前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Mobileye REM地图

Mobileye REM地图

作者头像
YoungTimes
发布2022-04-28 20:02:59
1.5K0
发布2022-04-28 20:02:59
举报

为什么需要高精地图

理论上来讲,可以在车载系统检测和获取所有道路信息(可行驶路径、车道优先级、红绿灯与车道的关联关系、车道与人行横道与红绿灯的关系等),但是目前的AI能力无法保证实现很高的MTBF(Mean Time Between Failures, 平均无故障时间),所以需要提前把这些信息都准备好。

高精地图的挑战

规模化-Scale

如果自动驾驶车辆只在一个区域、一个城市、或者几个城市运营,那就不存在规模化的问题。但是2025年之后,自动驾驶会在消费者层面全面落地,用户需要驾车到任意想去的地方,在这种场景下,Scale是一个无法规避的问题。

鲜度-Fresh

理想情况下,地图是在实时更新的。当物理环境发生变化时,需要实时反映到地图上。月级更新、甚至天级更新都是不够的,我们需要做到分钟级,甚至更短。

精度-Accuracy

车载系统(OnBoard System)检测的车辆和行人需要与高精地图(High Definiation Map)实现厘米级精度的匹配,因此地图的精度至关重要。

通用高精地图制作方法的缺陷

全局坐标系下厘米级精度不是必需的

AV车辆行驶过程中只关注周围几百米范围即可,所以只要这个范围内的足够准确即可。至于几公里之外的全局精度,Who Care...

语义层数据生产难以自动化

如下图所示,没有车道线的双向车道,单从图像观察,难以识别它的Drive Path。

如下图所示,转向规则千奇百怪:禁止红灯右转,完全停车后允许红灯右转,绿灯禁止左转,绿灯Yield后允许左转...

如下图所示,红绿灯异常复杂,识别车道、人行横道与红绿灯的关联关系难度很大...

如下图所示,除非地图可以表达所有的3D要素,否则很难自动化的计算出车道的最优Stop/Yield Point。但是表达所有的3D信息对于地图来说又是不现实的...

影响车辆行驶速度的因素有很多,道路几何、限速、文化等,难以量化,但它对Smooth Driving体验至关重要...

Mobileye如何解决这些问题

scalability依赖众包数据生成Millions Map Agents;Accuracy不是全局的Accuracy,而是局部的Accuracy,相对于道路上的静态元素位置。

REM的处理流程如下,首先从成百上千辆车获取检测信息(没有使用差分GPS,而是使用了普通的GPS),这些数据传送到云端;每辆车Detection的角度不同,由于遮挡等原因,每辆车检测的landmark也有差异,将这些数据进行Alignment处理,生成高精度的地图数据;最后,Modeling And Semantics负责生成地图的语义数据。

Harvesting

下图中黄色的框是车辆检测的landmarks和lane marks,同时车辆会尝试检测driving path等语义信息,一辆车可能检测不准确,但是成百上千的过路车辆会让检测结果越来越好。

Mobileye Harvesting的数据量为10K/公里,这些检测的数据会被发送到云端。

Aligning Drives

检测每个RSD中每个元素的6D Pose,然后对齐相同位置的元素,得到厘米度精度的driving path等信息。

由于GPS存在误差,每个车辆检测的道路元素位置都存在噪声,所以只依靠简单的位置求均值是不可行的。

Align之后可以明显的看到两条Driving Path(蓝色)和两侧的道路边界(红色)。对齐的过程是靠几何运算进行。

仅仅靠聚类(Clustering)和Spline Fiting得到下图右上角的结果,这个结果不是特别理想。后来通过神经网络生成高精度地图,效果好了很多。

为什么语义理解离不开众包

如下左图所示,通过众包数据可以在没有Lane Marking的道路上获取Driving Path。

如下右图所示,众包数据提供了复杂场景下的所有可通行路径。

如下图所示,通过众包数据可以获得红绿灯与车道的关联关系、Yield Sign的Stop Point、Crosswalk与红绿灯的关联关系等。

如下左图所示,通过检测哪个Drive Path的Stop Point比较多,我们可以从众包数据中获取到没有Traffic Sign情况下各个道路的路权优先级。

如下中图所示,我们可以从众包数据学习到在路口其它司机的停车位置。

如下右图所示,从众包数据可以学习到,在无保护左转的场景下车辆的Stop Point。

众包数据是获得各个道路Common Speed的唯一高效的方法,Common Speed提供了当道路没有车辆时候AV车的目标行驶速度。采用这种方法可以使得无论在哪个国家、地区,或者不同的道路类型,AV车都可以自然的融入车流。

最后

到目前为止,Mobileye与超过6家汽车制造厂商合作,每天可以覆盖800万公里的路网更新。预计到2024年,每天覆盖的路网会达到10亿公里。

说明: 本文所有内容都来源于Mobileye CEO Amnon Shashua教授在2021 CES的分享。

YouTube链接:https://www.youtube.com/watch?v=B7YNj66GxRA&t=301s

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-01-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 半杯茶的小酒杯 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 为什么需要高精地图
  • 高精地图的挑战
    • 规模化-Scale
      • 鲜度-Fresh
        • 精度-Accuracy
        • 通用高精地图制作方法的缺陷
        • Mobileye如何解决这些问题
          • Aligning Drives
            • 为什么语义理解离不开众包
            • 最后
            相关产品与服务
            图数据库 KonisGraph
            图数据库 KonisGraph(TencentDB for KonisGraph)是一种云端图数据库服务,基于腾讯在海量图数据上的实践经验,提供一站式海量图数据存储、管理、实时查询、计算、可视化分析能力;KonisGraph 支持属性图模型和 TinkerPop Gremlin 查询语言,能够帮助用户快速完成对图数据的建模、查询和可视化分析。
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档