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NDSOpenDRIVE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。

 

 

 以下,ENJOY 

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,早起在欧美地区大概有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

 

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

 

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。

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:

 

1. 采集器(任何装有摄影机的车辆);

 

2. 云端;

 

3. 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。

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。

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。

 

 

﹏﹏﹏﹏   END  ﹏﹏﹏﹏