四维图新朱瀚：UGC助力实时自动驾驶高精度地图服务

四维图新高级产品经理朱瀚

今天我带来的演讲是实时自动驾驶与高精度地图服务，演讲之前先接一下谷总抛出来的问题。我们做高精地图还是自动驾驶地图的问题，如果我们一味追求高精度地图，精度要不断高，是否对自动驾驶是有益的，是需要讨论的。我说一下四维图新在这方面的思考和目前的进展。

我们国家现在的社会状态是，中国2025年之前将会有35%的人是超过60岁的，人口老龄化的趋势非常之严重。道路的拥堵，因为这些年车辆保有量增长越来越厉害。以北京为例，每年完全因为拥堵造成的成本浪费能达到186亿之多，加上现在的年轻人，出行的习惯，再加上已经有车的人。现在道路的不堪状况，有好多人说放弃购车计划，或者不再有自己驾车出行的行为了。我们觉得自动驾驶对整个行业，对整个社会来讲都是非常必要的需求，看看我们怎么来实现它。

对于自动驾驶，我们的认知是这样的。我们解决的是如何让机器接替人，实现自动驾驶。接替的是驾驶的权利，需要完成人类驾驶员要做的事情，比如看路面，看车道是不是有行人，是不是有交汇，开在哪个车道上，还有路径的规划，导航电子地图给人辅助驾驶用的。给了你一个道路级的规划，人在判断应该从这个车道到另外一个车道，到路口右转还是怎么样的，车道极的规划是人完成的。

接下来就是决策，我是否刹车，是否加速，是不是有一个人应该避让，是不是看红绿灯，应该在什么地方停下。在自动驾驶的时候，所有判断从人的手里转移到机器的手里。所以我们会觉得在这个过程中，自动驾驶的地图，完成了不仅仅是地图的决策，是在辅助自动驾驶如何完成自动驾驶行为的地图服务。

我们是这么认为的，智能地图金字塔的结构和很多图商的认知并不会有太大的差别，我们会有一个底层的静态数据层，会把它变成一个地图服务的标准解决方案。我们会因为有高精度地图带来的高精定位，以及地图的数据是不是还是高可靠的，自动驾驶是否可以相信我们，是否可以用于判断和决策。我们会分这几层来表达我们的地图服务，我们觉得这才是一个自动驾驶所需要的自动驾驶地图，产品的概念和定义。

这个基础上，我们会觉得比较重要的几个点。一个是可靠性，自动驾驶已经完全接管了人类驾驶行为的时候，我相信你还是不相信，你给我的信号，你帮助我决策的信息我是不是可以相信。还有标准和法规的问题，另外数据的实时性，导航电子地图有最大的不一样的点是说地图和现场不一样的时候，人是可以判断的，我可以知道我相信现实世界，我相信我看见的东西。但是自动驾驶都是传感器的感受，有多传感器拿回来不同结果，我到底更相信谁。我们把自动驾驶地图定义成或者理解成是一个在线的实时虚拟传感器，不是车端的，是在线的。我们提供的也是一个传感器的服务，而这种传感器的服务本身也是有一个失效的问题，为什么会有那样的服务的金字塔？是因为我需要告诉你，我这个传感器是否已经还有效，还是已经失效了，不应该再相信我，我要把这个东西传递给车端。

剩下的如何把现实世界抽象为可以理解、可以解释的自动驾驶现实的样子，我们有一套很完整的质量体系。会有自己的设计，我们能把它准确的表达出来。四维图新是一家经营了将近二十年的图商，积累了特别多的Case，比如高速公路。大家的认知里高速公路应该是封闭的，应该不会有交汇口，现实世界里就是有的，我们要去记录和表达这样的场景。在高速公路里还会有海关的专用车道，要有一个比较好的兼容模型设计，现实世界复杂情况全部记录下来，自动驾驶感知的时候能跟我们的数据匹配。

介绍一下我们比较常见的L3高速场景。自动驾驶车或者是采集车在高速上的时候，我们看见的就是这个样子。我们会有激光雷达，会把现场的情况照片拍回来，，再去进行点云的分类，再矢量化。我们把现实世界抽象成模型的设计，会归类成大概三种类型，一种是道路级的要素，一种是车道级的要素，还有对象。对象很多都是用于高精度定位的，但不仅仅是。

这里是我们生产作业的一些情况。点云采集回来之后进行提取和分类，但是说到自动化率的问题。我同意百度佘总的意见，追求足够高，是没有意义的。在我的认知里，自动化率是为了节省成本。也就是说，自动化减少的是人工的重复投入，让作业更高效。对于我们来讲，我们并不认为几乎全盘用人工智能来替代人工作业，这种方式足以确保数据的精度和准确度。

每一个图商会有自己的模型设计和标准定义，也会有很多行业的标准和国家的标准。自动驾驶当下，有很多法律法规的问题。自然资源部也好还是协会也好，大家都在尽可能的拟一些草案，提一些建议，推动自动驾驶法律法规的落地，让行业继续快速往前发展。四维图新因为时间也比较久，一直与协会、国家部门积极讨论这些事情，在推动这些事情。

大概说一下，这个就是采集制作发布和OEM的流程。当自动驾驶真正开始量产，有车上路的时候，就是完成这样的过程。我们面临了非常多的比如加密、纠偏、车端国家合规的问题，还在极力推进的过程中。我们要提供的就是再上一层的服务，有静态的数据，要有一些实时的地图服务，就是下载、分发包括车端传感器的采集、回传和数据的匹配校验，包括动态图层失效还是不失效的信息，都是需要在线实时的流程来完成的。介绍一下我们跟ibeo和英伟达合作利用高精度地图做高精度定位，这是技术合作的结果。

总结一下完整的产品的框架基本就是这样。我们会有一个数据的制作，以及服务层，最后有一个车端的HD Map，会有查询、定位以及一系列的线上交互。所以我们会把它定义成在线的虚拟传感器。四维图新2021年要给宝马交付一个量产订单，现在高速已经完成的状态。我们现在在做数据更新，因为如果我的鲜度不够，地图做完了，对自动驾驶来讲也不是可用的状态，主要研究地图如何更新。

这是我们和国土资源部一起做的从北京到昆明的自动驾驶，5000多公里。这个过程中使用到了我们自己的高精地图，也用到了我们研究院自动驾驶的解决方案。这里面验证了一下我们对于自动驾驶的认知，我们提供的产品和服务是可以支撑自动驾驶的需求。这个过程中遇到非常多的极端天气，不太好的状态，让我们欣喜的，我们可以证明初步是可用的。这里还有一个在验证的事情就是说自然资源部的查检，不断去验证自己。在查检带来精度损失之后，不但保证了合规，也保证了自动驾驶不会受影响。

接下来讲一下鲜度的问题。自动驾驶地图一定是需要远比导航地图更新的鲜度。如果传感器几乎都是失效的，传感器的结果也没有意义了。所以现在的状态是说我们有三种手段，是结合使用的。A是很专业的采集车，主要是第一次用A设备，采集点云回来之后成图。B加了双目，B是一个更轻量的设备，雷达不是A那么高的雷达，用了16线的雷达，用于更轻量的高频度更新采集，回来会跟A数据进行匹配，更新地图要素。C是现在正在跟合作伙伴不断的合作，跟OEM做POC的过程。可以达成共识的是，C是后面大家一定要走的一条路。如果不UGC，我们可以让A和B不断跑，但是谁也控制不住成本。

如果让成本接受，还能达到自动驾驶的功能需求，C是不得不引起大家讨论的话题。对于C来讲我们需要车端在现场，感知设备发现了环境的变化。因为车端的传感器，可以在端上实时地图构建，构建的是局部地图。因为我提供了自动驾驶服务，有地图的服务，所以你可以跟我的地图进行差分，你会发现两套传感器是有差异的。你的差异回传给我的时候我可以告诉你说我在动态图层，并不是很好的可以支持你判断的，不是一个可信的，你可以理解为已经是一个疑似失效的状态。我们也会通过不同的UGC设备，一个是运营的，我们要验证一下现场是不是的确是那个样子，如果是，我们会降的很低，告诉你这个地方完全是这样。比较快速完成数据更新，也就是说传感器恢复，不是失效状态。

这是我们和禾多做的UGC的技术尝试，这里展示车端的传感器在现实的情况。左上角是行车记录仪拍下来的现场情况，下面大屏是地图。会有现场的感知，识别出来五个牌子。现在遇上一个现实世界，车端传感器感知到的牌子，会回传给我们感知到一个牌子，我们会去验，告诉我们回传到云上。UGC车辆一直在跑，这些传感器会有多次的同一个位置的采集。我们就会经过多次之后有一个深度学习的系统，就会得到一个结果，就是我们到底是要新增更新，还是要变更，会完成这样一个过程。仍然是那个问题，如果说我们的自动化会觉得这个东西可信，我们可以完全不用人工，自动化成图，我们就会更新。如果完全可靠，我们会把它变成图层。

自动驾驶的地图服务，需要更多的伙伴，大家一起来完成的，并不是一个图商或者几家公司就能完成的大命题，希望大家携起手来一起向前推进。

敬请关注盖世汽车“2019自动驾驶地图与定位大会”直播专题！