<mark id="oztn4"></mark>
0
| 本文作者： 張偉 | 2017-06-30 23:00 | 專題：來自一線的技術實踐：我們整理了一份離商業化更近的自動駕駛課程 |
雷鋒網新智駕按：從6月開始，新智駕聯合雷鋒網· AI慕課學院、網易云課堂企業版舉辦了智能駕駛系列講座，邀請業界、學界頂尖專家一起分享關于自動駕駛現在與未來的多樣見解。6月21日，“未來汽車大講堂”邀請到來自高德地圖的谷小豐為學員講解了主題為《高精地圖：自動駕駛的必由之路？》的課程。新智駕對課程內容進行了整理，并做了不改變原意的調整。
谷小豐，高德高精地圖團隊負責人。具有10年的地圖數據產品經驗，2.5年高精地圖數據量產經驗。帶領高德高精地圖團隊獲得亞太地區第一個，也是全球第二個高精地圖商業訂單，并建設完成完整的高精地圖生產線。
高德在2014年便開始了高精地圖的研發，當年11月，這家公司拿下了亞太地區第一個，也是全球第二個高精地圖商業化訂單。有了商業訂單的驅動，高德在高精地圖上的步伐走得很快，從深度學習技術的使用到量產生產線的建設，進展不斷加快。將近3年時間過去，高德在高精地圖方面積累的數據量也非常可觀。
和高德地圖的整體策略一樣，高德高精地圖也是要為產業“賦能”，具體點說，就是要為自動駕駛提供地圖支持。在大家大談特談自動駕駛的時候，高德默默耕耘高精地圖，打造一條通往自動駕駛的必由之路。
本期，講師谷小豐將會著重介紹什么是高精地圖、高精地圖與自動駕駛的關系、高精地圖是如何打造的、高精地圖開發中存在的挑戰和思考。當然，還會提及高德在這方面的實踐。
在講什么是高精地圖之前，先來了解一下高精地圖與自動駕駛的關系。
業界大多數企業都將自動駕駛實現的時間節點定在了2020年，當然，很多廠商仍在不斷將這個時間往后延。根據目前相關的新聞報道看，可以發現的一個問題是同一家廠商內部對于自動駕駛的實現時間都存在一些矛盾，當然這完全可以理解，畢竟自動駕駛是比較新的技術，所以變數很多。
根據SAE International（國際自動機工程師學會，原美國汽車工程師學會）的劃分，自動駕駛級別分為5級，也就是L1-L5。L3的應用比較典型的是高速公路上有監督的自動駕駛。
從這個級別來看，業內的共識是，L3及以上，高精地圖的支持是必選項，而在L3以下的輔助駕駛階段，對于高精地圖沒有剛需。比如市場上一些已經具備自動駕駛功能的車型都是依靠攝像頭、毫米波雷達等傳感器實現一定程度的自動巡航功能。
回到高精地圖本身，這個名稱的提法本身就不是很嚴謹。比如說，大家在提導航地圖的時候，你很難說它就是“低精地圖”。
其實，高精地圖是從國外引進的一個名詞，英文名HD Map（high definition map），直譯過來就是高分辨率地圖。
還有人將這種類型的地圖命名為HAD Map，直譯過來就是高度自動駕駛地圖（highly automated driving map）。其實這個名稱也不是很準確，因為很難說高度自動駕駛是從L3開始的還是從L4開始的。
而德文對應的名稱是：hoch genaue Karte，意為高可信度地圖。
命名就有這么多，可以想見業內人士在提高精地圖的時候實際上也不是一個概念，所以需要來定義一下到底什么是高精地圖。在谷小豐看來，高精地圖是一種用于自動駕駛的專題圖，準確的叫法應該是“自動駕駛地圖”。就像導航地圖、政區圖、地形圖一樣都是該地圖關注的某一種專題內容或專題功能。
換句話說，高精地圖其實是提供了一個自動駕駛環境的模型。也就是說，車輛要想順利進行自動駕駛，必須對其周邊的環境進行構建，該環境中，包含了：
移動物體：行人、車輛；
互聯設施：V2V、V2X等通信設施；
高精動態駕駛環境：是否擁堵、哪里在施工、哪里有事故、哪里有交通管制、哪里有雨雪等；
最底層的靜態高精地圖，也是目前階段業界工作的重點。
在靜態高精地圖中，包含了車道模型、定位對象（static objects）、道路屬性和其他的定位圖層：
車道模型主要用于引導車輛從A地開到B地，包含車道的詳細結構和連接關系；
定位對象是路面、路側及上方的各種物體，包括標志標牌、路面標志、龍門架、橋、桿、牌等等；
道路屬性則包括如導航圖關聯關系、GPS信號失鎖區域等等信息。
當前典型的高精地圖代表是矢量高精地圖，一些新的公司也稱之為語義地圖。內容大體如下：
在車道模型中，也有很多重要的細節信息需要體現在高精地圖中，包括車道中心線、車道線、車道變化屬性點以及道路分離點和車道分離點。
比如在車道變化屬性點，車輛可以通過傳感器探測到相關信息，然后再對比地圖，便可清晰地知道自身處在什么樣的位置。而且在路徑規劃的時候，車輛也知道在哪個位置進行并線是合理的。此外，為了方便計算道路連接關系，還會將道路分成多個組（Sections）。
車道模型還包含車道連接關系，也就是說車輛要去往一個目的地，需要經過哪幾個車道的轉換才能到達。
高精地圖中還有一些數學屬性，包括道路的曲率、航向、坡度以及橫坡。可以指導車輛執行轉向、加減速。
此外，高精地圖中還包含很多的定位對象（Object）用于實現車輛自定位。
自動駕駛車輛自定位的典型方案是用車端的傳感器識別各類靜態地物，然后將這些物體與地圖上記錄的物體進行比對（Map matching），比對之后車輛就得到自己在道路上的精確位置和姿態。當然還有一些特殊的地物如斑馬線、停止線、紅綠燈等，控制著不同的路口和不同的方向，那么在數據中，我們就需要把這些關聯關系表達進去，讓自動駕駛汽車在這些地方可以順利做出決策。
有了自動駕駛以后，導航地圖依然會存在，但可能會變得比今天更簡單一些。比如用戶乘坐一輛自動駕駛汽車去往某個目的地，那么導航會規劃一條行車路徑交給自動駕駛系統，自動駕駛系統會依靠高精地圖再規劃出一條更為精細的路線圖，實現從A地到B地。其中包括在哪并線，在哪需要出匝道。
所以，在導航地圖和高精地圖之間建立連接關系，可以讓導航系統和自動駕駛系統協同工作。
高精地圖誕生初期，有一個業內非常重要的組織叫做NDS協會，一直在定義導航地圖數據標準。通過統一標準降低開發難度，使車廠節約成本，同時圖商的適配成本也會更低，競爭更充分。大概從2012年左右開始，NDS協會也開始定義自動駕駛地圖。在NDS的定義中，高精地圖更多還是矢量地圖的形態。
隨著傳感器的更廣泛使用以及成本越來越低，對不同傳感器也產生了不同高精定位的圖層；同時隨著很多新技術的產生，比如深度學習，自動駕駛地圖也變得越來越多樣化。
這里面最典型的當然是Google，其自動駕駛技術無疑是非常領先的。但是Google向外界公布的信息很少，Google無人車前領導者Chris Urmson在2015年的一場公開演講中展示的視頻透露了其在自動駕駛地圖方面的局部細節。
可以看到，Google把路側的一些靜態物體用黑框標了出來，對人則是用一些藍色的框進行標示，而對于移動的車輛，則用紫色的框進行標示，而中間部分橙色的圈狀線則是多線激光鐳達產生的原始激光點云。以前它用的是Velodyne的64線激光鐳達，后來自己打造了成本更低的激光鐳達。
可以看出Google的自動駕駛地圖中車道模型是存在的，其中的車道線、人行道都做了標示。Google應該是對多種形式的自動駕駛地圖都有嘗試，甚至是融合不同的解決方案。不僅僅在用激光鐳達的占位圖或反射率圖，同時也使用矢量數據。
NDS 成員HERE和高德都提供類似的高精地圖，包含車道線、中心線、邊線都非常精細，如下圖：
更為激進的如Mobileye的REM，也即“路書”（Roadbook）。CES 2016上，Mobileye就說其可以通過攝像頭傳感器生成路書，讓車輛直接用路書去做自動駕駛。去年11月，Mobileye宣布和HERE地圖達成合作，個中原因谷小豐猜測是今天的自動駕駛地圖還不能以一種全自動的方式去生成，仍然需要參與大量的人工。而且攝像頭本身也有不少缺陷，比如很容易被遮擋，若干次采集也很難達到足夠的大范圍完備率。
在Mobileye的REM地圖中，有道路邊緣線、車道中心線、車道邊緣線以及靜態物體的標示（白底紅圈的圓點）。
除了矢量高精地圖，還有定位柵格圖，包括激光鐳達占位圖、反射率圖以及DEM（Digital Elevation Model）等。
DEM圖可以通過傳感器的觀測到周邊環境再和原始數據進行對比而形成的，不考慮反射率，只考慮高度值。
反射率圖的原理在于：激光鐳達掃描物體后得到反射率，因為不同的材質會有不一樣的反射率、可以用于預先生成定位圖層。通過掃描周邊的環境，與預制的反射率圖對比，車輛就能得到精確的自身位置。
占位圖（occupancy grid）相對簡單，首先要找到地平面在哪里，標記出高出地面的位置。
定位柵格圖的另一個典型代表是來自歐洲的圖商Tomtom。前兩年，Tomtom發布了RoadDNA，其中包含矢量車道模型，但并不使用矢量Object定位。
Tomtom的方案不分辨路側具體是什么物體，而是把它們當成一種紋理。在使用激光鐳達進行采集的時候，會得出這些物體與車之間的距離，從參考線到路側障礙物的距離正射到參考線（比如最左車道的左邊線），用灰度值代表距離生成定位用的柵格圖。在一些地物比較稀疏的地方，這種方式優勢明顯。但是這種形態的地圖還依賴激光鐳達低成本化。
博世推出了基于毫米波雷達的自定位解決方案。因為毫米波成本低、穩定性高、裝配率高，基于毫米波雷達的自定位方案有望早于激光鐳達方案投入到應用。高德和博世也建立了合作關系。
2015年高德研發了基于攝像頭的定位方案——“道路指紋”。其目的是想探索高精定位的原理和不同的方案。
把攝像頭拍攝的地面圖像做正射等處理，將得到的紋理預存下來，等車輛拍攝同一位置，用同樣的算法、生成正射圖與預存正射圖對比得到高精位置。
從內容和形態上開，高精地圖和導航地圖存在著很大的差別，具體表現在以下的多個方面。
很多人會問高精地圖的容量會不會特別大，以我們的認識來看，其容量并不會變大，反而要小于導航地圖。
從道路的模型來講，導航地圖只有一根線，到高精地圖的時候，它就變成車道級別的了，幾何形狀似乎是變多了，但是在導航地圖里有大量的POI、名稱、水系、綠地等。按照NDS的規定，航空影像和衛星影像都集成到了導航地圖里。單從純矢量部分來看，高精地圖的體積也比導航地圖的容量小很多。
談到高精地圖對自動駕駛的作用，可以對比自動駕駛和人類駕駛的流程的相通性。
人駕駛的時候以眼睛為主，耳朵輔助觀察測量環境；自動駕駛車用多種傳感器包括攝像頭、毫米波雷達、激光雷達等來構建駕駛環境。人可以通過觀察環境或用觀察的環境對比記憶完成自定位；自動駕駛汽車通過傳感器感知到的環境和高精地圖對比完成定位。人類完成駕駛決策主要依靠大腦思考和判斷；自動駕駛車通過人工智能和規則完成決策，高精地圖在其協助進行路徑規劃。最后在控制環節，人是通過小腦運動神經來操控車輛；自動駕駛汽車則需要自動化控制的系統來完成，在這一環節中高精地圖的坡度、曲率、橫坡等也發揮作用。
通過以上的分析，高精地圖對于自動駕駛的作用也就非常清晰了。
最重要的當然是高精定位，然后是環境感知輔助（比如把道路上的紅綠燈位置做進高精地圖中），當然行車路徑規劃則牽涉到自動駕駛汽車的規劃和決策。此外，在云服務方面，很多時候有一些超視距的路況需要通過云服務來告知自動駕駛汽車，這其實也是可以通過高精地圖來發揮作用。
具體到高精定位的方法上，其實是將自動駕駛汽車的環境感知結果與高精地圖進行對比，得到車輛在高精地圖中的精確位置和姿態。實現高精定位是自動駕駛汽車路徑規劃的前提條件。
一類是基于矢量Object的定位：
一類是基于各種傳感器探測到的特征和預制的feature map（特征圖）對比來定位。如高德的道路指紋：
上圖實例中可以看到右側畫面中的紅線是用GNSS+IMU定出來的軌跡，與車輛行駛的綠色軌跡相比存在較大的誤差。
另一個實例是基于千尋RTK級絕對定位:
較高的絕對定位精度除了可以提高地圖匹配的搜索效率，在傳感器被遮擋的時候也可能提供一定的備份功能。
在駕駛決策規劃方面，高精地圖主要還是解決了自動駕駛汽車的路徑規劃問題。車輛獲得自己在高精地圖中的位置后，通過高精地圖的車道級拓撲關系，可以計算出車道級導航路徑，車道級導航路徑則可以為后續自動駕駛汽車避障和后續車輛控制（加速、減速、方向盤控制）提供路徑輸入。
上圖說明了導航路徑規劃和用于自動駕駛的車道級路徑規劃，以及車輛避障之間的關系。車道級路徑規劃的依據是高精地圖，避障部分涉及大量的車輛動力參數，是車企專精的部分。
另外，高德還與戴姆勒合作，利用千尋的絕對定位服務完成了施工區域、施工人員、車輛的道路安全預警應用DEMO，在基于高精地圖的云服務方向做了探索。
數據采集需要依靠采集車，采集的設備有幾個比較核心的部件，包括激光鐳達、IMU（慣導系統）、GNSS、高精度輪速儀以及相機等。
2015年初，高德從國外引進了一套成熟的移動激光測量設備，這個設備上有兩個高頻單線激光鐳達、6個攝像頭（工業相機）以及一個GNSS天線，還有IMU。激光鐳達是來自奧地利廠商的產品，兩個360度激光掃描儀交叉掃描，大大降低了漏掃的可能。
第一步是戶外作業（簡稱“外業”），也就是使用采集設備對外部環境、道路的數據進行采集。采集設備中IMU（慣導系統）的作用也是非常重要的，它可以告訴你設備當前的姿態。所有的部件都向IMU標定，當車輛向左晃的時候，所有設備向左晃；當車輛向右晃的時候，所有設備也向右晃。數據拿回來以后，通過IMU的解算，就能把每一個設備采到的東西很準確地對應到激光點云上去。
外業采回來的數據輸出的結果包含高精軌跡、點云、圖像。點云采回來以后，會首先做全自動的識別，這個過程采用了深度學習技術。經過全自動識別后，還會有人工的檢查和交互式識別補充。
識別工作和編輯工作做完以后，就會進入到質檢環節。質檢環節通過工具檢查、人工檢查后，最后還會有路測驗證。
全自動的識別有重要的意義，因為高精地圖主要的數據源是激光點云，體積非常大，處理難度大。自動識別讓生產效率大幅度提升，否則高精地圖的成本也非常高，而這個成本最終會轉移到用戶身上。自動識別是機器識別，表現更加穩定可靠。
有意思的一點是，大家經常會提自動識別的識別率問題。實際上，對于地圖生產廠商來講，更重要的是識別的準確度和可靠度。
而車道線的識別其實也是類似，車道線的識別占整個地圖生產量的70%左右，所以在高德生產高精地圖的第一天就用上了交互式的車道線識別。
此外，高德從2015年的8月開始就在使用深度神經網絡，現在也遷移到點云識別上來。
大量高質量的訓練數據對深度神經網絡至關重要。對于深度神經網絡的技術本身沒有多大差距。如果你采集了大量的數據去訓練神經網絡，那么這個網絡就會變得越來越聰明。高精地圖和圖像、點云疊加后即可生成非常好的神經網絡訓練數據，之后補充標定一些特殊的地物即可。
目前，基于高德通過攝像頭傳感器和深度神經網絡訓練出來的識別系統，車輛行進過程中可以對路邊新增的標牌很好地識別（如上圖），系統可以更新地圖、重新繪制地圖，下一步就是要對傳感器采集到的數據進行融合。
高精地圖的發展本身也是有很多挑戰的。
現階段依然取決于車輛傳感器，除非真的開發出了不依賴于傳感器的高精地圖，無論車輛用的什么傳感器都能用。未來會有什么變化，現在還未可知。
取決于車端的智能程度以及車的承受能力，根據自動駕駛方案的不同，很可能對更新頻率的要求也不同。
絕對精度是多少？是否一定要做到亞米級？
高德目前建立的導航地圖的更新體系已經非常高效。有UGC、來自政府的數據、來自行業的數據、自身強大的眾包隊伍以及專業的采集隊伍。現在的更新已經是組合的形式，并且大量使用云計算、大數據去做數據更新的體系。
這套體系在自動駕駛階段會變得更強，圖商需要去加強建設這樣的體系。
谷小豐認為，在自動駕駛階段，高精地圖更新的終極方案應該是UGC。
因為在車端裝配著各種各樣的傳感器，也會越來越多地裝配高精地圖，通過建立駕駛模型，能知道在現場到底什么東西發生了變化，把這些變化傳至云端做融合、校正。若有必要，可以交由高精地圖生產線進行補充采集和生產。經過不斷循環這一過程，使高精地圖新鮮度越來越高、使UGC得來的高精地圖越來越精準。
當然，這樣的生態環境需要車廠、各級供應商、圖商等自動駕駛相關技術的提供者不斷共同研究測試，僅有圖商自己測是遠遠不夠的。
對于圖商來說，高精地圖的一個繞不開的挑戰就是測繪政策。
大家都知道，中國的地圖是偏轉后的地圖，對地圖本身的偏轉就我們測試來看是沒什么太大影響的。
要使用偏轉地圖，在車端就需要有偏轉插件，偏轉插件在傳統地圖上會有隨機抖動。根據有限的觀察，抖動的幅度最大可達1.7米。如果廠商的定位較多依賴于絕對定位，那么插件的偏轉可能導致車道匹配錯誤。高德正在密切配合國家地理信息局測試調整可適應自動駕駛需求的偏轉插件。
此外，從導航地圖到高精地圖，內容和形態已經發生了很大的變化。以往，對于導航地圖進行審查時，關注的是邊界、敏感島嶼以及敏感的POI等等。而到了自動駕駛地圖上，這些內容都將消失，審圖的重心也會轉移。
比如，在現行的法規中，道路的最大和最小曲率不能在地圖中表達。而這些內容往往是自動駕駛汽車非常需要的。
還有一個更遠的問題，那就是“全民測繪”。現在的汽車、手機其實某種程度上都有測繪的行為，記錄軌跡、拍攝照片等等，這些操作都是牽涉到測繪政策問題。所以需要業界同仁共同配合國家地理信息局為調整制訂政策法規提出必要的技術和業務參考。
從整體產業來講，自動駕駛行業有空前的復雜性，需要更廣泛密切的產業協作。高德作為圖商，承襲了阿里一貫的風格，更多強調為產業賦能。
高德在2014年8月份之前，就已經預研高精地圖約一年左右。
2014年8月，高德獲得測繪局許可，測試真實坐標的高精地圖。不過那個時候還是針對地圖本身測試為主，并沒有和車廠進行實車測試。也在這個時期，高德還完成了OpenDrive格式的高精地圖的編譯，至今已經3年的時間。這個格式也是大家用在仿真、自動駕駛測試方面的常用格式。
2014年11月，高德高精地圖獲得第一個商業訂單，也是全球范圍內的第二個商業訂單。第一個商業訂單出在北美，目前應該還沒有出現第三個商業訂單。
2015年2月，高德建立起了高精地圖量產的內外業生產線。
2015年8月，高德開始將深度學習用于高精地圖的生產。同時推出道路指紋高精定位方案。
2015年10月，高德完成高精地圖NDS格式的編譯。
2016年9月，高德完成了28萬公里高速公路的采集，也做出了基于單目相機和深度學習技術的高精地圖采集Demo。
2016年12月，高德的高精地圖生產線通過了TS16949的認證。這個時候還將深度學習技術用在識別激光點云上，并應用在生產線上。
2017年2月份，高德對其首個自動駕駛用偏轉插件進行測試，目前正在和測繪局調試該插件。
2017年4月份，高德與博世和英偉達展開合作，關注的是高精地圖的要素、定位圖層和數據更新方案。
高德的定位是以高精地圖數據產品為基礎，持續賦能自動駕駛企業，使車企順利使用測試高精地圖，最終配合車企共同實現自動駕駛高精地圖云服務。
為了解決這樣的問題，在高精地圖上，高德除了提供矢量數據之外，還提供一些用于測試的應用（比如感知、定位以及車道級路徑規劃），通過這些應用，高德希望在云端構建完整的高精地圖服務。
高精地圖技術復雜，充滿著各種不確定性，帶來全新的商業模式，又不可避免要導致法律法規變革。構建高精地圖生態，依賴整個自動駕駛產業的廣泛深入合作才能實現。
<完>
文中圖片截自谷小豐演講PPT
重磅預告：本系列講座的第三期，我們邀請了地平線機器人技術商務總監李星宇來聊了聊自動駕駛商業化在中國的機遇和挑戰。課程總結文也將在近期發布。
接下來，硅谷自動駕駛技術公司 Vector.ai CEO 蔡長柏（Andrew Tsai）等更多神秘嘉賓還將為學員帶來更多精彩分享，課程內容將于后期陸續上線，敬請留意雷鋒網AI慕課學院。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
