高精地图介绍

高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。

关于高精地图

高精度地图将大量的行车辅助信息存储为结构化数据，这些信息可以分为两类。第一类是道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息。第二类是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节，还包括高架物体、防护栏、数目、道路边缘类型、路边地标等基础设施信息。

高精度地图的主要结构化数据

以上这些信息都有地理编码，导航系统可以准确定位地形、物体和道路轮廓，从而引导车辆行驶。其中最重要的是对路网精确的三维表征（厘米级精度），比如路面的几何结构、道路标示线的位置、周边道路环境的点云模型等。有了这些高精度的三维表征，自动驾驶系统可以通过比对车载的GPS、IMU、LiDAR或摄像头的数据精确确认自己当前的位置。

高精度地图与传统地图的区别

1

精度：一般电子地图精度在米级别，商用GPS精度为5米。高精度地图的精度在厘米级别（Google、Here等高精度地图精度在10-20厘米级别）。

2

使用对象：普通的导航电子地图是面向驾驶员，供驾驶员使用的地图数据，而高精度地图是面向机器的供自动驾驶汽车使用的地图数据。

3

数据维度：传统电子地图数据只记录道路级别的数据：道路形状、坡度、曲率、铺设、方向等。高精度地图（精确度厘米级别）：不仅增加了车道属性相关（车道线类型、车道宽度等）数据，更有诸如高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据。

4

作用&功能：传统地图起的是辅助驾驶的导航功能，本质上与传统经验化的纸质地图是类似的。而高精度地图通过“高精度+高动态+多维度”数据，起的是为自动驾驶提供自变量和目标函数的功能。高精地图相比传统地图有更高的重要性。

5

数据的实时性：高精度地图对数据的实时性要求更高。根据博世在2007年提出的定义，无人驾驶时代所需的局部动态地图（Local Dynamic Map）根据更新频率划分可将所有数据划分为四类：永久静态数据（更新频率约为1个月），半永久静态数据（频率为1小时），半动态数据（频率为1分钟），动态数据（频率为1秒）。传统导航地图可能只需要前两者，而高精地图为了应对各类突发状况，保证自动驾驶的安全实现需要更多的半动态数据以及动态数据，这大大提升了对数据实时性的要求。

6

高精度地图=高鲜度+高精度+高丰富度。不论是动态化，还是精度和丰富度，最终目的都是为了保证自动驾驶的安全与高效率。动态化保证了自动驾驶能够及时地应对突发状况，选择最优的路径行驶。高精度确保了机器自动行驶的可行性，保证了自动驾驶的顺利实现。高丰富度与机器的更多逻辑规则相结合，进一步提升了自动驾驶的安全性。

导航地图与智能驾驶地图的对比

高精度地图作用

（1）地图匹配。由于存在各种定位误差，电子地图坐标上的移动车辆与周围地物并不能保持正确的位置关系。利用高精度地图匹配则可以将车辆位置精准的定位在车道上，从而提高车辆定位的精度。

（2）辅助环境感知。对传感器无法探测的部分进行补充，进行实时状况的监测及外部信息的反馈 ：传感器作为无人驾驶的眼睛，有其局限所在，如易受恶劣天气的影响，此时可以使用高精度地图来获取当前位置精准的交通状况。

（3）路径规划。对于提前规划好的最优路径，由于实时更新的交通信息，最优路径可能也在随时会发生变化。此时高精度地图在云计算的辅助下，能有效地为无人车提供最新的路况，帮助无人车重新制定最优路径。

高精度地图的数据特征类型

与传统电子地图相似，高精度地图的数据结构也是分层的。

二维网格数据。高精度地图的底层是一个基于红外线雷达传感器建立的精密二维网格。这个二维网格的精度保证在5×5厘米左右。网格中存储的数据包括：可以行使的路面、路面障碍物、路面在激光雷达下的反光强度等都别存储于相应的网格中。无人驾驶汽车可以通过对其传感器搜集到的数据及其内存中的高精度二维网格进行比对，从而确定车辆在路面的具体位置。

路面语义信息。在二维网格参照系的基础上，高精度地图还包括路面的语义信息，比如道路标识线的位置和特征信息，车道特征。这些路面语义信息可以发挥环境辅助感知作用。由于传感器在恶劣天气、障碍物、以及其他车辆的遮挡不能可靠地分析出车道信息时，高精地图中的车道信息特征可以辅助队车道信息进行更准确地判断，理解相邻车道之间是否可以安全并道。

交通标识信息等。高精度地图还包括道路标识牌、交通信息号等相对于二维网格的位置。其作用包括：（1）提前提示自动驾驶汽车在某些特定的位置检测相应的交通标示牌或者交通信息灯，提高检测速度。（2）在自动驾驶汽车在没有成功检测出交通标示牌或者信号灯的情况下，确保行车的安全。

地图数据模型

大多数汽车厂商与其供应商都会使用专有的地图数据模型，但基本都会受地理数据文件（GDF）规范的影响。GDF规模首次于1988年10月作为CEN（欧洲标准委员会）标准发布。GDF第5版于2011年发布，目标是将数字地图广泛用于车辆导航系统应用、行人导航、ADAS、公路维护系统、公路运输信息记忆远程信息处理。

GDF地图数据模型使用以下三种实体。

（1）要素（或物体）：点、线、面（简单要素）或点线面的不同组合（复杂要素）。

（2）要素之间的关系：如子级、父级。

（3）属性：要素或者关系的属性。

地图数据模型本质上比较复杂。地图公司Here的关系数据库模式拥有GDF的部分元素，由180个表格组成，单一路段要素超过200个属性。自动驾驶所需的地图数据结构没有如此复杂，相应模式较为简单。

第一，交换数据模型和物理数据模型。GDF数据模型和格式主要为交换格式，描述地图提供商传送数字地图的形式。车内程序直接使用GDF会非常复杂且低效。为了满足汽车在数据库大小与访问性能方面的要求，导航或者ADAS系统的机构都设计开发了自有的数据模型以及数据在媒体上的存储格式：物理数据模型（PDM）和物理存储格式（PSF）。基于这些不同的模式与格式，地图供应商提供的数据需要通过地图数据汇编转换为特定的物理存储格式。

第二，数据模型的时效性图层。数字地图模型需要考虑数据、关系与属性的时效特征。不同领域的数据过时的速率不同，并且需要专门的技术来收集和分发。比如，道路的几何形状很少会发生变化，不需要进行实时或者经常更新。而交通信息需要实时收集和分发。

第三，精确性。数据精度是高精度地图的重要指标。其包括三种不同的精度类型。

（1）几何精度。包括两种：

绝对几何精度。用于测量对象绝对位置与地图中标识的相同对象的位置之间的误差。导航地图的几何精度小于10米，ADAS地图的几何精度小于1米，自动驾驶地图的几何精度小于20厘米。

相对几何精度。用于测量地图中附近物体之间的相对位置误差。自动驾驶地图在100米的距离中的相对位置误差要小于20厘米。

（2）关系精度。指的是地图中捕获对象之间关系的精确程度。

（3）属性值精度。该精度会根据特定应用程序的使用和属性以及程度而异。

高精度地图采集原理

高精地图有着与传统地图不同的采集原理和数据存储结构。传统地图多依靠拓扑结构和传统数据库存储，将各类现实中的元素作为地图中的对象堆砌于地图上，而将道路存储为路径。在高精地图时代，为了提升存储效率和机器的可读性，地图在存储时被分为了矢量和对象层。

以某一厂商高精度地图为例。该高精度地图基于的是国际通用的OpenDrive规范，并做了一定的修改。一个opendrive节点背后，是一个header节点、road节点与junction节点，每个类型的节点背后还有各自的细分。而道路线、道路连接处、道路对象都从属于road节点下。Junction节点下，有着较为复杂的数据处理方式：通过connection road将不同的两条道路连接起来，从而实现路口的数据呈现。介于路口的类型种类复杂，junction也常常需要多种连接逻辑。Opendrive为高精地图提供了矢量式的存储方式，相比传统的堆叠式容量更省，在未来的云同步方面拥有优势。

高精地图矢量数据格式

数据采集：实地采集+处理+后续更新。

（1）实地采集：高精地图制作的第一步，往往通过采集车的实地采集完成。采集的核心设备为激光雷达，通过激光的反射形成环境点云从而完成对环境各对象的识别。

（2）处理：包括人工处理、深度学习的感知算法（图像识别）等。一般来说，采集的设备越精密，采集的数据越完整，所需要算法去降低的不确定性就越低。而采集的数据越不完整，就越需要算法去弥补数据的缺陷；当然也会有更大的误差。

（3）后续更新：主要针对道路的修改和突发路况。这一方面有较多的处理方式，比如众包、与政府的实时路况处理部门合作等。

新思路：众包+深度学习。面对高精度地图市场，重资产的传统实地采集模式对于一些初创企业是较难承受的。此时部分初创企业就选择通过众包的方式，利用相对成本较低的普通车载摄像头和相机来采集道路情况，随后再通过深度学习和图像识别算法使之转变为结构化数据。这方面最为成功的企业是Mobileye，而国内的代表有极奥科技等。

众包除了成本较低外，在实时性上也有较大的优势，未来势必会成为高精地图采集体系中的一员。目前，已有通用、日产、丰田、上汽等车厂采用了众包的高精地图采集方式；同时四维图新也于2018年宣布和Mobileye就高精地图的实时众包采集展开合作。

关于矢量地图和特征地图

矢量地图：普适性。所谓矢量，就是既有大小，又有方向的量。

特征地图：路面信息刻画准确。从矢量地图的原理可以看出，矢量地图对地图原数据信息就行了大量的简化和信息抽取，带来的结果是对道路信息的刻画较为简单。

高精度地图：矢量地图和特征地图的结合。如果高精度地图在自动驾驶中达到理想的应用效果，矢量地图和特征地图的结合或将是重要的选择。通俗来讲，将车载传感器采集到的地图原数据经过提取可以得到特征值，形成特征地图。在次基础上，进一步对其进行抽象、处理和标注，就得到矢量地图，主要包括路网信息、道路属性信息、道路几何信息，以及路上主要标识的抽象信息。在利用特征匹配定位是，特征地图匹配效果更好。

高精度地图是否自动驾驶必需？

车载传感器的性能边界。自动驾驶核心环节包括感知、决策和控制等。其中感知是通过传感器对周边交通环境数据进行收集和处理。但从目前传感器的性能来看，每一种传感器都有其使用的环境条件和性能的边界。包括：测量范围以及在不同环境下表现出来的感知缺陷。

检测范围受限。传感器对周围环境检测的有其固定的范围。例如，长距毫米波雷达探测距离为1-280m，红外线传感器探测距离为0.2-120m，视觉摄像头探测距离为0-80m，中短距毫米波雷达探测距离为0.2-120m，短句毫米波雷达探测距离为0.2-30m，激光雷达探测距离为80-150m。下图为Tesla的传感器配置及传感器感知范围，扇形角度表示传感器的视场角，扇形半径表示传感器的最大检测距离。

特斯拉配置的传感器最大探测距离

车身各传感器及其覆盖范围

感知缺陷。每一种传感器都有其适用的环境条件。比如激光传感器检测效果稳定，但在面对大范围的尘土时，其检测效果大幅降低；再比如高分辨率摄像机能检测图像中的物体，窄视场的摄像机可以检测很远的距离。但是面对暴雨、大雪等恶劣天气，其很难检测到正确的车道线/障碍物/马路牙子等信息。

先验信息缺失。先验信息是指某些可以提前采集且短时间内不会改变的信息。仅仅依靠传感器的信息是很难感知车辆现在是处在高速公路上，还是处在普通城市道路上的；无限速牌的路段，车速最高可以开多快;前方道路的曲率；所处路段的GPS信号强弱，这些都是传感器遇到检测盲区，无法实时捕获的信息。

高精度地图就像自动驾驶汽车的记忆，离开了记忆，无论眼睛和思考速度有多么发达，还是无法对事件有全局把控。一辆能调用高精度地图数据的自动驾驶汽车，能够对所处的环境进行精准预判，提前选择合适的行驶策略，而把对环境的监测重点放在应对突发情况上。在提升车辆安全性的情况下，还有助于降低车载传感器和控制系统的成本。

最终总结是：高精地图与车载传感器的互补。

本文是来自智车科技的博文，主要是介绍高精地图的基本概念。如有补充请大家积极留言，并且希望大家能够在阅读论文或者有推荐的论文或者开源代码，只要和点云相关，都可以留言给群主，如果有必要将会出与你推荐相关的资料。希望大家能够积极参与分享。如有侵权请第一时间联系本平台，将及时删除。