本次分享聚焦于高精地圖在自動駕駛中的應(yīng)用，主要分為以下兩部分：1. 高精地圖 High Definition Map.2. 定位 Localization

一．高精地圖 High Definition Map

★ 拓撲地圖 Topological Map / Road Graph

1.傳統(tǒng)地圖

我們先看下傳統(tǒng)地圖，這是從百度地圖里截出來的圖，從這張圖我們可以看到很多信息：

拓撲信息：我們可以看到北清路的主干道，可以看到北清路可以延伸到哪些道路上去，這些拓撲信息從人的角度來看是能夠識別出來的；

各類 POI：我們同時還能看到許多 POI 信息，包括中關(guān)村壹號-A1座，拉卡拉大廈等；

用戶是人

米級精度：精度是米級別的，這對人來說足夠了，因為人會自動判別周圍的環(huán)境，做出自己的變化。

但是這些信息對于自動駕駛的車輛來說，到底是不是必要的、準確的或者足夠的，那我們繼續(xù)往下看。

2.典型駕駛場景

這是一個典型的駕駛場景，假設(shè)我們正在駕駛的車輛是后面的白車，可以看到他的前面有輛自行車，那么對于白車來說，他可以有倆個決策：跟車或者變道。那么對于自動駕駛車輛來說, 我們作出決策的前提第一個是要知道全局的路線規(guī)劃信息，變道后是否還能夠到達終點，此外還需要知道很多具體的信息：

在哪條車道上以及當(dāng)前車道的具體位置

是否有隔壁車道，如果沒有車道你是變不過去的

是否允許變道：車道的類型，虛線實線，變道距離是否足夠長

自動駕駛車輛還不能夠像人一樣做出各種復(fù)雜的動作，這時需要有一些先驗的約束條件，這些信息的話都應(yīng)該從地圖中來。

3.HD Road Map

HD Road Graph 也就是高精地圖其中的一部分,又叫做拓撲地圖。HD Road Graph 以厘米級精度的描述道路細節(jié)，主要包含：車道類型、車道連通性、交通標注/交通燈、人行橫道、道路幾何特征、其他更多語義信息。大家可以看下左邊這張圖，對里面的每一條路，也就是路級別，我們已經(jīng)精細到每條車道，包括直行的車道，左轉(zhuǎn)的車道，也包括周邊的一些幾何信息，總體上你會發(fā)現(xiàn)高精地圖上的信息要比傳統(tǒng)地圖大很多。

高精地圖在自動駕駛里有很多應(yīng)用，我們先看一個應(yīng)用場景：在自動駕駛里有感知系統(tǒng)，那一個典型的應(yīng)用是我們會在地圖里面描述紅綠燈的位置，自動駕駛車輛到達路口后，可以根據(jù)當(dāng)前的位置，去正確的識別當(dāng)前的紅綠燈到底是紅色還是綠色，左邊我們可以看到是一個普通的場景，但是右邊這種特殊的場景有幾十個紅綠燈(現(xiàn)實情況基本不存在, 只是用來舉個例子)，對人來講也很難去知道在哪個路口應(yīng)該去看哪個紅綠燈，那如果我們在離線地圖上能夠把上面的信息驗證準確的話，對自動駕駛的安全性、可靠性來說是起到很大幫助的。

我們再來看下決策規(guī)劃，剛才提到的一個典型場景，你需要知道一個全局的路徑信息，包括變道所需要的必要信息，那對右邊來說，這里主要是強調(diào)綠化帶，我們這里提供的信息，前面有提到過叫做語義信息，我們?yōu)槭裁匆诘貓D里包括這些語義信息呢？如果自動駕駛車輛可以提前知道旁邊是綠化帶，那么他可以幫助自動駕駛車輛做一些先驗的決策，他可以知道在那個時間段不會有人或者車直接從對向車道穿過來。所以從準確性來講他可以得到很大的提升，對性能來說也會有很大的提升，因為你不需要過多關(guān)心對面車道的物體，很明顯你的計算就會少，你會發(fā)現(xiàn)整個先驗信息對決策來說必不可少，并且是非常關(guān)鍵的。

我們再來看下我們當(dāng)前整體用到的 Pipeline，分為以下幾個環(huán)節(jié)：

數(shù)據(jù)收集，地圖信息的采集

數(shù)據(jù)清洗/聚合

自動化識別，把地圖里所需要的必要信息處理出來，包括車道線、紅綠燈、十字路口等等各種信息

人工檢查/標注，現(xiàn)有的算法我們還做不到100%的自動抽取，所以還會加入人工檢查和標注的環(huán)節(jié)

后處理和驗證，整個數(shù)據(jù)出來之后，我們需要有后處理和驗證，因為數(shù)據(jù)出來之后怎么樣去保證你提供的信息是準確的，這是我們需要解決的問題，因為不能單靠人或者高成本的方式來驗證道路信息是否準確，假設(shè)一個紅綠燈位置標錯了，或者自動識別錯了，那可能會導(dǎo)致你在路測過程中會出現(xiàn)一些安全隱患，所以整個驗證環(huán)節(jié)占有很重要的部分

Release，整個驗證完之后，我們會進行 Data Release 數(shù)據(jù)的發(fā)布，數(shù)據(jù)會納入統(tǒng)一的管理中，每一版 release 的地圖的質(zhì)量已經(jīng)得到比較好的驗證

這是一個常規(guī)的發(fā)布流程。現(xiàn)實中整個路網(wǎng)結(jié)構(gòu)是不斷往外擴張的，且周圍環(huán)境會有變化，所以我們也會有增量的更新。

前面簡單介紹了整個 HD Road Graph 的 Pipeline，我們來看下 HD Road Graph 里面遇到的問題：

成本

厘米級別的精度：需要各類傳感器（LiDAR、cameras、GNSS/IMU），右邊是蘋果的一個地圖車，大家可以看到上面裝了很多傳感器，很明顯制造一輛高精地圖車輛的話成本非常昂貴

數(shù)據(jù)量：海量存儲資源和計算資源

覆蓋范圍：從局部區(qū)域逐步擴張，從中關(guān)村壹號附近地區(qū)，擴張到海淀區(qū)，再到北京市，甚至是半個中國，這里面的硬件成本和人力成本等，都會極劇增加

那么如何去解決成本問題？這需要我們在工作中想一些好的方式。

挑戰(zhàn)-復(fù)雜性

第二個是復(fù)雜性帶來的挑戰(zhàn)，對于我們整個 Data Model 來說會包含三部分信息：

語義信息，從右邊的圖標志牌來看，你會發(fā)現(xiàn)有很多的交通標記，如何提高準確性，并且盡可能提高覆蓋度

空間信息，右圖中的立交橋是西直門立交橋，我們會發(fā)現(xiàn)通過導(dǎo)航軟件或者老司機的經(jīng)驗都未必能夠在某一條車道上找到準確位置，對我們來說就是如何能夠把整個空間信息描述好，然后集成到地圖中去

時間信息，在北京有一些潮汐街道，早高峰和晚高峰走的方向是不一樣的；對一些公交車道在早高峰的時候只能公交車去跑，自動駕駛車輛是不能跑的，很明顯需要把這些信息包含在地圖里面

這樣的話，決策模塊和感知模塊才能去準確的使用。

挑戰(zhàn)-擴展性

自動駕駛車輛行駛 1KM 會產(chǎn)生GB級別的原始數(shù)據(jù)，處理這些數(shù)據(jù)在功能架構(gòu)上會面臨很大的挑戰(zhàn)

更新，從天級別到小時級別再到分鐘級別的更新，整個功能架構(gòu)是不一樣的，比如我需要對北京市地圖做小時級別的更新，到底能不能做到，這需要很多的優(yōu)化功能在里面

挑戰(zhàn)-實時性

交通管制、環(huán)境變化等怎么反饋到 HD Road Graph 上，如果今天某條路修路了，對于人來講我就可以直接繞過這條路，而這種信息怎么去反饋到自動駕駛里呢？是靠人去反饋，還是系統(tǒng)自動去識別，即使反饋之后，怎么實時更新到地圖數(shù)據(jù)里，我們需要打通 offline 到 online 的環(huán)節(jié)，及時更新到我們正在運行的自動駕駛車輛里去。

★3D柵格地圖 3D Grid Map

1.3D Grid Map

前面介紹了拓撲地圖的部分，下面介紹我們的3D 柵格地圖（3D Grid Map）。

定義：我們認為一個真實的三維世界可以用一個概率模型來表示。比如像今天這個會場，我們會把他離散化成一個個立體方格，對每個方格里面我們會存儲一個概率，這個概率是說這個空間不為空的概率。

輸入：收集的激光點云數(shù)據(jù)

輸出：3D 網(wǎng)格的占據(jù)概率

用途：

定位，這個稍后會講

靜態(tài)環(huán)境感知，減少工作量，專心識別動態(tài)環(huán)境

這是我們做的一個 3D 柵格地圖，他并不是一個連續(xù)的描述，從數(shù)學(xué)的角度講，已經(jīng)把他離散化，我們會保留他的一些概率值和一些屬性。展現(xiàn)出來的話，他是一個厘米級精度的柵格,從這個圖我們可以很清楚看到周圍的環(huán)境，包括一些樹、建筑之類的。

2.SLAM

那么我們一般會怎么去做高精地圖呢？在傳統(tǒng)上有一個方式叫 SLAM，如果是做這個方向的同學(xué)會比較清楚，但是對于做工程的同學(xué)來講這個概念可能是第一次接觸。他是指運動物體根據(jù)傳感器的信息，一邊計算自身位置，一邊構(gòu)建環(huán)境地圖的過程。目前，SLAM 的應(yīng)用領(lǐng)域主要有機器人、虛擬現(xiàn)實和增強現(xiàn)實。其用途包括傳感器自身的定位，以及后續(xù)的路徑規(guī)劃、場景理解。

我們來看下傳統(tǒng)和自動駕駛 SLAM 的區(qū)別：

傳統(tǒng) SLAM：

2D

視覺傳感器，單靠攝像頭，在某個空間轉(zhuǎn)來轉(zhuǎn)去，然后通過一些算法來建模

沒有 GPS 信息，很多場景在室內(nèi)的話是收集不到 GPS 信息的

生成地圖和定位同時進行

自動駕駛：

3D，他描繪的是一個三維環(huán)境

激光傳感器，我們需要達到比較高的精度，所以我們一般采用激光傳感器

GPS 信息，室外的話我們有個優(yōu)勢就是很多時候我們是有 GPS 信息的

離線處理，最后我們的數(shù)據(jù)不需要在線處理，前面介紹過，在線的話我們有一些場景算法是不能很好的處理，所以我們需要抽取一些信息來做離線的驗證

相比于傳統(tǒng) Slam，我們來看下有哪些問題是需要解決的：

全局 GPS 信息并不總是好的，左下角的圖，大家可以清楚的看到，這個是我們建出的底圖，里面有當(dāng)時車輛的一個行駛軌跡，你會發(fā)現(xiàn)如果根據(jù) GPS 的行駛軌跡的話，車已經(jīng)開到馬路牙子（路肩）上了，跟實際的情況是不一樣的，當(dāng)你拿到這樣一份數(shù)據(jù)，你在算法層需要做哪些優(yōu)化，把細節(jié)做好，這是需要我們考慮的一個問題

不同時間段的數(shù)據(jù)如何 align（校準），因為整個地圖的采集不可能是一次就完成的，你可能需要今天采集一次，明天再去采集一次，這就需要我們在算法層面上考慮如何把不同時間段的數(shù)據(jù) align 到一起

去除非靜態(tài)的物體，我們建的是一個概率的模型，對于很多非靜態(tài)的物體我們是不需要保留的，我們只需要保留一些靜態(tài)的物體給感知系統(tǒng)去使用，所以我們在處理完數(shù)據(jù)之后，需要把一些非靜態(tài)的物體去掉

3.Pose Graph

整體上我們可以認為這是一個優(yōu)化問題。如果我們把每一次采集的路線，按照時間去劃分，比如每隔4分鐘采一個點，我們可以得到不同的位置，舉個例子：我們在大廳里走來走去，我現(xiàn)在站在這里，一分鐘后我可能在那里，再繞一圈的話可能站在門口，我們把整個 GPS 得到的位置信息離散化之后，就可以得到一個個點，很明顯我們把當(dāng)時的點所看到的周圍的環(huán)境直接拼起來，就可能得到一個三維的地圖，因為每個點看到的角度都是不一樣的，那我們把不同位置的點都拼起來就可以了。但是直接拼起來會有很多問題，因為原始位置可能跟真實位置有偏差, 所以我們把這些點離散化之后，希望能夠把所有點都調(diào)整到準確的位置，那我們怎么去把最終的結(jié)果求正確？因為對整個圖來說, 除了頂點之外，還有邊，我們希望通過邊的約束把點調(diào)好，邊的約束你可以認為是個相對約束，假設(shè)我知道下個點的準確位置，那么我就可以倒推我這個點的準確位置。就是在有準確的相對位置的基礎(chǔ)上，加上一些比較少的絕對位置，我們直接可以得到一個全局的準確位置。

優(yōu)化目標：我們把整個圖離散化到一個點之后，我們會嘗試建立一些邊的約束，最終我們是希望通過優(yōu)化一些點的位置來滿足邊的約束，最終會轉(zhuǎn)化為一個優(yōu)化問題。

整體的數(shù)學(xué)模型看起來是比較簡單的，但是在整個細節(jié)里面是存在很多問題需要去做優(yōu)化的：

如何選擇頂點，比如是不是毫秒的點都要加進去，GPS 信號不好時的點要不要加進去

如何保證邊的準確性，一個頂點到另一個頂點的相對位置，我要通過什么方式去建立

如何求解非線性優(yōu)化，圖建好之后如何去做非線性的優(yōu)化

如何評估優(yōu)化效果，是否和真實的環(huán)境是一致的呢？如何評估我們的結(jié)果滿足要求

效率和資源，對于工程來講，數(shù)據(jù)量這么大，怎么去設(shè)計工程算法，能夠保證我們的效率和資源，比如說，是不是需要在算法基礎(chǔ)之上去做一些定制優(yōu)化，用 GPU 或者分布式的計算方式，這都是做工程時需要考慮的問題

上圖右邊其實是一個例子，左邊是原始的圖，有一個物體來回在球面上運動旋轉(zhuǎn)，邊與邊之間我們已經(jīng)建立相對約束，最終優(yōu)化完之后，你會發(fā)現(xiàn)整個環(huán)境的重建就變成了一個比較理想、完整的球體，概括來說我們要做的事情就是需要把左邊的圖來變成右邊的圖。

4.ICP

我們前面提到我們要保證邊的約束，那我們怎么知道求出這個約束，業(yè)界用的比較多的傳統(tǒng)的經(jīng)典算法叫做 ICP（Iterative Closest Point algorithm）迭代最近點算法。

舉個例子：左邊是一個紅色的兔子，右邊是一個藍色的兔子，現(xiàn)實中這倆個兔子的位置是一樣的，但現(xiàn)在倆個兔子是不一樣的，說明位置存在偏差。他的輸入是倆組點云 A 和 B，輸出是倆組點云之間在空間上的旋轉(zhuǎn)和平移。

具體算法的思路大致是：找點云集合 A 中的每個點在 B 中的對應(yīng)點，通過求解最佳的剛體變換，不斷的迭代優(yōu)化，最終得到一個收斂解。

5.去除非靜態(tài)障礙物體

概率模型

點云處理，單純的概率模型是不夠的，比如有時候小區(qū)門口經(jīng)常是有車的，但是在某時刻他是開走的，只是恰好在我們采集數(shù)據(jù)的時候這些車都在，所以我們需要依賴離線點云處理

機器學(xué)習(xí)，同時也可以利用機器學(xué)習(xí)算法去把非靜態(tài)的物體從地圖里面摳出來

這是一個簡單的對比圖，沒有做處理的話，你會發(fā)現(xiàn)右邊是有一些車的輪廓，當(dāng)從空間上去除之后，會變得比較清晰。

二．定位 Localization

接下來簡單介紹下定位，定位大家都比較熟悉，對于定位系統(tǒng)和傳統(tǒng)定位來說，他的位置和姿態(tài)有如下特點：

厘米級別的精度，需要精確到車在車道線的具體位置離左右邊線幾公分

高頻低延遲，需要毫秒級別的時間延遲，告訴我的車在什么地方，否則會出現(xiàn)安全事故

定位系統(tǒng)的幾種定位方式：

全球?qū)Ш叫l(wèi)星系統(tǒng) Global Navigation Satellite System

特征：

米級別精度

低頻

干擾或者遮擋

解決方法：RTK（Real - time kinematic，實時動態(tài)）載波相位差分技術(shù)，可以達到厘米級別。

相對定位：慣性測量單元 IMU（Inertial Measurement Unit）

特點：

加速度以及角速度

三個方向的加速度計和三軸的陀螺儀

高頻（通常100HZ）

累積誤差

解決方法：慣性導(dǎo)航系統(tǒng) Inertial Navigation System

點云定位

特點：

魯棒性好，不依賴于 GPS 信息

依賴于先驗地圖，那么這個地圖的準確性和實時性會導(dǎo)致一個定位誤差

弱特征環(huán)境？有些弱特征環(huán)境是需要解決的，比如說在橋上，往前開10米和往后開10米看到的場景都是類似的，對于這類環(huán)境來說，我們?nèi)绾稳フ业綔蚀_位置，這是需要考慮的一個問題

綜合來說，我們單靠單一傳感器是不夠的，所以采取的是多傳感器融合的方案，整體效果是會有更高的精度和更好的魯棒性，然后我們整體上是基于卡爾曼濾波模型。

簡單介紹下卡爾曼濾波（Kalman Filter）模型：

卡爾曼濾波是一種高效率的遞歸濾波器，它能夠從一系列的不完全及包含噪聲的測量中，估計動態(tài)系統(tǒng)的狀態(tài)。

我們把整個當(dāng)時的位置認為是高斯分布，對這個小車來說他大概在某個范圍之內(nèi)，在中間的可能性是最大的，然后我們會有個預(yù)測（預(yù)測是根據(jù)自己的運動方程），比如我往前走了10米，他大概在這個位置，你會發(fā)現(xiàn)他的誤差值會變大，因為可能是 IMU 告訴你走了10米，但是傳感器本身也是有誤差的，那同時假設(shè)我有個 GPS，告訴我可能是在藍色的部分，他也是包含一定誤差的，這樣我其實有了倆個位置，那么我就可以把倆者合在一起得到一個比較準確的可信的結(jié)果，整體可以認為卡爾曼濾波是不斷的在更新迭代的，來最終得到一個比較準確的位置。

最終我們定位系統(tǒng)的目標是萬里無憂，對我們的挑戰(zhàn)是更低成本和更苛刻的外部環(huán)境。比如右邊這個圖，大堵車，這時候可能 GPS 不行，堵車堵了幾個小時，走走停停，會導(dǎo)致累積誤差，實時訊號又不好，你可能搜不到，這樣的環(huán)境你會發(fā)現(xiàn)，他只能看到周圍的很多車，也沒辦法跟周圍的環(huán)境去做對比，知道自己在哪里，這種情況下，我們到底怎么去得到一個比較準確的定位效果，這需要我們把這些問題都解決好。