写在前面&笔者的个人理解

近几十年来，电动汽车行业经历了显著的增长，主要关注自动驾驶技术的进步。尽管自动驾驶仍然方兴未艾，但在可预见的未来实现全自动汽车的前景推动下，它已经引起了人们的极大研究兴趣。高精（HD）地图是这一终点的核心，在绘制环境图时提供厘米级的精度，并实现精确定位。与传统地图不同，这些高精的高精地图对于自动驾驶汽车的决策至关重要，确保了安全准确的导航。高精地图在测试前编制并定期更新，通过各种方法精心捕捉环境数据。这项研究探讨了高精地图在自动驾驶中的重要作用，深入研究了它们的创建、更新过程，以及在这个快速发展的领域面临的挑战和未来方向。

自动驾驶汽车（AV）需要高度精确的地图来导航道路和车道。常规数字地图不适用于AVs，因为它们缺乏有关红绿灯和标志、交通车道、杆状物体的高度以及曲线的准确大小的信息。这些地图是专门为人类使用而设计的，不能用于AV定位，因为车辆本身需要了解地图并定位其相对于周围环境的位置。

尽管高精地图至关重要，但自动驾驶行业并没有唯一的标准高精地图结构。不同的公司采用不同的架构和方法来创建高精地图，凸显了缺乏统一的方法。谷歌的Waymo是自动驾驶出租车的领导者，它使用高分辨率传感器，但具体的高精地图层还不为人所知。百度的开源Apollo平台通过不断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，支持精确定位、精确路径规划和实时更新，以在不同的环境中导航。

然而，我们可以查看一些可用的体系结构，以了解行业中的常见做法。HERE、TomTom和BerthaDerive（Lanelet）的高精地图共享类似的三层架构，但每层的功能略有不同。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较如表1所示。尽管不同的公司有自己的高精地图结构，但在本文中，我们重点关注自动驾驶系统使用的地图信息的主要类别：拓扑、几何、语义和动态元素/实时更新以及基于特征的层。

高精道路地图的基本组成部分是表示道路网络的拓扑结构。在高精地图中，拓扑结构捕捉道路、车道、十字路口和其他特征的连接方式。这种拓扑信息不仅有利于高精地图自主驾驶，而且有助于基于交通速度、道路质量、交通延误和交通规则等因素进行路线优化。拓扑表示通常包括节点和边，其中节点表示交叉口、互通式立交或特定兴趣点，而边表示连接这些节点的路段。边缘通常与道路分类、速度限制和转弯限制等属性相关联。它们为路径规划和决策提供了宝贵的背景。通过准确捕捉道路网络内复杂的关系和互连，高精地图的拓扑表示在实现安全高效的自动驾驶以及促进智能交通系统和车队管理等先进应用方面发挥着至关重要的作用。

高精地图中特征和对象的准确表示是另一项关键任务。高精地图的几何表示是指如何在数字地图数据中捕捉和表示环境的空间特征和布局。几何特征包括道路、车道、人行道、建筑物和地形的形状和位置。这些特征通常使用矢量数据结构来表示，矢量数据结构描述简化的几何形状，如点、线、曲线、圆和多边形。几何表示层的一个显著示例是Lyft Level 5几何地图，该地图包含关于环境的高度详细的3D信息，组织起来以支持精确的计算和模拟。这种详细程度对于实现AV的精确定位、路径规划和决策至关重要。

HD地图的语义表示建立在几何和拓扑表示的基础上，为特征提供“语义”。语义表示包括各种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、道路限速、车道信息和道路分类。这种语义理解对于自动驾驶至关重要，在自动驾驶中，车辆需要包围周围环境，以做出智能、安全和有序的决策。语义表示是原始几何数据与智能决策和路径规划所需的更高层次理解之间的桥梁。通过为几何特征分配语义标签和属性，它使自动驾驶汽车能够以更有意义和上下文的方式解释环境。语义表示层的显著示例包括来自HERE的HD地图定位模型层和来自TomTom的RoadDNA层。这些层包含对象级语义特征，有助于使用对象位置和上下文信息准确估计车辆的位置。一般来说，语义表示为几何表示中定义的道路特征和对象分配语义标签和属性，为自动驾驶系统提供更丰富、更全面的环境理解。

动态元素是环境中容易随时间变化的特征、对象或条件。这些功能需要持续监测和更新，为自动驾驶汽车提供最新信息。行人、障碍物和车辆等动态元素需要更新，以便高精地图始终精确无误。HD地图的动态元素层捕捉并表示环境的这些时变方面，这些方面对于安全高效的路径规划和决策至关重要。该层包括交通条件、施工区域、临时道路封闭以及其他道路使用者（如车辆、行人和骑自行车的人）的位置和移动等特征。动态元素的准确表示和频繁更新对于自动驾驶汽车及时预测和应对不断变化的情况至关重要。这些信息可以与高精地图的静态元素相结合，如道路几何形状和交通规则，以实现更全面、更可靠的路径规划和决策。对动态元素的适当管理，将在第4节中深入解释，对于规划自动驾驶汽车在动态和复杂环境中的安全高效路径至关重要。

高精地图在很大程度上依赖于先进的基于特征的地图层来实现准确的定位和导航。这些层使用各种技术来识别和匹配环境中的特征，以确保精确的车辆定位。在基于特征的映射中，一种最先进的方法是视觉位置识别（VPR）。VPR的最新进展，如SeqNet，通过学习强大的视觉特征和采用顺序匹配过程，提高了性能。

另一个重大进展是使用3D激光雷达地图进行车辆定位。SeqPolar方法引入了偏振激光雷达图（PLM）和用于图匹配的二阶隐马尔可夫模型（HMM2），该模型提供了3D激光雷达云的简洁和结构化表示。该方法显著提高了定位精度。

将这些技术集成到高精地图系统中，显著提高了基于特征的地图层的准确性和可靠性，这对于提高自动驾驶汽车的定位和导航能力至关重要，尤其是在动态和复杂环境中。

在自动驾驶行业，除了层次结构，还应该考虑格式。表2总结了主要的高精地图格式及其各自的表示。

一种常见的格式是Lanelet2，它源自liblanelet。它使用基于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）、关系层（平面元素、区域和管理元素）和拓扑层。Lanelet2专注于精确的车道级导航和交通管制。

另一种常见的格式是ASAM的OpenDRIVE。它使用XML格式来描述具有三层的道路网络：参考线（道路形状的几何图元）、车道（可行驶路径）和特征（交通信号和标志）。OpenDRIVE强调静态地图功能和道路结构。

百度旗下的Apollo OpenDRIVE使用了经过修改的OpenDRIVE格式。Apollo框架是一个开源项目，由总部位于中国的百度公司开发。Apollo使用点，与使用几何图元的原始OpenDRIVE格式形成对比。

如前几节所述，高精地图需要高精度才能有效实现自动驾驶。最初，高精地图是离线生成的；然而，为了确保它们的相关性和准确性，一旦创建，就必须进行实时更新。本节将讨论生成高精地图的一般步骤。该过程包括从多个来源收集数据、传感器融合、点云配准和特征提取。

高精地图生成过程的第一步是数据收集。一辆装有高精度和校准良好的传感器的车辆被派去调查和收集有关环境的全面数据。测绘车辆配备有移动测绘系统（MMS），该系统通常包括各种传感器。MMS设置中使用的传感器可能会根据映射所需的要求和细节而有所不同。激光雷达是MMS中常用的传感器之一。激光雷达传感器提供环境的高度精确的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有关道路标线、交通标志和其他特征的附加信息。全球导航卫星系统（GNSS）是MMS中的另一种常见传感器。全球导航卫星系统接收器能够同时接收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，以帮助估计车辆的运动，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动物体。里程表传感器也可用于测量车轮行驶的距离。根据测绘任务的具体需要，可以配备其他传感器。上述传感器也可以单独购买并配置用于进行数据收集。然而，这种方法可能并不简单，而且也是一项耗时的任务。配备激光雷达、全球导航卫星系统、IMU和相机的MMS如图3所示。

通常，有三种主要方法用于收集高精地图的数据。表3对这些方法进行了比较。第一个涉及从公开的数据集中获取数据；然而，对于自动驾驶来说，这些并没有那么多。毫无疑问，研究人员可以利用少数数据集，如Level5 Lyft数据集、KITTI数据集、nuScenes数据集和Argovere数据集。这些开源数据集包含预先标记的交通数据、3D点云、图像和其他传感器数据，便于实验和地图生成。第二种方法首先包含数据收集。研究人员在关注高精地图中的特定区域或特征时，可能会选择这种方法，尽管由此产生的数据集往往在地理上受到限制。最后，将众包紧急情况作为强有力的第三种选择。该方法利用大量工具的贡献，产生覆盖广泛领域的固定和各种数据集。此外，众包数据的集体性质涵盖了广泛的场景，为AV可能遇到的挑战提供了宝贵的见解。例如，最近的研究提出了一种众包框架，用于持续更新高精地图的点云地图（PCM），集成激光雷达和车辆通信技术，实时检测和整合环境变化。

传感器融合通过组合来自多个传感器的数据来创建可靠准确的高精地图，在高精地图生成中发挥着重要作用。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。它利用来自各种传感模式的数据来最大限度地减少检测的不确定性，并解决独立运行的单个传感器的局限性。表4基于自动驾驶中要考虑的各种因素，对激光雷达、摄像头和雷达传感器进行了比较。

集成多个传感器以提供冗余并实现更准确的高精地图需要仔细校准传感器。广泛用于自动驾驶的传感器组合基于激光雷达、摄像头和雷达。尽管存在其他传感器集成，但更广泛研究的组合是这三种传感器。这些广泛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产生了高分辨率的图像和更高的测距精度。激光雷达-相机融合已被证明比单独使用这些传感器表现出更好的性能。用于耦合这两个传感器的一种方法是将来自激光雷达的点云数据投影到从相机传感器获得的图像上。另一种实现激光雷达-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的架构涉及将相机的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利用了两种模式的优势，增强了自动驾驶应用中感知的稳健性和准确性。

如LRVFNet中所述，使用激光雷达-相机-雷达融合涉及使用基于深度多尺度注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）生成不同的特征。这种融合方法有效地集成了来自这些模态的互补信息，以提高目标检测的准确性和鲁棒性。类似地，CLR-BNN中使用的融合机制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，并减少了各种驾驶情况下的不确定性。图5展示了CLR-BNN的高级体系结构。

相机-雷达传感器的集成为AVs提供了显著的优势，因为它结合了来自相机的高分辨率视觉数据，捕捉复杂的环境细节，如颜色、纹理和形状，以及雷达传感器的远程检测能力，即使在具有挑战性的天气条件和低能见度的情况下也能可靠地工作。图6所示的CameraRadarFusionNet（CRF-Net）通过在网络层内集成相机数据和稀疏雷达数据来增强2D对象检测网络，这自主决定了最佳融合水平，在各种数据集上优于纯图像网络。

传感器融合通过早期、中期或后期融合策略集成来自各种传感器的数据。当集成发生时，这些方法会有所不同：在处理之前（早期）、在特征级别（中期）或在决策级别（后期）。图7显示了这三种融合策略的基本工作原理。

用于实现传感器融合策略的最广泛采用的算法包括用于相机数据的对象检测技术，如YOLO和SSD，以及用于处理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，本节专门介绍地图生成过程中使用的算法节奏。本节重点介绍用于处理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有意义的地图表示方面发挥着关键作用。在数据收集之后，非常强大的算法对于生成高精地图至关重要。执行称为点云配准的过程，以对齐从数据收集阶段获得的几个重叠和非重叠的点云数据。从不同传感器收集的点云数据需要对齐，以获得环境的全面地图。需要进行的对准可能不一定来自不同的传感器。这意味着我们可以从同一传感器获得不同时间的点云数据，也可以从不同的角度获得数据。因此，该条件还需要点云配准来对齐所获取的点云。

通常，有四种技术用于执行点云配准：基于优化的方法、基于概率的方法、以特征为基础的方法和深度学习技术。表5对这些方法进行了比较和对比。

尽管用于点云配准的算法已经取得了重大进展，但仍存在一些挑战和局限性，阻碍了这些技术的广泛采用。最突出的挑战如下：

在点云配准过程之后，特征提取成为生成信息丰富、高质量的高精地图的关键组成部分，以便在各种环境中可靠使用。特征提取包括从传感器数据中识别和提取相关特征，以创建环境的详细表示。特征是指从传感器数据中提取并用于创建周围环境的详细表示的环境的不同元素。这些特征为导航、车辆定位以及AV和系统中的各种其他应用提供了有价值的信息。高精地图中的一些常见特征包括道路和车道标记、道路网络、交通标志、地标和杆状物体。传统上，特征提取是手动完成的，由人工操作员识别和注释传感器数据中感兴趣的特征。这一过程不具有成本效益，而且是一项耗时的任务。最近，机器学习方法，特别是深度学习技术，已被用于从点云数据中自动提取特征。

已经提出了几种深度学习方法来提取特定特征，例如车道标线。LMPNet基于特征金字塔网络（FPN）提出了一种提取图像中车道标记的方法，然后根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使用生成反向网络（GANs）进行特征提取。DAGMapper使用有向无环图形模型（DAG）内的推理，集成深度神经网络以获得条件概率，并使用贪婪算法进行图形估计。图9显示了道路网络提取方法。

要确保AV导航准确可靠，需要定期更新高精地图。随着AV在各种环境中导航，道路基础设施的修改、交通模式的变化以及道路封闭、建筑工地和事故等动态事件等变化是不可避免的。定期更新高精地图对于反映这些变化并支持安全高效的导航策略至关重要。

此外，频繁的地图更新在提高路线规划能力的质量方面发挥着至关重要的作用。通过整合有关道路状况、交通模式和潜在中断的最新信息，AV可以动态调整其计划路线，从而对动态事件做出及时响应。这种适应性不仅优化了导航效率，而且通过考虑环境的实时变化，有助于提高安全性。因此，通过定期更新来维护最新的高精地图是自动驾驶汽车运营的一个关键方面，确保导航系统能够获得最准确和最新的信息，从而实现知情决策和无缝适应不断变化的道路网络条件。

Real-Time> 来源： 自动驾驶