为您推荐:
精华内容
最热下载
问答
  • 5星
    842KB weixin_38037403 2021-08-26 17:48:03
  • 5星
    4.68MB Mrcomj 2021-06-07 19:41:12
  • 5星
    4.33MB GZXGYZ 2021-04-17 09:07:00
  • 5星
    807KB weixin_39199083 2021-08-03 12:44:42
  • 5星
    12.63MB qq_41113628 2021-03-31 21:33:42
  • 5星
    563.82MB samLi0620 2021-08-16 10:36:46
  • 5星
    281.62MB Roger_717 2021-03-26 15:01:57
  • 5星
    11KB weixin_42696333 2021-09-10 17:46:01
  • 5星
    110.25MB cc605523 2021-08-09 15:01:30
  • 5星
    389KB qq_44625365 2021-08-23 17:20:14
  • 3.05MB lulu_god 2019-10-11 23:59:06
  • 这样叠合wifi信号的强度就可以用来进一步修正后续请求的定位结果,这样就会形成一个正反馈的循环,使用高德的人越多,wifi数据就越丰富,这样辅助定位的精度就会越。 网络定位的数据闭环 另外一点值得一...

    我相信大部分测绘地理信息人对完成互联网改造之后的高德都充满了好奇,在业务上毫无疑问他们需要满足更多的流量,更快的迭代,更智能的服务,那蜕变后的高德是如何用互联网的思维去为大众做更好的空间位置服务呢?(来自云栖大会高德技术专场)

    1.视觉连接

    空间数据的价值在于可以将人和真实世界进行连接,而传统测绘主要还是依靠人进行空间数据的实地采集和内业成图,无论从哪个角度来说,都是个劳动力密集型的行业,从我们国家的测绘体系上来说有测绘司、测绘局、测绘院、测绘中心、测绘站,也正是依靠这个庞大的体制才能保证国家对于空间数据的实时需求,对比一下可想而知高德在数据上的压力有多大,完全依靠人力肯定是不行的,这样成本太高,那如何破解这个难题呢?答案是“机器视觉”。

    目前图像采集已经变成当下测绘的一种常用的手段,也是地图数据的一个主要来源,通过使用机器视觉的方法可以从这些海量的图像中自动化获取结构化的路牌和POI信息用于地图制作,但是机器的自动识别又无法做到100%正确,这就需要人工对结果进行进一步修正,最后制作成为标准的地图服务。

    高德的“一流技术”

    高德地图制作流程

    高德的“一流技术”

    路牌识别

    高德的“一流技术”

    POI挂牌识别

    高德的“一流技术”

    POI版面解析

    对于传统的POI、地名地址采集,我们依然使用的是人工的普查,这个成本很高也无法满足快速更新的要求,同时数据的质量也不高,对于地名或者实体数据的采集,通常使用GPS进行位置的采集,但是由于GPS数据本身的不准确性,导致根据位置点采集的数据根本无法和建筑物数据进行准确叠加,所以导致实体化的过程无法快速的自动化,而高德采用图像识别进行位置以及内容标识的检测是一个很值得借鉴的方法。

    视觉一方面可以用于进行数据提取,另外一个用处就是辅助定位和导航,“二维地图+三维路口+语音提示”三套件已经非常成熟了,但是在实际使用中对于比较复杂的路口,现有的交互方式还是不够直观,比较好的方式应该是采用AR增强的手段,一方面就是将导航信息叠加到摄像头上,这样对于使用者来说就比较直观了;另外一个方面就是通过视觉计算可以进行道路信息的检测比如周围车辆,车道信息等;如下就是他们相应的成果:

    高德的“一流技术”

    AR导航

    高德的“一流技术”

    车道分割

    但是AR导航也存在相应的难点就是导航场景一般只有单相机,这和目前无人驾驶遇到的困境是一样的,如果想达到比较好的效果就需要更昂贵设备的支持,但是只有廉价化的东西才满足普适化的需要,这是一个矛盾,但是目前无人驾驶行业也在探索廉价化的方案,我相信不久这个问题也可以得到突破;另外一点就是视觉计算也需要比较强的算力,但是目前的手机芯片还无法满足这个要求,随着NPU芯片的发展这个问题应该会慢慢得到解决。

    总的来说,AR导航并不是个很新鲜的东西,这个很多年前一些车厂解决方案的厂商就在探索这个问题,也做出了很多专有的HUD设备,效果也更好,但是这种方案需要专业设备的支持,但是如果能用一个手机就解决这个问题那肯定是极好的。

    高德的“一流技术”

    AR导航难点

    2.智能的路径规划

    路径规划是一个历久弥新的研究方向,在专业的学习中路径规划就是Dijskra算法,但是在实际的过程中对路径规划面临的现状是比较苛刻的:第一、中国有巨大的路网规模,在这么大路径中计算合适的路径,是很耗时的;第二、路网的属性信息变化很快,比如各个城市存在的分时分道路的限行信息;第三、路网实时更新,就是需要根据道路的实时交通状况来进行路径规划;那如何保证能够在很短的时间内能给出一个合适的规划路径呢?

    高德的“一流技术”

    路径规划算法

    高德采用的方法就是分区块执行路径规划,这里面的区块就是行政区划,可以是省、市、县、镇、村,分区块执行有个好处就是可以将一个复杂的问题拆分成若干个不相关的小问题,然后并行执行,然后再将分块的执行结果进行合并,其实问题分割还带来一个好处就是使得预处理成为可能,对无数的路径预处理是不现实的,但是对于局部高频的路径进行预处理是可行的,所以结合预处理最终实现路径规划的秒级响应是可行的。

    高德的“一流技术”

    路径规划算法性能改进

    3.全场景定位

    高德在进行定位方案的选型的时候就比较明确两点:第一、卫星是不精确、非可靠的;第二、只能使用手机设备就可以获得的方案就进行做定位;所以高德在选择方案的时候,选择了如下四种组合定位的方法:几何法、指纹法、推算法、识别法,其实也就是组合定位

    高德的“一流技术”

    高德全场景定位策略

    其中比较有意思的一个场景是,高德如何做到通过wifi/基站/蓝牙来增强定位的?他们自己构建了一个数据训练的闭环,就是在进行定位的时候,用户会向后台发送手机端扫描到的wifi和基站列表,这样后台通过大数据训练就会得到wifi的近似位置,这样叠合wifi信号的强度就可以用来进一步修正后续请求的定位结果,这样就会形成一个正反馈的循环,使用高德的人越多,wifi数据就越丰富,这样辅助定位的精度就会越高。

    高德的“一流技术”

    网络定位的数据闭环

    另外一点值得一说的就是,未来5G的发展会加速室内定位的发展,高频的5G信号本身是可以进行载波测距的,而5G由于本身信号传播的问题,在实际部署的时候一定会布设到室内,这样就可以采用和卫星定位一样的方法基于5G进行位置结算,因而5G会成为继蓝牙、WIFI、UWB之后的廉价和普适的解决方案。

    4.时空大数据中台

    这个时空大数据不同于政府发文的“时空大数据云平台”,高德提的时空大数据的基础在于高德积累了大量的动态数据和静态数据,动态数据就是终端收集的出行数据,而静态数据就是高德自己采集的大量的道路和POI数据。

    高德的“一流技术”

    高德时空大数据

    那如何管理时空大数据以及时空大数据可以优化哪些内容呢?在管理时空大数据方面,采用了数据仓库的建模和管理模式,分为ODS、DWD以及DWS。基于这一套分层的数据管理,每一层都会进一步对数据进行加工,比如数据收容统一标准、数据建模统一、平台管理统一、权限管理统一。通过这四步统一之后就可以实现GPS数据的清晰、修正和打分,最终得到高品质的点位和路径,这样就可以进一步的服务业务优化,即点位更新以及道路新增检测,目前POI的问题就是位置不准和存在过期问题,不准确的问题可以通过海量导航的到达点来计算,过期问题可以通过区域推演来进行推测。关于道路更新这个思路非常类似于uber使用出租车数据进行地图道路缺失的检测然后指导更新,高德的思路很类似,不再展开赘述,详情请移步我的另外一篇文章《震惊!Uber竟然用这种方法更新地图数据~》

    高德的“一流技术”

    地图挖掘方法

    高德的“一流技术”

    时空数据仓库建设

    整个分享过程还是干货满满的,在内容的高度上,用他们自己的话来说,高德的技术绝对是业内一流的。虽然都是折腾空间数据那点事,但是让我们这种长期从事行业解决方案的人感觉自己在工程上确实离一流的技术越来越远了。好在高德能够以一种非常开放的姿态将自己的研究分享出来,也让我们时刻能够了解头部企业的技术动态,反哺到行业中去。

    展开全文
    KYJL888 2019-11-01 19:31:53
  • 288KB weixin_43569398 2021-08-15 13:37:20
  • 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
    hhaowang 2021-01-18 16:48:17
  • 5星
    1.06MB jiebing2020 2021-09-20 22:47:43
  • 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
    lemianli 2018-11-19 10:47:18
  • 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
    liuwei200000 2019-01-17 11:42:06
  • bjtu12213044 2018-08-29 15:58:00
  • 8MB weixin_43013822 2019-11-07 17:50:50
  • tangf2004 2018-09-08 22:40:33
  • 1.41MB jiebing2020 2021-09-20 23:05:39
  • 846KB jiebing2020 2021-09-20 22:47:28
  • jinking01 2021-01-21 14:26:37
  • u011365716 2019-05-29 21:01:06
  • qq_18191333 2021-09-07 13:48:14
  • weixin_43891708 2021-11-16 14:16:29
  • sinat_41310868 2020-04-08 00:02:19
  • weixin_44747365 2019-06-03 14:13:47
  • embbls 2020-12-25 14:31:43
  • sinat_38792591 2020-07-20 18:24:02
  • qq_40851744 2020-07-24 17:06:52
  • 283KB leavemyleave 2021-10-02 18:16:35
  • 877KB supermapsupport 2020-04-10 15:13:44
  • qq_45577461 2020-07-15 19:09:17
  • qq_45577461 2020-07-28 15:57:40
  • 896KB leavemyleave 2021-10-17 04:28:48
  • amap_tech 2021-06-19 00:25:36
  • 1.15MB u013883025 2021-07-04 09:55:21
  • AdamShan 2020-08-01 11:17:56
  • u011365716 2019-04-30 23:13:24

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 18,794
精华内容 7,517
关键字:

高精度地图的应用