目录
痛点1：视觉传感器场景受限
高精度地图针可进行有效冗余
在很多场景下，例如下雪天，车道线磨损，遮挡，或雾霾天气，这个时候不管是传统的视觉以及激光雷达传感器，它都会有一定的失效。
所以为了保证安全性，为了保证高级自动驾驶的有效冗余性，我们需要高精度地图这样一个冗余的传感器，来支撑自动驾驶，弥补传感器的不足。
同时还有其他典型情况，下图可以看到在城市的复杂道路环境下有很多的红绿灯，依靠单纯的视觉系统，很难的分辨出红绿灯究竟是控制哪条车道的交通流。
此时，我们可以通过提前绘制好的高精度地图，有效的控制和加速自动驾驶系统的识别，让它能够观察到正在控制本条车道的红绿灯究竟是哪一个，从而实现动态的自动控制。
痛点2： 传统卫星定位场景受限
高精度地图车辆融合定位
在一些复杂的场景下，例如图中重庆的复杂立交，或者隧道场景，我们怎么样去做高难度的定位，实现车道级的定位？
目前来讲，行业通常的做法是RTK加上一个车规级的IMU。然而，现实中GPS/RTK的方式非常容易受到干扰，不仅仅遇到立交桥等复杂场景，此外例如城市环境下的高楼大厦，镜面反射，甚至大型水体，也会受到信号的干扰，从而无法实现精准定位。
因此，我们需要一个非常稳定的无源定位的方式。利用高精度地图，结合视觉毫米波雷达、激光雷达等无源定位的无源传感器，实现自主定位，这种融合定位的方式，会在实际使用过程中大大提高自动驾驶的安全性。
痛点3 视觉传感器距离及理解受限
高精度地图延长感知距离，实现车道级路径引导
地图是一个超视距传感器，对于远距离的路径规划，通常只能通过地图提前进行进行规划。并且我们可以看到像类似于复杂的环岛场景，必须通过高精度地图提前进行对其规则进行理解，从而做出合理的决策和控制。
此外，在很多城市场景下，类似于潮汐车道等本身存在一定的特殊交通规则，此时需要利用高精度地图提前进行路径规划，避免自动驾驶系统错误的认知交通规则。
所以，高精度地图不仅仅是作用于自动驾驶的核心功能，更加重要的我们可以提前赋予他比司机更加丰富的驾驶经验。
四维图新高精度地图在对中国、欧洲、东南亚进行数据采集、制作过程中，也遇到了各种各样有意思的场景，识别了包括1000+种特殊的道路形态，例如：
高速公路的U-turn
高速公路上的交叉路口
高速公路上甚至有房子出现
甚至出现了非正常的开口
往往这样一些特殊场景下，单纯依靠自动驾驶系统在局部的感知实现自动驾驶是非常的困难的。因为自动驾驶系统目前来讲，依赖的人工智能系统主要是一个基于归纳法的实现方式，也就是基于现有场景的归纳总结，但是对于cornercase（临界情况），往往很难处理。然而只有实现全场景的感知决策才有可能实现真正的自动驾驶。
此时，高精度地图就可以先于其他传感器，提前去绘制和理解这样一些复杂场景，从而及时让自动驾驶系统能够感知到前方有异常的场景，通过地图去提前识别风险，再能够通过提前接管或提前预警的手段避免危险的发生，采取更安全的驾驶手段。
拆解痛点
自动驾驶不同阶段，对地图有多样化需求
经常会听到一些声音对自动驾驶地图，高精度地图傻傻分不清楚。但是从四维图新的观点来看，高精度地图是一种较为完整的地图产品，而自动驾驶对地图需求，更像是是一个金字塔模型。
如下图，从上到下，面对不同级别自动驾驶，对地图的需求会越来越重。
>>>>
轻量需求-ODD地理围栏等
面对现阶段较为复杂的路况，自动驾驶系统往往需要通过ODD地理围栏，知道什么情况下是否可以开启，而地理围栏的设计需要通过高精度地图。
其中，我们可以知道在很多恶劣天气条件下，比如冬天有些路段结冰等不安全的因素一旦出现，整个自动驾驶系统，包括自动驾驶的服务后台，一定要给予车辆一个提前的预警，提供实时的路面信息作为危险信号，帮助自动驾驶车辆及时规避风险，这就需要高精度地图提供实时交通服务，通过结合动态信息提供实时的自动驾驶地理围栏。
>>>
较轻量需求-UGC/定位规划等
此外还有一种轻量级的模式，一些企业通常使用毫米波雷达，视觉传感器进行UGC成图，从而实现基于量产传感器的定位。这种地图成图成本相对比较低，但是同时也有一个较大的问题，就是它具有一定的不确定性，它是具有一定概率的成图模式。
目前大部分车厂在实现基于路径的自动驾驶服务上，面向的目标是基于高精度定位以及车道级路径规划的服务。为了实现高速公路的脱手自动驾驶，一定需要首先实现高精度定位以及规划，其中需要使用厘米级的高精度地图服务，包含一些UGC手段的辅助，从而实现自动驾驶功能安全的冗余。
>>>>
较重量需求-安全相关
面向L3+的自动驾驶解决方案，则需要相对重量级的一种地图解决方案，也是更依赖高精度地图的。
L3+一般我们来讲就是L3/L4，那么这个跟L2/L2+的有一个根本性的区别，就是它的责任主体是车辆，所以要求所有自动驾驶系统具备极高安全性。所以，感知层面一定要具备高度的冗余性。
面向L3+的系统上，不管是视觉激光雷达、高精度地图，一定都是必备条件。
另外我们可以看到高等级的自动驾驶对于地图的要求不仅仅是精度高，另外需要更高频的更新。那么利用这个车端的传感器，如何实现高精度地图的快速更新，也是一个非常重要的课题。
跨越痛点
剖析地图生产过程中专业的自动化工艺
为什么说L3/L4的高精度地图一定是高自动化的？高自动化意味着两点：
第一，为了保证高度的质量，高度的可靠性，我们一定要在很多关键的环节逐渐的去人工化，因为只有去掉了人工，这个环节才能够实现充分的可复现性，因为人工具备一定随机性，但是自动化是具备重复性的。
第二，我们只有通过了高度自动化，才能够实现快速自动更新，从而维持地图高鲜度。通过效率的提升，很多时候即使计算周期比较长，但是我们借助高度的自动化工具，同样是能够将将地图的快速更新，从而实现从天级到小时级甚至分钟级更新，只有这样才能够支撑高级自动驾驶对于安全性的需求。
采集过程自动化：
作为一家专业的测绘公司，首先要做到高精度地图的自动化采集流程。
第一，我们采用了包括GPS、北斗、GLONASS、伽利略在内的多系统卫星实现高精度定位，同时我们通过自建的CORS（地面基准站）服务，包括地面的控制点，实现空地一体化的高精度网络，从而支撑测绘采集的信息处理。
此外，通过自研的传感器同步系统，目前能够实现毫秒级的多元传感器的数据同步，从而保证在数据在采集过程中的精度达到了业界领先标准。
>>>>
处理过程自动化：
采集后的数据在处理过程中，也会增加自动化精度优化的手段。这里面包括点云的自动化处理，以及图像的自动化处理。在整个的数据处理过程中，通过自动化的手段的加持，可以实现高度的全局精度优化，从而保证地图不仅仅是精度达到标准，同时使得精度在全局下能够达到一个连续的标准。
同时我们可以看到我们通过全国甚至欧洲的多场景数据采集，我们积攒了各种各样的场景。对于这些多样的场景的提前预研，也使得我们整个自动化的算法，能够适应更多的复杂路况。
比如面对前面提到的高速被灌木丛遮挡、车道线模糊等现实复杂场景，我们通过5年的研发迭代和场景库积累，目前已经基本实现了所有要素的自动化处理，并且在这种cornercase的情况下，也实现了一个高度自动化的提取，确保稳定性。
>>>>
验证过程自动化：
不仅仅是制作层面需要更多自动化处理，为了让处理后的地图数据拥有更高质量，我们也建立了单独的评测体系，包括利用国标去建立一个全面的质量评测体系。从而实现一个实地的包括质量和要素的实体抽样检测，以保证最终出品的数据得到充分的评测。
>>>>
更新过程自动化：
四维图新目前进行UGC地图更新时，会用到一个比较领先的技术——Map Learning，这指的是我们利用，预先安装好的消费级的车内传感器，进行自动化数据回传和处理，然后通过高度自动化的融合算法，从而实现基于消费级传感器数据的自动更新，最终保证高精度地图能够实现实时动态更新，全面保障自动驾驶的安全性。
四维图新高精度地图产品矩阵
正是由于看到了高精度地图对于实现自动驾驶的重要性，四维图新通过提前的布局，目前无论是高速路还是普通城市道路，覆盖里程已经达到业界领先。
这里讲的高速部分，包括广域高速以及城市高速。目前四维图新高精度地图数据已经覆盖了中国将近30万公里，以及德国的28,000公里高速道路。
这里要提到一点，就是四维图新为什么去做德国的道路。作为一家B2B的公司，我们的业务布局始终是以客户需求为中心的，通过跟一些国际伙伴的合作，四维图新在地图的整个技术水平以及地图的制作质量方面的能力也得到业界的充分肯定，部分合作伙伴同时也希望我们能够去加速在他们本土的自动驾驶开发进程，从而邀请我们进行了欧洲的高精度地图的制作。目前来讲欧洲大多主流车厂非常看重高精度地图在自动驾驶过程中的支撑作用，这里面也包含了四维图新在他们整个自动驾驶研发过程中的技术支撑。
普通道路方面，目前来讲我们也是制作了一个面向L4级以上Robotaxi和以及L4以上乘用车的一个城市自动驾驶地图，我们把它称为一个终极版的自动驾驶地图，截至目前，四维图新已经覆盖了全国大部分的开放测试道路、示范区以及我们国家最典型的城市区域。
2019年四维图新自动驾驶地图产品已完成全国高速道路的覆盖，而在经过近两年时间的研发准备，城市普通道路数据也正式进入产品化阶段，相较于高速城市道路更加开放，场景更为复杂，对自动驾驶能力提出了更高的挑战，自动驾驶地图也将发挥更关键的作用。
通常意义上我们提到的自动驾驶地图，以及地图服务，是对应未来最高级别的自动驾驶技术，目前还无法做到真正的量产级落地，然而前面也提到随着自动驾驶技术的逐步演进，L2及以上辅助驾驶功能已经进入一个落地的关键周期，根据不同等级自动驾驶对于地图的不同需求，四维图新高精度地图也相应推出了三种地图产品：
我们拥有面向L2+覆盖所有场景的高精度地图产品-HD Lite，还有面向场景覆盖高速以及城市高速城市快速路的高精度地图产品—HD Pro，以及面向复杂城市包括Robotaxi等应用的高精度地图-HD Ultimate。
这些地图虽然被赋予不同的名字，但对于我们来讲，最终对车厂提供服务，以及对用户提供服务来说，它们之间一定是通过一个接口，一个协议，可以平滑地连接在一起。
从图商的角度来讲，地图定义自动驾驶，通过自动驾驶地图平滑地支撑自动驾驶这么一个长期演进的地图服务，能够支撑未来面向10年的自动驾驶产业从L2升级到L4的一个逐步升级过程。
目前来讲，自动驾驶行业仍处于一个从L2到L2+的演进周期。通过今年一些行业研报可以看出，从今年开始很多车型L2级别的辅助驾驶已经处于一个非常普及的状态，其中丰田的卡罗拉甚至已经60%以上都标配了L2级的辅助驾驶。
我们认为整个乘用车产业界对L2以上的辅助驾驶功能已经到了一个落地的关键周期。相较于L3/L4，L2+的责任主体还是在驾驶员本身，所以自动驾驶解决的是给大家带来更好的体验而不是负担。所以我们也在思考如何通过地图让L2级别的自动驾驶增加更多的体验。
之所以叫HD Lite ，是因为对于图商车厂来讲，它一定是一个低成本大范围的方案。HD Lite的图看起来跟刚才讲的这样一个高级别的自动驾驶地图很像，但是实实际上它他在整个的制作上主要是依赖高度的自动化的处理手段，它可以充分利用AI能力提取关键要素进行自动成图，实现低成本广域的自动驾驶地图服务，从而帮助包含高速以及城市地图服务，进入一个可以量产的形态，加速这个级别自动驾驶技术的落地。
目前来讲，我们在L2+的覆盖范围是最广的，但是随着自动驾驶技术的提升，以及数据生态的提升，我们在面向L3/L4的地图上也会逐步实现不同区域的扩展。
总结一下，对于自动驾驶地图，四维图新用有一套整体的服务形态：
第一，作为自动驾驶系统的支撑，地图的表现形式有两种，一种是去云端分发地图，用云更新地图，以及通过现实场景的仿真，提供一种即插即用的面向车端的地图引擎，地图引擎里面包含数据的感知、现场的感知定位、跨域的交叉参考，路径规划等核心功能。
高精度地图整体解决方案也是一个闭环的状态，闭环包含地图的更新，数据的更新、功能的更新，以及包含传感器的数据回传，能够实现一个数据的增强，功能的增强，通过这么一个长期的迭代过程，从而实现实现7×24小时的地图服务，支撑更加安全的自动驾驶。
此外，针对L3以上的自动驾驶，每一个子系统都要具备高度的可用性，具体来说就是一定要有冗余，这里的冗余不仅仅包含在传感器之间，高精度地图系统内部也需要去冗余，比如从地图更新上来讲，我们的更新源将不仅仅包括专业源，也包含UGC源，同时在众多源数据里面，能够形成一个交叉验证，从而实现整体系统的高可靠和高安全性。
除了基本的地图功能以外，高精度地图同时支持了包括融合定位、V2X分发、UGC数据采集等应用。
面向未来的无人驾驶地图服务平台
面向未来的整个高精度地图服务，除了前面讲的高可靠，以及能够帮助自动驾驶系统快速量产落地以外，面向未来L4以上的高精度地图应用，高精度地图服务一定要达到一个实时级的状态。要达到实时级的状态的话，我们一定要充分去利用路端设备，这个路端就是现在我们经常听到的5G边缘云以及V2X等车路协同解决方案。
那么边缘云和V2X怎么样能促进高精度地图服务呢？目前来讲边缘云具备强大的计算能力，它也可以具备类似于摄像头，激光雷达这样一些传感器，然后利用整个成熟的V2X技术，进行高精度地图的自动更新与分发，从而实现毫秒级的自动驾驶安全服务。
与此同时，对于车路协同而言，最重要的是不同的交通体之间，要具备可以通信的语言，高精度地图作为其中最重要的语言，就可以利用服务告诉不同交通体具体在某一个车道的某一个位置，以及和前方车辆到底是什么关系，从而帮助驾驶进行决策。这样来讲，尤其是智能路段，对高精度地图的需求是非常强烈的，甚至于说是一种基础性的服务。
对于自动驾驶，人类的终极梦想是面向L5，也就是实现真正的无人驾驶。
面对无人驾驶，我们认为整个业界需要拥有一个超越人类的智慧大脑，这个智慧大脑一定是基于数据驱动的，这个数据驱动一定要是通过整个自动驾驶的长周期的运营来实现的，一个高级别的AI人工智能系统。
面对未来无人驾驶的愿景，四维图新也在不断思考。我们希望能够通过与OEM、出行服务商，一起来打造一个开放的数据平台。
这个数据平台能够通过量产车以及Robotaxi上预置的传感器，以及四维图新高精度地图高度自动化的服务，可以实现高度定制化，从而实现高精度地图数据驱动的快速迭代，能够形成一个数据闭环，这个数据闭环同时也会持续迭代升级，从而不断更新地图服务，然后持续升级人工智能的能力。
此外通过在整个自动驾驶闭环中产生出来的数据，能够去赋能与智慧交通智慧城市，实现一个自动驾驶产业，从自动驾驶应用本身到更大智慧城市范围扩张，最终实现产业增值的效应，迈向终极的L5，以及面向无人驾驶的智慧城市。
评论（0）
您还未登录，请登录后发表或查看评论