Apollo进阶课程 ⑨ | 业界的高精地图产品

高精地图的格式规范-OpenDRIVE

HERE HD LIve Map

HERE HD LIVE MAP-MAP COLLECTION

HERE HD Live Map-Crowdsourced Update

HERE HD Live Map-Learning

HERE HD Live Map-Product

MobileEye

MobileEye-Pillars of Autonomous Driving

MobileEye-Map as back-up sensors

MobileEye-RoadBook

Google Waymo

原文链接：Apollo进阶课程 ⑨ | 业界的高精地图产品

上周阿波君为大家介绍了「Apollo进阶课程⑧ | 高精地图的格式规范」。详细讲解了NDS格式规范和OpenDRIVE格式规范。

高精地图的格式规范，即对采集到的地图如何进行一个完整的表述。

对此，目前最主流的通用格式规范分NDS和OpenDRIVE两种。此外还有日本OMP公司的格式规范。

NDS是一种非常全面的地图表述方式。由于NDS把数据库做了细分，每个细分后的产品都能够独立更新升级。

OpenDRIVE是目前国际上较通用的一种格式规范，由一家德国公司制定，在运用OpenDRIVE格式规范表述道路时，会涉及Section、Lane、Junction、Tracking四个概念。

百度在Apollo中也开发了自己的OpenDRIVE格式规范，并对该技术进行了改进，使之对开发者更加友好。

本周阿波君将与大家分享业界的高精地图产品相关内容。下面，欢迎开发者紧随阿波君的脚步，进入进阶课程第9期。

高精地图的格式规范-OpenDRIVE

HERE已能把地图做成一种基于云端的服务，精度高更新快

HERE最早是诺基亚旗下的一家公司，被诺基亚作为自己的高精地图使用，早先在欧美地区大概有80%的市场占有量。

在2013年微软收购诺基亚时，并未一并收购HERE，之后在2015年，HERE被宝马、奥迪、戴姆勒以30亿美金收购，再后来几经周折，被腾讯、四维相继入股。

HERE做地图之间长久，经历了由导航地图到高精地图的发展，整个体系相对完善。

据HERE本身介绍，HERE已能把地图做成一种基于云端的服务，精度高更新快。

HERE HD LIve Map

HERE HD Live Map的四大特性

基础地图的设计：基础地图是高清实时地图的基础。采集车辆配有GPS、激光雷达、相机等，每天采集28T的数据量，精度可达厘米。基于激光雷达、相机，建立16线程的Base Map。

众包更新（基于图像）：利用众包车辆传感器采集行车路径、车道标志、道路边缘、路标、路面标志等。结合卫星图像等多种数据源，保持高清地图的新鲜感。

在云计算中映射学习：车辆大小、传感器设置和行驶路径不同。这些变化导致许多观察到的路边物体是相同的。这里的机器学习将这些变化的传感器数据聚合起来，以确定路边工件的精确位置。

更新的地图：创建并添加到地图数据库后，在这里将其发布到HD Live地图，并将必要的平面图发送回车辆，以便车辆能够准确和实时地表示路网。

HERE HD LIVE MAP-MAP COLLECTION

HERE HD Live Map采集方案

HERE采集车，集成了16线激光雷达+ Camera + RTK天线+IMU。HERE采集车会对地图进行预先制作，在数据采集后进行数据统计，经人工识别检查后，最后更新在地图中。

HERE HD Live Map-Crowdsourced Update

HERE HD Live Map众包方案

HERE地图采集的众包，可以做到非常高频的更新。

车端通过Sensor进行信息采集（可认为一种视觉方案），可对点、道路、标志标牌通过Feature进行提取，可有效帮助我们更快的对地图进行更新。

HERE有很好基础优势。作为一家传统图商，他的用户基数可以保证地图以更快的速度和形式更新。

HERE HD Live Map-Learning

HERE HD Live Map Learning方案

不同于利用神经网络的图像处理方法，HERE利用点云分割技术对Features进行分析。

在多次采集后，可将同一区域的点云补齐，但目前的图像处理方法已较为成熟。

而点云技术（点云SLAM、点云分割、点云特征提取等）仍需完善发展。

HERE HD Live Map-Product

HERE HD Live Map对地图的表述方式

HERE是如何表述他们的地图产品的呢？我们可以从图中看到他们对地图做了4个分层结构。

第一层是Road & Lane Model Layer（车道边界和区分界线）

A highly precise representation of road network.

第二层是Localization Model Layer（基于Camera或点云）

Help a vehicle to find its exact Position of lane it is driving in.

第三层是Activity Layer（动态信息层、道路实时信息）

Understanding dynamic events in the road network.

第四层是Analytics Layer（司机驾驶习惯分析）

Tell how humans actually behave in a piece of road.

在HERE的解决方案中，可以通过检测与定位约束纵向行驶信息，车道线约束横向行驶信息。

MobileEye

MobileEye也是业内非常知名的公司，标志中有英特尔的元素

MobileEye号称为全球25家知名车厂合作商提供更安全的技术解决方案，有2500万车辆在使用他们的技术，13家车厂正在使用MobileEye的技术在攻关自动驾驶。

相比于HERE，MobileEye更侧重于使用Camera，在图像处理方面也做得更好，使用视觉信息来进行辅助驾驶，是一种基于众包的视觉制图。

MobileEye-Pillars of Autonomous Driving

MobileEye把技术层次分为三个层次

感知：Mobileye的软件可以进行传感器融合——从摄像机传感器、雷达和激光雷达传感器中解读数据。

在图像处理方面，Mobileye经验丰富，使用自己独有算法是用来检测对象，确保安全行驶和系统决策。

L3以下的自动驾驶不需要高精地图，但是L3以上就看你使用的是基于Lidar还是Camera的方案了。

映射：自动驾驶汽车需要大量的系统冗余来处理无法预料的情况。在所有条件下，车辆相对于道路边界和交叉口的精确定位都需要高精地图。Mobileye提供基于REM的框架(REM™)，它使用众包的策略。让用户能低成本地构建和快速更新高清地图。

驾驶策略：在Mobileye的驾驶策略中，他们认为，一旦一辆自动驾驶汽车能够感知周围的场景并在地图上进行定位，要解决的最后一件事情，就是学习和共享人类司机的驾驶策略。

Mobileye声称，传感、测绘和强大的计算能力赋予了自动驾驶车辆超人的视觉和反应时间。Mobileye对驾驶策略的强化学习，将提供多变量情况的分析方案，并且尽可能地逼近人类的行为和判断方式。

这证明Mobileye对于复制人类的驾驶行为还是很看重的，至少把其单独地作为一个数据层去阐述处理。

MobileEye-Map as back-up sensors

Mobileye知名的REM(道路经验管理系统)

说到Mobileye，要重点提及的就有他们的制图方案。

Mobileye的众包流程方案跟HERE的很像，只不过他们的方案更多是基于视觉来做。都是收集数据——上传云端——处理——下发车端。

Mobileye的REM系统（道路经验管理系统）非常知名，提供实时匿名众包的汽车数据，用于高精度地图的制作和使用。

Mobileye的REM解决方案由三层组成：

采集器（任何装有摄影机的车辆）；
云端；
自动驾驶车辆。

相比HERE来说，MobilEye基于视觉的方案，使用时候最大的缺陷就是道路线的判断不连续。这会造成没有车道线了，车辆不知道怎么走了。

在复杂道路中，一旦出现红路灯等难以识别的物体，MobilEye所推崇的单靠视觉信息的解决方案难以支撑全自动驾驶技术。

MobileEye-RoadBook

MobilEye把方案采集处理的过程归纳为"路书"

MobilEye把REM采集、发送云端、处理、发回车端的过程称为“路书”。

搭载MobilEye的车端首先会对环境进行识别，然后进行语义分析和几何形状提取，将其压缩后打包上传，这个过程称为RSD。

经过REM系统采集处理的RSDs，其数据包大小可以达到10k/1公里，并达到“高精度低延时”的效果。

MobilEye还会将不同路段的数据打断上传。

这就是MobilEye的众包方案：所有的数据都在云端，大家一起来贡献相关数据，并且获得更好（高精度低延时）的数据回馈。

正是由于激光雷达的解决方案存在诸多的限制：高成本、低规模化和点云算法尚不完善。

在现行的网络条件下，MobilEye的RSD方案“至少”看起来让自动驾驶这件事儿变得更加可行了。

不过在MobilEye的对外公布的演示视频中，我们也可以看到其场景都是非城市的简单场景。在更复杂的环境中，其解决方案还是存在局限性。

Google Waymo

谷歌Waymo业内知名，但其对外披露的信息极少

谷歌在业内做自动驾驶非常早，但是其对外披露的信息极少。

这导致业界和开发者基本对于谷歌的解决方案基本“只能靠猜”。

在谷歌透露出来的地图解决方案中，我们可以发现在高精地图的层面上，大家对于道路信息的描述基本都是一致的。

比如说Lane、路口虚拟线和道路停止线的理念，谷歌的解决方案本质上也是为自动驾驶提供一个可运行的静态环境。

谷歌Waymo所透露出来的路测画面

谷歌的地图解决方案中，谷歌将地图提供的静态环境和基于感知的动态环境（人物、车辆、道路标志）等信息结合在一起。

使搭载Waymo的无人车完成对环境的感知。

谷歌同样将红绿灯感知为框体，并且将人行横道的识别放在非常重要的位置。

谷歌将根据地图提供的静态信息确定红绿灯的位置，基于感知到的红路灯状态为其打上标签（红灯禁止或者是绿灯通行），再为车辆决策提供依据，并且有蓝色的预测轨迹为车辆规划行驶路径。

谷歌Waymo所透露的自研高精地图

在谷歌对于高精地图的阐述中，他们的研发团队认为，仅有矢量数据是不够的。

业界的所推崇的矢量类型地图对于谷歌来说过于传统。他们更期待自己能够研发出栅格式的高精地图。

这种地图记录了所有道路上的物体信息，并且将不存于静态地图中的动态物体自动过滤，由此降低车端感知识别的难度，达到更好的检测效果。

至于谷歌所透露出来的环境地图，其红绿灯和停止线的设置，跟业界的标准基本一致。

谷歌Waymo声称其降低了车载雷达的综合成本

谷歌Waymo的实验车大家都非常熟悉。

其车辆顶部可能搭载了激光雷达+视觉系统，车辆四周搭载了激光雷达。

其整体方案也是为激光雷达+视觉融合。

但是谷歌自研的激光雷达据称可以检测到两个足球场（240米）外的物体数据。

并且整体的生产成本比Velodyne的64线激光雷达的售价（8万美元）低90%左右，这对于开发者来说是非常诱人的价格。