。

    ➤导航与控制

    跟踪和定位技术还是被动的感知方案,而真正意义的无人车也就是全自主驾驶而不是辅助驾驶需要无人车自己智能地来做路径规划,这里从技术层面略作探讨。

    路径规划是个范畴很大的话题,需要先做几个限定:一是地图已知,如果未知,就无“规划”可言,机器人或无人车如果完全对世界未知,那么问题实际是“SLAM+探索”;二是对无人车领域来说,一般还是2D或2.5D地图,而不是在3D地图上六个自由度运动规划(那是室内全自主无人机飞行);三是路径规划默认无人车按照规划的路径每一步执行后的pose准确,也就是说,这里刻意把定位和路径规划分开,但实际工程中这两者紧密联系,因为如果定位不准,路径规划一定会受影响。

    即使有了这几个设定,路径规划本身有多个教科书版本。这里简单谈有代表性又被广泛应用的两种。一是明确寻找最佳路径的搜索A*算法,核心理念是:如果有最好的路径便一定将其找到。如果单位路径成本(cost)不一样,最好的路径不一定是最短的。A*是搜索了所有可能后,选择了最好的,而且运用了启发式算法来决定。其数据结构实现是priority queue,不停选取“最小成本”节点来扩建路径。

    另一类是基于抽样(sampling based)的路径规划——并不知道最优路径是什么,所以从起点开始随机抽样(怎么随机很有讲究)来扩建可能的路径集。有一个很重要的因素可以加速抽样——障碍物的检测。若遇到障碍物,在其方向再扩建路径便没有意义。典型的算法是RRT (Rapidly-exploring Random Tree)。但需要注意,这种算法侧重有效率地让树往大面积没有搜索过的区域增长,实际运用中(特别是在无人车应用中),如果有了启发式算法,实时的路径规划很注重效率,需根据实际情况优化。这方面的研究包括RRT变种或两类算法的结合(如A*-RRT)。

    笔者想强调:在无人车工程实现中,路径规划一定要根据传感器情况和地图质量来做实际算法选择和调整。无论地图有多准,传感器的数据质量如何,优化永远需要在安全的前提下进行。

    结论

    高精度电子地图的信息量与质量直接决定了无人驾驶系统的安全性、可靠性,以及效率。与传统电子地图不同,高精地图更精准(厘米级),更新更快,并且包含了更多信息(语义信息)。由于这些特性,制作高精地图并不容易,需要使用多种传感器互相纠正。在初始图制作完成后,还需要进行过滤以降低数据量达到更好的实时性。在拥有了这些高精度地图信息后,无人驾驶系统就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来确认当前的精确位置,并进行实时导航。

    作者简介:

    陈辰,斯坦福大学电子工程博士,研究方向大数据挖掘、计算几何,以及机 器学习。期间主要侧重的应用方向包括基于分布式传感器数据的地图 更新与重建。目前就职于DeepMap并从事面向无人车的高清地图开发。

    刘少山,PerceptIn联合创始人。加州大学欧文分校计算机博士,研究方向智能 感知计算、系统软件、体系结构与异构计算。现在PerceptIn主要专注 于SLAM技术及其在智能硬件上的实现与优化。

     

    展开全文
  • 整个系统框架图是这样,让我再重新解释一下: 首先对系统做一些标定工作,包括三个对齐:内参标定、安装角标定、时间同步。内参标定就不多解释了,就是求焦距fx,fy、像主点cx,cy、畸变参数D。安装角是指相机相...
  • 地图行业发展至今经历了从纸质地图、电子导航地图,再到高精度地图的变迁。 纸质地图是最传统的地图,随着移动互联网的发展,这种地图在我们的生活中已经比较少见。 电子导航地图是目前大家使用最多的,无论是在...
  • 单帧重建是指车道线重建,为何选择车道线是因为车道线输出稳定,每一帧图像都有,而且车道线特征很强,语义分割技术比较成熟。首先,需要对原图进行语义分割以提取车道线,如: 然后,在语义分割基础上进行折线...
  • 在当今全球汽车、信息、通信产业围绕车辆智能化、网联化大趋势下,我国也高度重视智能网联汽车发展和应用,国务院于去年5月发布了中国制造《2025》,进一步明确了汽车低碳化、信息化、智能化发展方向,并将...
  • 高精度地图产业

    2021-03-28 22:26:58
    地图厂商 顺丰,美团,阿里巴巴,腾讯,华为等,以及各个主车厂也开始进入这一领域 数据来源: http://www.cheyun.com/content/22869 厂商和车厂合作关系 现有应用 资料来源: ......
  • 高精度地图制作流程高精度地图的制作过程分为4个步骤:地图采集点云地图制作地图标注地图保存如图1所示,接下来我们会具体分析每个步骤。图1 高精度地图制作流水线1. 地图采集地图采集是由装备有激光雷达、相机、GPS...
  • 高精度地图制作流程高精度地图的制作过程分为4个步骤:地图采集点云地图制作地图标注地图保存如图1所示,接下来我们会具体分析每个步骤。图1 高精度地图制作流水线1. 地图采集地图采集是由装备有激光雷达、相机、GPS...
  • 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,帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 ——Apollo开发者社区 1.高精度地图 ...
  • 一、高精度导航电子地图简介导航电子地图应用于车辆导航系统、手持GPS设备、电脑、手机上一种软件,主要用于行人、车辆检索POI(Point of Interest,兴趣点),搜索A地至B地路线,提供一种路径引导和地理位置...
  • 今天看了一篇武汉大学李必军教授关于自动驾驶文章,虽然是去年文章,细细品来,其对自动驾驶发展历史,自动驾驶与高精度地图,人工智能关联,以及实现自动驾驶方案探讨,深入浅出,具有科普效果及对未来...
  • 近日,国内空间大数据服务商AIRLOOK宣布获得来自GGV纪源资本领投、上轮投资人BV百度风投跟投的5000万元人民币B轮融资。本轮融资将用于核心产品稳固、服务...保障空间高精度数据低成本高效能的应用到各行各业是AIRLOO...
  • 通过高精度地图及高精度定位技术实现车辆位置实时定位,并通过大数据算法为车辆行驶提供路径规划与调度。 在一些细分领域,自动驾驶却可以率先实现落地,例如固定路线低速行驶环卫车、港口集装箱货车、封闭...
  • 不能准确传输数据,人员定位精度低,漏卡现象严重,目标区域信号不能全覆盖等问题,提出了KJ378(A)信息化系统,其能够实现对移动人员或车辆不间断精确跟踪定位,综采、掘进巷道信号可全覆盖,有可视化井下地图、区域...
  • UWB高精度定位技术原理与应用分析

    千次阅读 2020-08-28 09:29:38
    高德地图、百度地图、腾讯地图等手机地图上提供定位导航、路况查询、位置搜索等实用功能,极大方便了人们生活,这背后有赖于...本文将介绍一种厘米级的高精度IoT定位技术 – UWB高精度定位。 一、什么是UWB UWB
  • 上周在 O’Reilly 和 Intel 人工智能2018北京大会上,Uber 公司资深软件工程师焦加麟做了关于人工智能在高精度地图制作中的应用分享,并接受了 AI 科技大本营(微信公号:rgznai100)的采访。 焦加麟 2015 年加入 ...
  • 定位能力即帮助用户解决“我在哪”问题,依托百度位置大数据及多种混合定位方式,百度地图开放平台为智能穿戴、用车出行、快递物流、生活服务、社交通讯、在线旅游等百万行业开发者提供了智能定位服务,帮助开发者...
  • 步骤比较简单先上百度地图API官网,申请一个应用AK(访问凭据);查看一下进度定位API,看看是否都符合要求下面直接上代码 /** * 根据ip获取地理坐标 * @param ip * @return */ public JSONObject ...
  • 高精地图在无人驾驶中的应用

    千次阅读 2016-12-28 20:57:01
    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地图的区别,...而与传统电子地图不同,高精度电子地图的主要服
  • //文本作者: 自科部 庞学明如何通过网络位置实现高精度定位(上)-如何定位你家路由器前言:定位技术在实际中的应用,除了GPS卫星定位等大家比较熟悉的方式以外,其实还有多种方式,在这里给大家介绍两种常见的方式:...
  • 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...
  • 蜂鸟视图第三场公开...part1 一起来深度认识精细化三维地图高精度定位技术 part2 定位导航在商业、工业等场景丰富应用 part3 如何快速制作三维地图:蜂鸟地图编辑器价值与应用 联系人QQ号:3086038631 ...
  • 导读:导航、驾驶辅助、自动驾驶等技术的不断发展对地图的精细程度提出了更的要求。常规的道路级地图对于智能交通系统存在很多不足,针对自动驾驶应用的需求,我们提出了利用视觉惯导技术制作高精地图的方法。 ...
  • 稿件来源:阿里云开发者社区本文将首先介绍视觉和惯导主流设备,视觉惯导融合框架和关键技术,高德在基于视觉方式生成高精地图道路标志和地面标识要素计算方案,最后总结了这项技术在高精地图...高精度地图...

空空如也

空空如也

1 2 3 4 5 ... 16
收藏数 311
精华内容 124
关键字:

高精度地图的应用