GeekCar|众包高精地图对自动驾驶发展的影响
文章图片
自动驾驶的未来在哪里？
这是一个极为广阔的问题 ， 按照技术演进的规划 ， 自动驾驶从L0一直到L5分为6层 ， 每一层都有不同的实现时间预期和技术演进路线 。 其中L3-L5被认为是真正意义上的自动驾驶能力 ， L1-L2只能算是自动驾驶辅助 。
从落地实现的角度看 ， 市面上相当多的L2级自动驾驶辅助已经实现量产交付；L3级自动驾驶预期能在未来的1-3年内逐渐实现量产交付；L4和L5 ， 目前能看到的多为Demo ， 谈量产为时尚早 。
从L2到L3最大的跨越在于地图数据的融合 ， 而不只是计算机视觉等感知层面、系统决策能力、硬件算力的提升 。 如何把地图数据与ADAS完美融合 ， 这同样是一个极为广阔的问题 ， 广阔到几乎可以决定自动驾驶行业的未来 。
与我们日常认知下的导航用地图（SDMap）不同 ， 自动驾驶所需要的地图完全不是可视化的产物 ， 而是各种图层与数据的堆砌；在具体的定义和命名上 ， 每一个自动驾驶公司和地图供应商都有不同的想法 ， 不过最终落地时基本都不会脱离高精地图的范畴 。
所以 ， 何为高精地图？
抽丝剥茧 ， 首先定义高精度 ， 通常来说地图数据绝对精度低于1m、相对精度在10-20cm之间方可满足L3级自动驾驶的应用；如果是L4甚至是L5级别的自动驾驶功能 ， 则需要更高精度的地图数据 ， 比如厘米级 。
高精基础地图数据只是构建HD-Map的地基 ， 亭台楼阁需要更多的道路和环境要素 ， 以及多个维度的图层来搭建 。
道路包括但不限于车道中心车道方向、道路中心、车道连接线、停车线、应急线路、截面关系、虚拟连接线、公路边界、限速信息、符号意义、坡度、曲率；另一方面 ， 道路周边的环境信息同样至关重要 ， 简单理解就是在什么位置 ， 有什么样的标志性事物 ， 是颗树 ， 还是个龙门架 ， 你得给我标记出来 。
文章图片
（车道线互联）
静态数据就够了吗？并不 。
从高精地图的搭建和采集来看 ， 除了静态维度 ， 大量来自数据收集车辆的驾驶经验数据和实时环境动态数据可以进一步丰富高精地图的信息维度 。 因为一个好的的自动驾驶算法应该和优秀的人类驾驶员有着一样表现 ， 而这需要人工智能算法和地图经验数据的共同加持 。
这些多个维度的数据叠加起来形成一个服务于自动驾驶算法的三维虚拟世界 ， 换而言之 ， 普通导航地图是给人看的 ， 高精地图是服务于机器的 。
虚拟世界的建立
【GeekCar|众包高精地图对自动驾驶发展的影响】车顶上装一堆传感器的地图测绘车相信大部分人都在街上遇到过 ， 比如笔者最常见到的是百度与高德的测绘车 ， 在提升传感器精度（包括视觉摄像头与激光雷达）之后 ， 就可以服务于高精地图的采集 ， 这也是传统图商的惯用方法 。
专用地图采集车的优点是数据维度丰富 ， 位置信息等重要数据精确度高 。 缺点？缺点是更新慢和成本昂贵 。
与传统图商形成明显差异的是以自动驾驶开发者进入地图行业的公司 ， 他们的建图方法多依赖于众包建图 ， 通过基础的视觉图像和一套分布于边缘和云端的算法来合成出可用的高精地图 ， 图像来着哪里？可以是从ADAS系统中截取 ， 也可以一套额外的小巧硬件 。
缺点在哪里？车端的定位硬件性能迥异 ， 视觉图像嵌入位置信息时极有可能产生米级甚至几十米的偏差 ， 如何在这种情况下提高数据的可用性是核心竞争力 。
而对于成熟的自动驾驶开发者来说 ， 一个明显优势是搭载在量产车型上的视觉传感器基数 ， 以Mobileye为例 ， 他们已经量产装车可用于地图数据收集的ADAS数量以百万级 ， 有足够的规模效应来克服单次数据收集的数据离散问题 ， 如果难以理解 ， 回忆一下你在大学时高数课上的正态分布 ， 差不多就是那么回事 。
