【汽车自动驾驶技术】用于智能网联汽车的场景地图实时构建技术---李必军

武汉大学测绘遥感信息工程国家重点实验室 李必军

　　1.车用电子地图发展
　　地图是一个重要的基础设施，前些年在做无人驾驶，特别是中国做无人驾驶的时候，一开始是不让使用地图的，现在我们非常依赖地图，在地图里面有很多很多的技术问题需要解决。
　　我们现在主要在L2-L3阶段之间，很多人已经提出了地图已经成为无人驾驶最核心的部分，关于这个国内外已经达成了共识。其实，地图发展具有很长的历史。从地图在汽车的应用方面可以分为三个阶段，第一个阶段是导航，从2000年左右开始，中国已经有了导航电子地图，导航电子地图基本的内容是三要素，可以辅助驾驶员进行导航。第二阶段是安全，我们现在提出无人自动驾驶，对地图提出了很大很新的要求，很多要求厘米级的定位，包括很多相关参数。

图1 车用电子地图的发展阶段

　　目前国家车载级的高精度定位跟环境感知还是比较弱，全世界都是这样，还有很大的问题需要解决。我们主要用地图解决传感器实效性情况下的感知问题，比如说超世界范围的，超物理极限的问题，必须要用地图作为支撑，要实现车道级的定位、规划跟导引，这是目前提出的新要求。
　　这个新的要求和我们目前车位发展阶段、车位发展水平还是有比较大的差异，也对我们的技术提出了很多挑战。从未来发展来看，智能化、网络化、信息化是行业发展的重要趋势，人机共驾是目前的一个重要的阶段，而且也是不可突破的，从人机共驾到自主驾驶中大家都认可的厘米级的高精度地图，是一个核心。国内有很多地图生产商在进行地图的开发包括研制，其中还有跨界的，包括汽车厂、传感器相关产商，以及汽车商都在进行地图相关的研发和投资并购，这样也促进了地图产业的快速发展。
　　2.实时测绘技术介绍
　　典型的采集车数据处理做深度学习、机器视觉，在基础识别、目标识别上能够提高数据的处理能力。遗憾的是这样的采集车基本上要达到200万左右的量级才能达到10公分厘米级的精度，这是国内外的基本情况，以目前的水平要达到10公分的精度，应该以200万左右的采集装备，如果把这个装备放到汽车上进行销售，基本没有消费者会买这样的车，这就带来了一个问题，我们怎么样来进行这样的高精度地图的制作和采集？从目前来看要完成这样的传感器设备，目前国内的平均水平大概每人每天能够处理不到20公里，如果按照国内现在的400多万公里公路来预估，需要1万人耗时20年才能够把中国的地图高精度覆盖。
　　四维图形做也需要200年才能把中国的高精度地图做完，在当下这种基础水平下，提利用高精度地图进行无人驾驶，好像不可能。这种情况下怎么办？我们要等高精度地图覆盖了才能进行这样的处理？所以这里面有很多的挑战需要我们行业之间共同协调进行协同发展，其中高精度地图的一些基本特征，除了几何信息之外，还有动态信息、红绿灯、些障碍物等信息，都是需要处理的，在这个基础上，结合我们团队的一些研究，我们提出一个新的问题，我们是不是需要这样高精度的地图才能进行无人驾驶？这是今年7月份负责做的实验，是由像素引发的问题，其核心是在测试过程中有一个大概10公分左右的像素出现了问题，所有的车在这个地方都有一个同样的规避行为，一个像素出问题，在我们测试中是很容易发生的事情，这种错误是难免的。在采集过程中有很多临时的坑洼，人工智能的识别问题会导致地图跟实际的情况有些差异，进而导致一些这样的偏离。
　　地图用在千家万户，用在很多车上，所以会出现共同的特征，那么我们怎么解决？我们无人驾驶应该什么样的地图？是不是需要这样的无缝高精度地图，可以提出一个场景地图，把驾驶过程看成是一个场景接一个场景的过程，人类驾驶、人类认知主要是三要素，参照点距离跟方向，所以我们结合人人之间的位置的交换，主要是基于这种模式进行，那么场景地图核心是什么？是一种精细化的地图，包含了在道路上所有的人、车等等的动静态障碍物，是对真实事件全面的反映，而地图是一种抽象的表示，在不断地提升，从综合来看，不断的提升是一种抽象。要对这个事件进行精细化的表示，是一个非常大的工作量。
　　我们目前做的都是这样的工作，从左边到右边，中间进行了大量的计算跟转接，实际上是为人的驾驶进行的辅导，我们怎么样让计算机自动识别从场景到场景的切换而不需要这样的计算过程，这是场景地图学未来重要的研究内容，怎么样为计算机做自动过程。大家都知道这里面的识别，场景中的目标识别还是非常困难，而且效率也是非常低，基于这种场景地图，我们很多观念就会发生变化，场景地图是一个局部视觉，它没有绝对的经纬度，在这里我不知道自己的经纬度是多少，但是我跟大家的相互关系是很明确的，这是它的内容。内容非常丰富，目标是动态变化的。里面几何关系复杂，没有连续的概念，相对关系是比较明确。
　　基于这种场景的引导是我们人类驾驶的一个基本特征，人类驾驶的时候主要是引导，看着前车怎么样走，看实际情况进行引导。在这种情况下，我们怎么样来建立这样的地图，既能满足无人驾驶的需要，又能满足现在的水平，是我们重要的内容。这是我们做的实验，是一幅道路场景，现在无人驾驶最大的问题是场景过多，场景完全靠人工智能与机器学习来做，工作量非常大。这里面有几个问题，第一个是定位问题，也是目前最关键、最核心的问题，怎么样实现这样的定位，我们提出一个概念，能不能在普通的导航地图的基础上进行这样的比较高精度的相对到位。导航地图是一个绝对定位，我们通过GPS，5米左右的精度问题不太大，但是如果要在在隧道、高架等情况下，连续实现这样高精度，目前是做不到的，我们能不能做运动型的？像手机的计步、轨道计算一样，我们在这个基础上，把相对定位做好，通过我们的场景里面目标的相对关系做好，这是目前的方向。

图2 定位技术

　　我们将定位分成两个部分，一个是横向的，另一个是纵向的，横向的精度可以通过车道线，通过相对关系保证比较高精度的定位，而纵向的差一两米或者差更多的问题不大，主要是保证不跟前面的车辆及其他物体发生碰撞，到路口还有几米等等这样的关系，这种高精度定位横向应该达到什么精度，纵向应该达到什么精度，这样可以把成本大大降低，技术手段上可以实现比较大的跨越。
　　这里包括基于车道实现的横向高精度相对定位，而不是绝对定位，通过道路线的约束，通过里面视觉标签形成绝对定位，通过相互关系实现相对定位，包括通过场景特殊的地理视觉标签来实现绝对定位，这样就可以把传感器的成本进行大幅降低。

图3 摄影测量与机器视觉技术

　　网联车每一辆车都是一个平台，通过感知可以实现车道级的实时交通计算，在这方面也与四维图形和一些汽车厂合作做过一些方案与研究，通过机器视觉速度，可以计算交通信息，通过大量的网联车辆，在后台可以实现比较高精度的实时的交通信息，也可以通过网联平台实现快速的地图生产，这样就可以把一家生产企业做的工作，通过大量的联网感知车辆实现地图的快速生产，避免专业化的精度要求，同时提高生产效率。

图4 激光点云处理技术（语义理解）

　　我们通过机器视觉进行目标的识别，在地图里会有标签，通过标签反算车辆的位置。基于点云，从语义上，我们要知道每个点云代表的特征是什么，到底是汽车还是行人等等，这也是地图的重要研究内容，问题是怎么样提高包括共享在内的实时性。这是我们基于网联车的群体感知，我们以出租车的定位数据进行研究，相关内容也发表在国内顶级期刊杂志上，其中的核心是什么？现在出租车的定位精度很差，数据也很稀疏，我们在这个基础上，能够实现比较精细化的高度变化检测，包括精细化的道路级的生产，这个生产是可以为无人驾驶服务的。这个车道级几何的提取，主要是基本的特征。这个精度比较低，传统的普通GPS定位水平就能够做到这样，但关键是要基于大量的车辆来做，这也是一个网联车重要的后台研究内容。
　　要实现与现有地图包括增加实时感知信息，建立动态反馈等方面的一些兼容，以快速生成道路信息。场景地图未来的网络平台，未来众智的服务，也是现在地图引领未来发展方向，而不是仅靠现有的几家地图生产厂，仅靠每家后面几百人的队伍，显然做不到无人驾驶的地图快速生产。自动驾驶不一定是先采后用，可以边采边用，这样就不需要我们等200年才能覆盖中国的高精度地图，当然未来这方面还会有很多内容，我们也做了分时租赁最后一公里的问题，现在的共享单车共享经济发展态势良好，我们共享单车走到哪可以停到哪，但是汽车不能这样，特别是电动汽车，应该停在固定的停车位，我们召之即来、用完就回到它的车位去，自动来自动取，这个应该是未来的工作方向。我们自己做了一个APP，针对无人驾驶、电动车也做了大量的实验，分时租赁未来在网联上面也是一个重要的内容。
　　3.未来发展趋势
　　对于未来的发展趋势，高精度、高时效、低成本是未来发展的方向也是目前面临的挑战，现有的采位技术是不可能实现无人驾驶，目前要基于高精度地图实现无人驾驶是不可能的。没有高精度地图，也不可能先做两个城市的高清地图，只在北京、上海两个城市跑，而在武汉就没有高精度地图。所以在未来智能化、动态化、大众化应该是未来的发展方向，需要跨界的合作、跨界的经营，地图商跟汽车商、人工智能计算机相互合作，共同把每个短板提高，而不是把测绘精度提的很高很高，其他的完全靠着地图跑轨迹这样的方式，这个未来是不现实的，所以未来也是需要这样去做。
　　无人驾驶最终是说感知+地图，通过感知降低地图精度要求，通过地图来降低感知的难度，这样是一个比较可靠的项目。有了地图就知道红绿灯在什么地方，看红绿灯的颜色就行了，告诉你红绿灯的精度纬度是多少，感知就可以提前做，而传感器也可以在地图的指导下发挥作用，这样计算量也可以降低。所以这是相互的，因为我们有了感知，所以我们不需要那么高的精度，我们有包括车道线在内的很多约束，我们的精度也可以降下来，这样整体成本就可以达到一个比较合适的位置。 

         友情链接：www.51carfi.com