1. 高精地图与自动驾驶的关系

1.1 高精地图与自动驾驶

L3级别以上才需要高精地图

1.2 什么是高精地图

1.3 高精地图与导航地图

1.4 高精地图-基础模块

在这里插入图片描述

高精地图与定位模块的关系

现在主流的自动驾驶的定位方案有两种：一种是基于点云，另一种是基于Camera。其本身都是一种对周围环境的感知。
感知后是Feature提取，提取之后可以通过特征匹配最终得到精确结果。

高精地图与感知模块的关系

开发者可以把高精地图看作是离线的传感器，在高精地图里，道路元素的位置都被标注好了。
这样做不仅可以减少感知模块的工作量，而且可以解决Deep Learning 的部分缺陷。识别可能会有些误差，但先验之后可提高识别率。

高精地图与规划、预测、决策模块之间的关系

「规划模块」完成的工作主要有两个：第一是A点到B点的长距离规划；第二个是短距离规划。
「预测模块」的作用是把其他道路参与者的可能行驶的路径轨迹和行动预测出来。
「决策模块」主要是根据规划和预测的结果决定自动驾驶车辆是跟车、超车还是在红绿灯灯前停下等决策。
「控制模块」是把决策结果分解为一系列的控制行动，然后分发给控制模块执行。
高精地图给规划、预测和决策模块提供先验的知识，高精地图能够让车辆「决策」更加准确。

高精地图与安全模块

可能遭受4个维度的攻击：传感器、操作系统、控制系统和通信系统。

高精地图与仿真系统

1.5 高精地图的作用

静态的Perception

对于复杂的场景，将人类的经验赋予机器。

弥补系统性缺陷

自动驾驶需要非常复杂的计算系统，4G的传输速度并不能满足现阶段自动驾驶的海量数据传输需求。

64线激光雷达、Camera和其他传感器，每时每刻都会产生巨量的数据，这些数据不能传回云端，就不能采用互联网的模式：通过云端计算把结果发送给终端。

举个例子，高精地图告诉感知/控制模块，在你的双向通行的车道中有栅栏隔离，对向车道的车不可能过来，系统就可以放弃检测对向车道上的障碍物，有效地降低系统负担。

2. 高精地图的采集与生产

2.1 高精地图采集过程用道的传感器

GPS + IMU + 轮速计

2.2 高精地图采集过程中的制图方案

方案一激光雷达

方案二激光雷达融合Camera

其他方案：视觉制图

3. 高精地图的格式规范

3.1 高精地图的格式规范

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: Navigation Data Standard
NDS有上百页格式文档，因此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。
其最典型表现是一个NDS不仅包括基本导航技术数据、B公司的POI数据（即地图上的一个点，地图上每一家商家店铺都可以被称之为一个POI数据点），还支持局部更新，即使是对一个国家或者省市的相关内容进行局部更新，都十分便捷。

NDS中另外一个非常重要的概念叫做Level（尺度），其含义类似于传统手机地图功能中的比例尺。
通过放大或缩小比例尺，来浏览全国或某个区域、某栋楼的地图信息。
分块技术作为地图领域中一项普遍通用的技术，也被应用到Level中。

OpenDRIVE
在运用OpenDRIVE格式规范表述道路时，会涉及Section、Lane、Junction、Tracking四个概念。

4. 业界高精地图产品

HERE + MobileEye + Google Waymo

4.1 HERE

HERE HD Live Map的四大特性:
基础地图的设计+ 众包更新（基于图像）+ 在云计算中映射学习 + 更新的地图

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众包方案:
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 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对地图的表述方式:
第一层是Road & Lane Model Layer（车道边界和区分界线）
第二层是Localization Model Layer（基于Camera或点云）
第三层是Activity Layer（动态信息层、道路实时信息）
第四层是Analytics Layer（司机驾驶习惯分析）

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。