Topic: 高德谷小丰：高精地图是自动驾驶的必由之路 未来汽车大讲堂 (Read 117 times)

原标题：高德谷小丰：高精地图是自动驾驶的必由之路  未来汽车大讲堂

雷锋网新智驾按：从6月开始，新智驾联合雷锋网· AI慕课学院、网易云课堂企业版举办了智能驾驶系列讲座，邀请业界、学界顶尖专家一起分享关于自动驾驶现在与未来的多样见解。6月21日，“未来汽车大讲堂”邀请到来自高德地图的谷小丰为学员讲解了主题为《高精地图：自动驾驶的必由之路？》的课程。新智驾对课程内容进行了整理，并做了不改变原意的调整。
嘉宾介绍

谷小丰，高德高精地图团队负责人。具有10年的地图数据产品经验，2.5年量产高精地图数据经验。带领高德高精地图团队获得亚太地区第一个高精地图商业订单，并建设了完整的高精地图生产线。
前言
高德在2014年便开始了高精地图的研发，当年11月，这家公司还拿下了全球第二个高精地图商业化订单。有了订单的驱动，高德在高精地图上的步伐走得很快，从深度学习技术的使用到量产生产线的建设，进展不断加快。将近3年时间过去，高德在高精地图方面积累的数据量也非常可观。
和高德地图的整体策略一样，高德高精地图也是要为产业“赋能”，具体点说，就是要为自动驾驶提供地图支持。在大家大谈特谈自动驾驶的时候，高德默默耕耘高精地图，打造一条通往自动驾驶的必由之路。
本期，讲师谷小丰将会着重介绍什么是高精地图、高精地图与自动驾驶的关系、高精地图是如何打造的、高精地图开发中存在的挑战和思考。当然，还会提及高德在这方面的实践。
一、什么是高精地图？
在讲什么是高精地图之前，先来了解一下高精地图与自动驾驶的关系。
业界大多数企业都将自动驾驶实现的时间节点定在了2020年，当然，很多厂商仍在不断将这个时间往后延。根据目前相关的新闻报道看，可以发现的一个问题是同一家厂商内部对于自动驾驶的实现时间都存在一些矛盾，当然这完全可以理解，毕竟自动驾驶是比较新的技术，所以变数很多。
根据SAE（美国汽车工程师协会）的划分，自动驾驶级别分为5级，也就是L1-L5。到达L3的话，车辆就可以在高度公路上实现比较全面的自动驾驶。

从这个级别来看，业内的共识是，从L3往上，便需要高精地图的支持，而在L3以下的辅助驾驶阶段，对于高精地图没有刚需。比如市场上一些已经具备自动驾驶功能的车型都是依靠摄像头、毫米波雷达等传感器实现自动巡航和自动跟车这样的功能。
1、定义
回到高精地图本身，这个名称的提法本身就不是很严谨。比如说，大家在提导航地图的时候，你很难说它就是“低精地图”。

其实，高精地图是从国外引进的一个名词，最早的提法是HD Map，英文直译过来就是高分辨率地图（High Definition Map）。
还有人将这种类型的地图命名为HAD Map，直译过来就是高度自动驾驶地图（Highly Automated Driving Map）。其实这个名称也不是很准确，因为很难说高度自动驾驶是从L3开始的还是从L4开始的。
还存在一种德文的命名：Hoch Genaue Karte，意为高可信度地图。
命名就有这么多，可以想见业内人士在提高精地图的时候实际上也不是一个概念，所以需要来定义一下到底什么是高精地图。在谷小丰看来，高精地图其实最准确的叫法应该是“自动驾驶专题图”。
2、内容构成

换句话说，高精地图其实是提供了一个自动驾驶环境的模型。也就是说，车辆要想顺利进行自动驾驶，必须对其周边的环境进行构建，该环境中，包含了：
移动物体：行人、车辆；
互联设施：V2V、V2X等通信设施；
高精动态驾驶环境：是否拥堵、哪里在施工、哪里有事故、哪里有交通管制、哪里有雨雪等；
最底层的静态高精地图，也是目前阶段图商重点工作的层面。
在静态高精地图中，包含了车道模型、道路部件、道路属性和其他的定位图层：
车道模型主要是引导车辆从A地开到B地，包含路面的结构是如何的；
道路部件则是路上的各种物体，包括标志标牌、路面标志、龙门架、桥之类；
道路属性则包括某个地点GPS信号消失，那么需要把这些特殊的点标注出来。
现在的高精地图是矢量地图，以上的每一个大分类下又有许许多多小的内容。

在车道模型中，也有很多重要的细节信息需要体现在高精地图中，包括车道中心线、车道线、车道变化属性点以及道路分离点和车道分离点。
比如在车道变化属性点，车辆可以通过传感器探测到相关信息，然后再对比地图，便可清晰地知道自身处在什么样的位置。而且在路径规划的时候，车辆也知道在哪个位置进行并线是合理的。此外，为了方便计算道路连接关系，还会将道路分成多个组（Sections）。

车道模型还包含车道连接关系，也就是说车辆要去往一个目的地，需要经过哪几个车道的转换才能到达。
高精地图中还有一些比较特殊的数学属性，包括道路的曲率、航向、坡度以及横坡。这几个属性可以指导车辆以什么样的速度和角度进行转向而不至于出现事故。这也是高精地图重要的构成部分。

此外，还有很多的道路部件（Object）是用于定位的。

车辆在定位时一个基本的方案是用车端的传感器识别各种物体，然后将这些物体与地图上记录的物体进行对比，一对比之后车辆就知道自身处在什么位置。当然还有一些特殊的地物如斑马线、停止线、红绿灯等，控制着不同的路口和不同的方向，那么在数据中，我们就需要把这些关联关系表达进去，让自动驾驶汽车在这些地方可以顺利做出决策。
当然，有了自动驾驶以后，导航地图依然会存在，但可能会变得比今天更简单一些。比如用户乘坐一辆自动驾驶汽车去往某个目的地，那么导航会规划一条行车路径交给自动驾驶系统，自动驾驶系统会依靠高精地图再规划出一条更为精细的路线图，实现从A地到B地。其中包括在哪个地方需要并线，在哪个地方需要出匝道。

所以，在导航地图和高精地图之间会建议起一个连接关系，可以让导航系统和自动驾驶系统协同工作。
3、高精地图的形态、部件和业界进度
高精地图诞生初期，有一个业内非常重要的组织叫做NDS协会，一直在定义导航地图，制定相关的国际标准，可以为车厂节省成本，图商的适配成本也会更低，竞争将更充分。大概从2011年左右开始，NDS协会也开始定义高精地图、自动驾驶地图。在NDS的定义中，高精地图更多还是矢量地图的形态。
随着传感器的更广泛使用以及成本越来越低越来越低，对不同传感器也产生了不同高精定位的图层；同时随着很多新技术的产生，比如深度学习，自动驾驶地图也变得越来越多样化。
这里面最传统的当然是Google了，其在自动驾驶技术方面的地位无疑是领先的。但是这家公司向外界公布的信息很少，Google无人车前领导者Chris Urmson在2011年的一场公开演讲中展示的视频透露了其在自动驾驶地图方面的局部细节。

可以看到，Google把路侧的一些静态物体用黑框标了出来，对人则是用一些蓝色的框进行标示，而对于移动的车辆，则用紫色的框进行标示，而中间部分橙色的圈状线则是多线激光雷达扫描得出的结果。以前它用的是Velodyne的64线激光雷达，后来自己打造了成本更低的激光雷达。
所以Google的自动驾驶地图中车道模型也是存在的，其中的车道线、人行道都做了标示。Google应该是对多种形式的自动驾驶地图都有尝试，甚至是融合不同的解决方案。不仅仅在用激光雷达的占位图或反射率图，同时也使用矢量数据。
作为NDS成员，HERE地图也是高精地图的制作厂商，这家公司创建的高精地图上叠加了彩色点云，车道线则是矢量的数据，其中包括车道线、中心线、边线都非常精细。高德和HERE类似，也是在后方物体上叠加了激光点云，区别在于高德的是单色点云。

还有一种更为激进的，那就是Mobileye的REM，也即“路书”（Roadbook）。CES 2016上，Mobileye就说其可以通过摄像头传感器生成路书，让车辆直接用路书去做自动驾驶。去年11月，Mobileye宣布和HERE地图达成合作，个中原因谷小丰猜测是今天的自动驾驶地图还不能以一种全自动的方式去生成，仍然需要大量的人工工作（测绘公司的工作人员进行系统的测绘），而且摄像头本身也是有不少缺陷，比如很容易被遮挡，一次采集的测绘方式难以达到很高的精度。

在Mobileye的REM地图中，有道路边缘线、车道中心线、车道边缘线以及静态物体的标示（上图中各种颜色的表现和圆点）。
除了矢量高精地图，还有格网化定位图，包括占位图、反射率图以及DEM（Digital Elevation Model）图。

DEM图可以通过传感器的观测到周边环境再和原始数据进行对比而形成的，不考虑反射率，只考虑高度值。
反射率图的原理在于：激光雷达不断扫描周边的物体会产生反射率，因为不同的物体会有不一样的反射率、反射率差别其实是有一定的层次的，所以可以用于高精地图的绘制。通过不断扫描周边的环境产生反射率的差别，车辆就能知道自己具体处在一个什么位置。
占位图很简单，首先要找到地平面在哪里，如果某地的高度出现变化，那么就用网格占住一个位置，通过不断的占位，就能看出周边的环境是如何的。
格网化定位图的代表有欧洲的全球地图供应商Tomtom。前两年，这家公司发布了RoadDNA，该产品也包含了车道模型，但其并不使用路侧的矢量Object定位。因为路侧的矢量Object是有可分类要求的，但是经常会有这种情况：路侧的一堆灌木今天还在，过一段时间它就消失了，所以这种方式不太可靠。

Tomtom的方案不会去分辨路侧具体是什么物体，而是把它们当成一种纹理。在使用激光雷达进行采集的时候，会得出这些物体与车之间的距离，再把值对应到一条参考线（比如左翼车道的边线）上去，从参考线开始算（一直到它看到路侧的障碍物），算出一个值来。相当于将采到的激光点云向两侧做正射，每一个灰度值就代表了当前参考线到物体的距离。
事实上，在一些地物比较稀疏的地方，这种方式有一定的优势。但是这种形态的地图还是需要等激光雷达的成本下降。目前，博世有一种基于毫米波雷达的解决方案，因为毫米波价格可控、稳定性高，在很多车上已经在使用，这种方式相较于激光雷达方案有望更早投入到应用中。也因此，高德和博世也建立了合作关系。
高德采用的定位方案被称为“道路指纹”，在2015年就已经开发出来了。我们开发这个的目的是想探索到底有多少种可能去做高精定位。

这个方案是基于摄像头的，用摄像头看到地面以后，我们把看到的图像做一个正射，正射完就得到一个纹理，将纹理预存下来，等到车辆再次去到这个位置的时候，只要其用的是同样的算法、同样装载着预存下来的图，经过对比以后，也能很精确的知晓自身车道级的位置。
4、高精地图与导航地图的差别
从内容和形态上开，高精地图和导航地图存在着很大的差别，具体表现在以下的多个方面。

很多人会问高精地图的容量会不会特别大，以我们的认识来看，其容量并不会变大，反而要小于导航地图。
从道路的模型来讲，导航地图只有一根线，到高精地图的时候，它就变成车道级别的了，几何形状听上去似乎是变大了，实际上在导航地图里有大量的POI、名称、背景和水系，按照NDS的规定，航空影像和卫星影像都集成到了导航地图里。所以，单从纯矢量部分来看，高精地图的体积也比导航地图的体积小很多。
二、高精地图与自动驾驶
谈到高精地图对自动驾驶的作用，可以先对比自动驾驶和人类驾驶的流程的相通性。
人的眼睛、耳朵其实就是自动驾驶汽车的感知系统要取代的；而高精定位方面，人可以通过观察和记忆，而自动驾驶汽车只能通过高精地图以及其创建的环境模型；而到了决策一步，人是通过自己的思考和判断来达成，而自动驾驶汽车则可以通过人工智能实现车道级的路径规划，这一方面其实高精地图也要发挥作用；当然，最后一步的控制，人是通过运动神经来操控，而自动驾驶汽车则需要自动化控制的系统来完成，在这一环节，自动驾驶汽车需要决定自身以什么速度穿越某些路段，而且还要保证安全。

通过以上的分析，高精地图对于自动驾驶的作用也就非常清晰了。

最重要的当然是高精定位，然后是环境感知辅助（比如把道路上的红绿灯位置做进高精地图中），当然行车路径规划则牵涉到自动驾驶汽车的规划和决策。此外，在云服务方面，很多时候有一些超视距的路况需要通过云服务来告知自动驾驶汽车，这其实也是可以通过高精地图来发挥作用。
1、高精定位方法
具体到高精定位的方法上，其实是将自动驾驶汽车的环境感知结果形成的矢量数据与高精地图进行对比，得到车辆在高精地图中的精确位置。实现高精定位是自动驾驶汽车路径规划的前提条件。

一类是基于矢量Object的定位：


一类是基于高德道路纹理的定位：

上图右侧画面中的红线是用RT3002+GNSS定出来的轨迹，与车辆行驶的绿色轨迹存在的差别还是非常大的。
一类是基于千寻RTK级绝对定位:

绝对定位会有一个问题，一旦车辆进入隧道或者有遮挡的位置，高精定位就会受到影响。
2、路径规划
而在决策规划方面，高精地图主要还是解决了自动驾驶汽车的路径规划问题。车辆知晓自己在高精地图中的位置后，通过高精地图的车道级拓扑关系，可以计算出车道级导航路径，车道级导航路径则可以为自动驾驶汽车避障和后续车辆控制（加速、减速、方向盘控制）提供输入。

其实提及路径规划，有导航地图可以提供道路级的路径规划，有自动驾驶系统可以提供避障，而高精地图则专注在车道级的路径规划上。
高德还与戴姆勒合作，使用基于千寻的绝对定位完成了道路安全应用测试，主要针对施工区域的精准定位和预警。
三、如何生产高精度地图
1、采集
数据采集需要依靠采集车，采集的设备有几个比较核心的部件，包括激光雷达、IMU（惯导系统）、GNSS以及相机。

2015年初，高德从国外引进了一套成熟的激光扫描设备，这个设备上有两个单线的激光雷达、6个摄像头（工业相机）以及一个GNSS天线，还有IMU。激光雷达采用的是奥地利厂商的产品，可以扫面三个面，基本上不会漏扫。
2、生产流程
第一步肯定是外出作业（简称“外业”），也就是使用采集设备对外部环境、道路的数据进行采集。采集设备中IMU（惯导系统）的作用也是非常重要的，它可以告诉你车辆、设备当前的姿态。所有的部件都向IMU标定，当车辆向左晃的时候，所有设备向左晃；当车辆向右晃的时候，所有设备也向右晃。数据拿回来以后，通过IMU的解算，就能把每一个设备采到的东西很准确地对应到激光点云上去。

外业采回来的数据输出的结果包含高精轨迹、点云、图像。点云采回来以后，会做全自动的识别，这个过程采用了深度学习的技术。经过全自动的识别之后，还会有人工的检查，之后是交互式的识别手段，再做一些查缺补漏的工作。
识别工作和编辑工作做完以后，就会进入到检查环节。检查环节中有工具检查、人工检查，最后还会有路测。路测有两部分内容：实车路测和精度测试，精度测试我们会拿着全栈仪、钢尺、RTK设备去实地打点，去测量物体的大小、形状、距离等，拿回来再跟地图进行比较，用这种方法来判断地图的精度。

全自动的识别有重要的意义，因为高精地图主要的数据源是激光点云，体积非常大，处理难度大。自动识别让生产效率大幅度提升，否则高精地图的成本也非常高，而这个成本最终会转移到用户身上。而且自动识别是机器识别，表现更加稳定。
有意思的一点是，大家经常会提自动识别的识别率问题。实际上，对于地图生产厂商来讲，更重要的是识别的准确度和可靠度。就算可以做到90%的识别率，但如果不能确信这些识别出来的物体准确无误，意义并不大。

而车道线的识别其实也是类似，车道线的识别占整个地图生产量的70%左右，所以在高德生产高精地图的第一天就用上了交互式的车道线识别。
此外，高德从2015年的8月开始，很长一段时间都在使用深度神经网络技术，现在也在将这个技术迁移到点云上来。
对于深度学习来说，数据量其实非常重要，因为但从技术本身看，谁也不比谁强多少。如果你采集了大量的数据去训练神经网络，那么这个网络就会变得越来越聪明。至今，高德已经采集了大量的数据用于神经网络的训练。
当然，还有一些特殊的地物需要人工来进行标定，高德有一个小的标定团队。这和Mobileye接近600人的标定团队相比，要小得多。

目前，基于高德通过摄像头传感器和深度神经网络训练出来的识别系统，车辆行进过程中可以对路边新增的标牌很好地识别（如上图），系统可以更新地图、重新绘制地图，下一步就是要对传感器采集到的数据进行融合。
四、高精地图的挑战
高精地图的发展本身也是有很多挑战的。作为从业者，谷小丰有几大疑问，有些他已经有答案，有些仍然困扰着他以及从业者。
1、高精地图到底长什么样？
现阶段依然取决于车辆传感器，除非真的开发出了不依赖于传感器的高精地图，无论车辆用的什么传感器都能用。未来会有什么变化，现在还未可知。
2、高精地图到底应该更新多快？

取决于车端的智能程度以及车的承受能力，没有图商能给出稳妥的答案。
3、高精地图的精度究竟有多高？
绝对精度是多少？一定要做到米级？谷小丰也给不出答案。
4、高精地图的更新手段？

高德目前建立的导航地图的更新体系已经非常高效。有UGC、来自政府的数据、来自行业的数据、自身强大的众包队伍以及专业的采集队伍。现在的更新已经是组合的形式，并且大量使用云计算、大数据去做数据更新的体系。
这套体系在自动驾驶阶段会变得更强，图商需要去加强建设这样的体系，但是对于整个社会来说，还是需要一个终极的更新方案。
谷小丰认为，在自动驾驶阶段，高精地图更新的终极方案应该是UGC。
因为在车端装配着各种各样的传感器，能探测到数据，也会越来越多地装配高精地图，能知道在现场到底什么东西发生了变化，把这些变化传至云端，可做融合计算、校正。若有必要，可以交由生产线进行实地的采集。经过数据的不断循环，高精地图会变得越来越新、精度越来越高。
当然，这套系统也需要车厂不断去测试，仅有图商自己测是远远不够的。
5、测绘政策的挑战
对于图商来说，制作高精地图的一个绕不开的挑战就是测绘政策。
大家都知道，中国的地图是偏转后的地图，对地图本身的偏转就我们测试来看是没什么太大影响的。这一块基本上可以PASS掉。
要使用偏转地图，在车端就需要有偏转插件，偏转插件在传统地图上会有随机抖动。据高德观察，这个抖动的幅度最大可达1.7米。如果厂商的定位非常依赖于绝对定位，那么地图偏转的影响将会非常大。高德正在致力于减少偏转插件的抖动。
此外，从导航地图到高精地图，内容和形态已经发生了很大的变化。以往，对于导航地图进行审查时，相关部门关注的是边界、敏感岛屿以及敏感的POI等等。而到了自动驾驶地图上，这些内容都将消失，那么审图的时候到底审些什么？
比如，在现行的法规中，道路的最大和最小曲率不能在地图中表达。而这些内容往往是自动驾驶汽车非常需要的，那么，审图的时候，这些内容要怎么处理？
还有一个更远的问题，那就是“全民测绘”。现在的汽车、手机其实某种程度上都有测绘的行为，记录轨迹、拍摄照片等等，这些操作都是牵涉到测绘政策问题。所以需要测绘局规范政策，找到最终落脚点。
五、高德的实践
从整体产业来讲，自动驾驶行业有比较高的复杂性，需要产业协作。高德作为图商，承袭了阿里一贯的风格，更多地还是要为行业赋能。
高德在2014年8月份之前，就已经在预研高精地图，持续时间大约在一年左右。

2014年8月，高德从测绘局获得了许可，可以测试真实坐标的高精地图，不过那个时候还是针对地图本身测试为主，并没有和车厂进行实车测试，主要是相关政策环境的问题。也在这个时期，高德还完成了OpenDrive格式的高精地图的编译，至今已经有3年的时间，这个格式也是大家用在仿真、自动驾驶测试方面的常用格式。

2014年11月，高德高精地图获得第一个商业订单，也是全球范围内的第二个商业订单，第一个订单出现在北美，而第三个订单目前还没有出现。
2015年2月，高德建立起了高精地图量产的生产线，包括购进外业用的激光雷达采集设备。
2015年8月，随着采集的数据越来越多，也意识到深度学习技术的重要性，从那时起，高德开始将深度学习用于高精地图的生产。这个时候也开始在做道路指纹定位方案。
2015年10月，高德首次完成了高精地图NDS格式的编译。
2016年9月，高德完成了28万公里高速公路的采集，也做出了基于深度学习的相机的Demo方案。
2016年12月，高德的高精地图生产线通过了TS16949的认证。这个时候还将深度学习技术用在识别激光点云上，雏形搭建起来，逐步用在生产线上。
2017年2月份，高德对其首个自动驾驶用偏转插件进行测试，目前正在和测绘局调试该插件。
2017年4月份，高德与博世和英伟达展开合作，关注的是定位图层和数据更新。
高德定位自己是一个从生产到服务去持续赋能自动驾驶的企业，因为现在很多车厂其实不是很清楚如何去用高精地图。

为了解决这样的问题，在高精地图上，高德除了提供矢量数据之外，还提供一些用于测试的应用（比如感知、定位以及车道级路径规划），通过这些应用，高德希望在云端构建一套高精地图的服务。
高精地图技术复杂，充满着各种不确定性，而且也是一种新商业模式，又不可避免要面临新的法律法规的约束，所以高精地图必须要全产业合作才能实现，自动驾驶更是如此。


重磅预告：本系列讲座的第三期，我们邀请了地平线机器人技术商务总监李星宇来聊了聊自动驾驶商业