无图NOA的灵魂！盘一盘高精地图的全流程构建

写在前面&笔者的团体了解

近几十年来，电动汽车行业教训了清楚的增长，关键关注智能驾驶技术的提高。虽然智能驾驶依然蒸蒸日上，但在可预感的未来成功全智能汽车的前景推进下，它曾经惹起了人们的极大钻研兴味。高精（HD）地图是这一同点的外围，在绘制环境图时提供厘米级的精度，并成功准确定位。与传统地图不同，这些高精的高精地图关于智能驾驶汽车的决策至关关键，确保了安保准确的导航。高精地图在测试前编制并活期降级，经过各种方法精心捕捉环境数据。这项钻研讨论了高精地图在智能驾驶中的关键作用，深化钻研了它们的创立、降级环节，以及在这个极速开展的畛域面临的应战和未来方向。

智能驾驶汽车（AV）须要高度准确的地图来导航路途和车道。惯例数字地图不适用于AVs，由于它们不足无关红绿灯和标志、交通车道、杆状物体的高度以及曲线的准确大小的消息。这些地图是专门为人类经常使用而设计的，不能用于AV定位，由于车辆自身须要了解地图并定位其相关于周围环境的位置。

虽然高精地图至关关键，但智能驾驶行业并没有惟一的规范高精地图结构。不同的公司驳回不同的架构和方法来创立高精地图，凸显了不足一致的方法。谷歌的Waymo是智能驾驶出租车的指导者，它经常使用高分辨率传感器，但详细的高精地图层还不为人所知。百度的开源Apollo平台经过一直增强其地图技术并集成激光雷达和4D毫米波雷达等先进传感器，允许准确定位、准确门路规划和实时降级，以在不同的环境中导航。

但是，咱们可以检查一些可用的体系结构，以了解行业中的经常出现做法。HERE、TomTom和BerthaDerive（Lanelet）的高精地图共享相似的三层架构，但每层的性能略有不同。图1显示了来自HERE的高精地图示例，图2显示了HERE的HD地图定位层车道数据。Lyft Level 5有一个不同的高精地图结构，有五层。这些体系结构之间的比拟如表1所示。虽然不同的公司有自己的高精地图结构，但在本文中，咱们重点关注智能驾驶系统经常使用的地图消息的关键类别：拓扑、几何、语义和灵活元素/实时降级以及基于特色的层。

高精路途地图的基本组成局部是示意路途网络的拓扑结构。在高精地图中，拓扑结构捕捉路途、车道、十字路口和其余特色的衔接形式。这种拓扑消息不只要利于高精地图自主驾驶，而且有助于基于交通速度、路途品质、交通延误和交通规定等起因启动路途优化。拓扑示意通常包括节点和边，其中节点示意交叉口、互通式立交或特定兴味点，而边示意衔接这些节点的路段。边缘通常与路途分类、速度限制和转弯限制等属性相关联。它们为门路规划和决策提供了贵重的背景。经过准确捕捉路途网络内复杂的相关和互连，高精地图的拓扑示意在成功安保高效的智能驾驶以及促成智能交通系统和车队治理等先进运行方面施展着至关关键的作用。

高精地图中特色和对象的准确示意是另一项关键义务。高精地图的几何示意是指如何在数字地图数据中捕捉和示意环境的空间特色和规划。几何特色包括路途、车道、人行道、修建物和地形的外形和位置。这些特色通经常常使用矢量数据结构来示意，矢量数据结构形容简化的几何外形，如点、线、曲线、圆和多边形。几何示意层的一个清楚示例是Lyft Level 5几何地图，该地图蕴含关于环境的高度详细的3D消息，组织起来以允许准确的计算和模拟。这种详细水平关于成功AV的准确定位、门路规划和决策至关关键。

HD地图的语义示意建设在几何和拓扑示意的基础上，为特色提供“语义”。语义示意包括各种2D和3D交通对象，如车道边界、十字路口、人行横道、停车位、停车标志、红绿灯、路途限速、车道消息和路途分类。这种语义了解关于智能驾驶至关关键，在智能驾驶中，车辆须要解围周围环境，以做出智能、安保和有序的决策。语义示意是原始几何数据与智能决策和门路规划所需的更上档次了解之间的桥梁。经过为几何特色调配语义标签和属性，它使智能驾驶汽车能够以更无心义和高低文的形式解释环境。语义示意层的清楚示例包括来自HERE的HD地图定位模型层和来自TomTom的RoadDNA层。这些层蕴含对象级语义特色，有助于经常使用对象位置和高低文消息准确估量车辆的位置。普通来说，语义示意为几何示意中定义的路途特色和对象调配语义标签和属性，为智能驾驶系统提供更丰盛、更片面的环境了解。

灵活元素是环境中容易随期间变动的特色、对象或条件。这些性能须要继续监测和降级，为智能驾驶汽车提供最新消息。行人、阻碍物和车辆等灵活元素须要降级，以便高精地图一直准确无误。HD地图的灵活元素层捕捉并示意环境的这些时变方面，这些方面关于安保高效的门路规划和决策至关关键。该层包括交通条件、施工区域、暂时路途敞开以及其余路途经常使用者（如车辆、行人和骑自行车的人）的位置和移动等特色。灵活元素的准确示意和频繁降级关于智能驾驶汽车及时预测和应答一直变动的状况至关关键。这些消息可以与高精地图的静态元素相联合，如路途几何外形和交通规定，以成功更片面、更牢靠的门路规划和决策。对灵活元素的适当治理，将在第4节中深化解释，关于规划智能驾驶汽车在灵活和复杂环境中的安保高效门路至关关键。

高精地图在很大水平上依赖于先进的基于特色的地图层来成功准确的定位和导航。这些层经常使用各种技术来识别和婚配环境中的特色，以确保准确的车辆定位。在基于特色的映射中，一种最先进的方法是视觉位置识别（VPR）。VPR的最新停顿，如SeqNet，经过学习弱小的视觉特色和驳回顺序婚配环节，提高了性能。

另一个严重停顿是经常使用3D激光雷达地图启动车辆定位。SeqPolar方法引入了偏振激光雷达图（PLM）和用于图婚配的二阶隐马尔可夫模型（HMM2），该模型提供了3D激光雷达云的繁复和结构化示意。该方法清楚提高了定位精度。

将这些技术集成到高精地图系统中，清楚提高了基于特色的地图层的准确性和牢靠性，这关于提高智能驾驶汽车的定位和导航才干至关关键，尤其是在灵活和复杂环境中。

在智能驾驶行业，除了档次结构，还应该思考格式。表2总结了关键的高精地图格式及其各自的示意。

一种经常出现的格式是Lanelet2，它源自liblanelet。它经常使用基于XML的OSM格式，并将映射组织为三层：物理层（物理元素的点和字符串）、相关层（平面元素、区域和治理元素）和拓扑层。Lanelet2专一于准确的车道级导航和交通管制。

另一种经常出现的格式是ASAM的OpenDRIVE。它经常使用XML格式来形容具备三层的路途网络：参考线（路途外形的几何图元）、车道（可行驶门路）和特色（交通讯号和标志）。OpenDRIVE强调静态地图性能和路途结构。

百度旗下的Apollo OpenDRIVE经常使用了经过修正的OpenDRIVE格式。Apollo框架是一个开源名目，由总部位于中国的百度公司开发。Apollo经常使用点，与经常使用几何图元的原始OpenDRIVE格式构成对比。

如前几节所述，高精地图须要高精度才干有效成功智能驾驶。最后，高精地图是离线生成的；但是，为了确保它们的相关性和准确性，一旦创立，就必定启动实时降级。本节将讨论生成高精地图的普通步骤。该环节包括从多个来源搜集数据、传感器融合、点云配准和特色提取。

高精地图生成环节的第一步是数据搜集。一辆装有高精度和校准良好的传感器的车辆被派去考查和搜集无关环境的片面数据。测绘车辆装备有移动测绘系统（MMS），该系统通常包括各种传感器。MMS设置中经常使用的传感器或许会依据映射所需的要求和细节而有所不同。激光雷达是MMS中罕用的传感器之一。激光雷达传感器提供环境的高度准确的3D点云数据。除了激光雷达，相机还用于捕捉周围环境的高分辨率图像。这些高分辨率图像提供了无关路途标线、交通标志和其余特色的附加消息。环球导航卫星系统（GNSS）是MMS中的另一种经常出现传感器。环球导航卫星系统接纳器能够同时接纳来自多个卫星星座的信号，这提高了精度和精度。GNSS传感器通常与惯性测量单元（IMU）传感器耦合，以协助估量车辆的静止，包括位置、速度和方向。此外，雷达传感器可用于探测和跟踪移生物体。里程表传感器也可用于测量车轮行驶的距离。依据测绘义务的详细须要，可以装备其余传感器。上述传感器也可以独自购置并性能用于启动数据搜集。但是，这种方法或许并不繁难，而且也是一项耗时的义务。装备激光雷达、环球导航卫星系统、IMU和相机的MMS如图3所示。

通常，有三种关键方法用于搜集高精地图的数据。表3对这些方法启动了比拟。第一个触及从地下的数据集中失掉数据；但是，关于智能驾驶来说，这些并没有那么多。毫无疑问，钻研人员可以应用少数数据集，如Level5 Lyft数据集、KITTI数据集、nuScenes数据集和Argovere数据集。这些开源数据集蕴含预先标志的交通数据、3D点云、图像和其余传感器数据，便于试验和地图生成。第二种方法首先蕴含数据搜集。钻研人员在关注高精地图中的特定区域或特色时，或许会选用这种方法，虽然由此发生的数据集往往在天文上遭到限制。最后，将众包紧急状况作为强有力的第三种选用。该方法应用少量工具的奉献，发生笼罩宽泛畛域的固定和各种数据集。此外，众包数据的群体性质涵盖了宽泛的场景，为AV或许遇到的应战提供了贵重的见地。例如，最近的钻研提出了一种众包框架，用于继续降级高精地图的点云地图（PCM），集成激光雷达和车辆通讯技术，实时检测和整合环境变动。

传感器融合经过组合来自多个传感器的数据来创立牢靠准确的高精地图，在高精地图生成中施展着关键作用。传感器融合集成了来自多个传感器的数据，如激光雷达、相机、IMU、GPS和雷达，以捕捉环境的各个方面。它应用来自各种传感形式的数据来最大限制地缩小检测的不确定性，并处置独立运转的单个传感器的局限性。表4基于智能驾驶中要思考的各种起因，对激光雷达、摄像头和雷达传感器启动了比拟。

集成多个传感器以提供冗余并成功更准确的高精地图须要细心校准传感器。宽泛用于智能驾驶的传感器组合基于激光雷达、摄像头和雷达。虽然存在其余传感器集成，但更宽泛钻研的组合是这三种传感器。这些宽泛经常使用的传感器组合是激光雷达-相机-雷达、激光雷达-相机和相机-雷达。

激光雷达和相机传感器的融合发生了高分辨率的图像和更高的测距精度。激光雷达-相机融合已被证实比独自经常使用这些传感器体现出更好的性能。用于耦合这两个传感器的一种方法是未来自激光雷达的点云数据投影到从相机传感器取得的图像上。另一种成功激光雷达-相机融合的方法是将相机传感器的2D检测构建到激光雷达点云数据中，如FrustrumNet所示。如图4所示，FrustrumNet的架构触及将相机的2D对象检测投影到激光雷达点云中的3D FrustrumNet候选者中。这种互补传感器数据的融合应用了两种形式的长处，增强了智能驾驶运行中感知的持重性和准确性。

如LRVFNet中所述，经常使用激光雷达-相机-雷达融合触及经常使用基于深度多尺度留意力的架构从各种传感器模态（激光雷达、毫米波雷达和视觉传感器）生成不同的特色。这种融合方法有效地集成了来自这些模态的互补消息，以提高指标检测的准确性和鲁棒性。相似地，CLR-BNN中经常使用的融合机制经常使用贝叶斯神经网络来融合来自三个传感器的数据。这种方法提高了检测精度，并缩小了各种驾驶状况下的不确定性。图5展现了CLR-BNN的初级体系结构。

相机-雷达传感器的集成为AVs提供了清楚的长处，由于它联合了来自相机的高分辨率视觉数据，捕捉复杂的环境细节，如色彩、纹理和外形，以及雷达传感器的远程检测才干，即使在具备应战性的天气条件和低能见度的状况下也能牢靠地上班。图6所示的CameraRadarFusionNet（CRF-Net）经过在网络层内集成相机数据和稠密雷达数据来增强2D对象检测网络，这自主选择了最佳融合水平，在各种数据集上优于纯图像网络。

传感器融合经过早期、中期或前期融合战略集成来自各种传感器的数据。当集成出现时，这些方法会有所不同：在处置之前（早期）、在特色级别（中期）或在决策级别（前期）。图7显示了这三种融合战略的基本上班原理。

用于成功传感器融合战略的最宽泛驳回的算法包括用于相机数据的对象检测技术，如YOLO和SSD，以及用于处置来自激光雷达或雷达传感器的点云数据的3D对象检测方法，如VoxelNet和PointNet。

在高精地图生成技术中，本节专门引见地图生成环节中经常使用的算法节拍。本节重点引见用于处置传感器数据和构建环境高精地图的方法和技术。

点云配准方法

算法在将原始传感器数据转换为无心义的地图示意方面施展着关键作用。在数据搜集之后，十分弱小的算法关于生成高精地图至关关键。口头称为点云配准的环节，以对齐从数据搜集阶段取得的几个堆叠和非堆叠的点云数据。从不同传感器搜集的点云数据须要对齐，以取得环境的片面地图。须要启动的对准或许不必定来自不同的传感器。这象征着咱们可以从同一传感器取得不同期间的点云数据，也可以从不同的角度取得数据。因此，该条件还须要点云配准来对齐所失掉的点云。

通常，有四种技术用于口头点云配准：基于优化的方法、基于概率的方法、以特色为基础的方法和深度学习技术。表5对这些方法启动了比拟和对比。

虽然用于点云配准的算法曾经取得了严重停顿，但仍存在一些应战和局限性，阻碍了这些技术的宽泛驳回。最突出的应战如下：

在点云配准环节之后，特色提取成为生成消息丰盛、高品质的高精地图的关键组成局部，以便在各种环境中牢靠经常使用。特色提取包括从传感器数据中识别和提取相关特色，以创立环境的详细示意。特色是指从传感器数据中提取并用于创立周围环境的详细示意的环境的不同元素。这些特色为导航、车辆定位以及AV和系统中的各种其余运行提供了有价值的消息。高精地图中的一些经常出现特色包括路途和车道标志、路途网络、交通标志、地标和杆状物体。传统上，特色提取是手动成功的，由人工操作员识别和注释传感器数据中感兴味的特色。这一环节不具备老本效益，而且是一项耗时的义务。最近，机器学习方法，特意是深度学习技术，已被用于从点云数据中智能提取特色。

曾经提出了几种深度学习方法来提取特定特色，例如车道标线。LMPNet基于特色金字塔网络（FPN）提出了一种提取图像中车道标志的方法，而后依据位置数据将图像从透视空间投影到三维空间中。其中EL-GAN经常使用生成反向网络（GANs）启动特色提取。DAGMapper经常使用有向无环图形模型（DAG）内的推理，集成深度神经网络以取得条件概率，并经常使用贪心算法启动图形估量。图9显示了路途网络提取方法。

要确保AV导航准确牢靠，须要活期降级高精地图。随着AV在各种环境中导航，路途基础设备的修正、交通形式的变动以及路途敞开、修建工地和意外等灵活事情等变动是无法防止的。活期降级高精地图关于反映这些变动并允许安保高效的导航战略至关关键。

此外，频繁的地图降级在提高路途规划才干的品质方面施展着至关关键的作用。经过整合无关路途状况、交通形式和潜在终止的最新消息，AV可以灵活调整其方案路途，从而对灵活事情做出及时照应。这种顺应性不只优化了导航效率，而且经过思考环境的实时变动，有助于提高安保性。因此，经过活期降级来保养最新的高精地图是智能驾驶汽车运营的一个关键方面，确保导航系统能够取得最准确和最新的消息，从而成功知情决策和无缝顺应一直变动的路途网络条件。

Real-Time> 来源： 智能驾驶