武漢大學測繪遙感信息工程國家重點實驗室 李必軍

　　1.車用電子地圖發展
　　地圖是一個重要的基礎設施，前些年在做無人駕駛，特別是中國做無人駕駛的時候，一開始是不讓使用地圖的，現在我們非常依賴地圖，在地圖里面有很多很多的技術問題需要解決。
　　我們現在主要在L2-L3階段之間，很多人已經提出了地圖已經成為無人駕駛最核心的部分，關于這個國內外已經達成了共識。其實，地圖發展具有很長的歷史。從地圖在汽車的應用方面可以分為三個階段，第一個階段是導航，從2000年左右開始，中國已經有了導航電子地圖，導航電子地圖基本的內容是三要素，可以輔助駕駛員進行導航。第二階段是安全，我們現在提出無人自動駕駛，對地圖提出了很大很新的要求，很多要求厘米級的定位，包括很多相關參數。

圖1 車用電子地圖的發展階段

　　目前國家車載級的高精度定位跟環境感知還是比較弱，全世界都是這樣，還有很大的問題需要解決。我們主要用地圖解決傳感器實效性情況下的感知問題，比如說超世界范圍的，超物理極限的問題，必須要用地圖作為支撐，要實現車道級的定位、規劃跟導引，這是目前提出的新要求。
　　這個新的要求和我們目前車位發展階段、車位發展水平還是有比較大的差異，也對我們的技術提出了很多挑戰。從未來發展來看，智能化、網絡化、信息化是行業發展的重要趨勢，人機共駕是目前的一個重要的階段，而且也是不可突破的，從人機共駕到自主駕駛中大家都認可的厘米級的高精度地圖，是一個核心。國內有很多地圖生產商在進行地圖的開發包括研制，其中還有跨界的，包括汽車廠、傳感器相關產商，以及汽車商都在進行地圖相關的研發和投資并購，這樣也促進了地圖產業的快速發展。
　　2.實時測繪技術介紹
　　典型的采集車數據處理做深度學習、機器視覺，在基礎識別、目標識別上能夠提高數據的處理能力。遺憾的是這樣的采集車基本上要達到200萬左右的量級才能達到10公分厘米級的精度，這是國內外的基本情況，以目前的水平要達到10公分的精度，應該以200萬左右的采集裝備，如果把這個裝備放到汽車上進行銷售，基本沒有消費者會買這樣的車，這就帶來了一個問題，我們怎么樣來進行這樣的高精度地圖的制作和采集？從目前來看要完成這樣的傳感器設備，目前國內的平均水平大概每人每天能夠處理不到20公里，如果按照國內現在的400多萬公里公路來預估，需要1萬人耗時20年才能夠把中國的地圖高精度覆蓋。
　　四維圖形做也需要200年才能把中國的高精度地圖做完，在當下這種基礎水平下，提利用高精度地圖進行無人駕駛，好像不可能。這種情況下怎么辦？我們要等高精度地圖覆蓋了才能進行這樣的處理？所以這里面有很多的挑戰需要我們行業之間共同協調進行協同發展，其中高精度地圖的一些基本特征，除了幾何信息之外，還有動態信息、紅綠燈、些障礙物等信息，都是需要處理的，在這個基礎上，結合我們團隊的一些研究，我們提出一個新的問題，我們是不是需要這樣高精度的地圖才能進行無人駕駛？這是今年7月份負責做的實驗，是由像素引發的問題，其核心是在測試過程中有一個大概10公分左右的像素出現了問題，所有的車在這個地方都有一個同樣的規避行為，一個像素出問題，在我們測試中是很容易發生的事情，這種錯誤是難免的。在采集過程中有很多臨時的坑洼，人工智能的識別問題會導致地圖跟實際的情況有些差異，進而導致一些這樣的偏離。
　　地圖用在千家萬戶，用在很多車上，所以會出現共同的特征，那么我們怎么解決？我們無人駕駛應該什么樣的地圖？是不是需要這樣的無縫高精度地圖，可以提出一個場景地圖，把駕駛過程看成是一個場景接一個場景的過程，人類駕駛、人類認知主要是三要素，參照點距離跟方向，所以我們結合人人之間的位置的交換，主要是基于這種模式進行，那么場景地圖核心是什么？是一種精細化的地圖，包含了在道路上所有的人、車等等的動靜態障礙物，是對真實事件全面的反映，而地圖是一種抽象的表示，在不斷地提升，從綜合來看，不斷的提升是一種抽象。要對這個事件進行精細化的表示，是一個非常大的工作量。
　　我們目前做的都是這樣的工作，從左邊到右邊，中間進行了大量的計算跟轉接，實際上是為人的駕駛進行的輔導，我們怎么樣讓計算機自動識別從場景到場景的切換而不需要這樣的計算過程，這是場景地圖學未來重要的研究內容，怎么樣為計算機做自動過程。大家都知道這里面的識別，場景中的目標識別還是非常困難，而且效率也是非常低，基于這種場景地圖，我們很多觀念就會發生變化，場景地圖是一個局部視覺，它沒有絕對的經緯度，在這里我不知道自己的經緯度是多少，但是我跟大家的相互關系是很明確的，這是它的內容。內容非常豐富，目標是動態變化的。里面幾何關系復雜，沒有連續的概念，相對關系是比較明確。
　　基于這種場景的引導是我們人類駕駛的一個基本特征，人類駕駛的時候主要是引導，看著前車怎么樣走，看實際情況進行引導。在這種情況下，我們怎么樣來建立這樣的地圖，既能滿足無人駕駛的需要，又能滿足現在的水平，是我們重要的內容。這是我們做的實驗，是一幅道路場景，現在無人駕駛最大的問題是場景過多，場景完全靠人工智能與機器學習來做，工作量非常大。這里面有幾個問題，第一個是定位問題，也是目前最關鍵、最核心的問題，怎么樣實現這樣的定位，我們提出一個概念，能不能在普通的導航地圖的基礎上進行這樣的比較高精度的相對到位。導航地圖是一個絕對定位，我們通過GPS，5米左右的精度問題不太大，但是如果要在在隧道、高架等情況下，連續實現這樣高精度，目前是做不到的，我們能不能做運動型的？像手機的計步、軌道計算一樣，我們在這個基礎上，把相對定位做好，通過我們的場景里面目標的相對關系做好，這是目前的方向。

圖2 定位技術

　　我們將定位分成兩個部分，一個是橫向的，另一個是縱向的，橫向的精度可以通過車道線，通過相對關系保證比較高精度的定位，而縱向的差一兩米或者差更多的問題不大，主要是保證不跟前面的車輛及其他物體發生碰撞，到路口還有幾米等等這樣的關系，這種高精度定位橫向應該達到什么精度，縱向應該達到什么精度，這樣可以把成本大大降低，技術手段上可以實現比較大的跨越。
　　這里包括基于車道實現的橫向高精度相對定位，而不是絕對定位，通過道路線的約束，通過里面視覺標簽形成絕對定位，通過相互關系實現相對定位，包括通過場景特殊的地理視覺標簽來實現絕對定位，這樣就可以把傳感器的成本進行大幅降低。

圖3 攝影測量與機器視覺技術

　　網聯車每一輛車都是一個平臺，通過感知可以實現車道級的實時交通計算，在這方面也與四維圖形和一些汽車廠合作做過一些方案與研究，通過機器視覺速度，可以計算交通信息，通過大量的網聯車輛，在后臺可以實現比較高精度的實時的交通信息，也可以通過網聯平臺實現快速的地圖生產，這樣就可以把一家生產企業做的工作，通過大量的聯網感知車輛實現地圖的快速生產，避免專業化的精度要求，同時提高生產效率。

圖4 激光點云處理技術（語義理解）

　　我們通過機器視覺進行目標的識別，在地圖里會有標簽，通過標簽反算車輛的位置。基于點云，從語義上，我們要知道每個點云代表的特征是什么，到底是汽車還是行人等等，這也是地圖的重要研究內容，問題是怎么樣提高包括共享在內的實時性。這是我們基于網聯車的群體感知，我們以出租車的定位數據進行研究，相關內容也發表在國內頂級期刊雜志上，其中的核心是什么？現在出租車的定位精度很差，數據也很稀疏，我們在這個基礎上，能夠實現比較精細化的高度變化檢測，包括精細化的道路級的生產，這個生產是可以為無人駕駛服務的。這個車道級幾何的提取，主要是基本的特征。這個精度比較低，傳統的普通GPS定位水平就能夠做到這樣，但關鍵是要基于大量的車輛來做，這也是一個網聯車重要的后臺研究內容。
　　要實現與現有地圖包括增加實時感知信息，建立動態反饋等方面的一些兼容，以快速生成道路信息。場景地圖未來的網絡平臺，未來眾智的服務，也是現在地圖引領未來發展方向，而不是僅靠現有的幾家地圖生產廠，僅靠每家后面幾百人的隊伍，顯然做不到無人駕駛的地圖快速生產。自動駕駛不一定是先采后用，可以邊采邊用，這樣就不需要我們等200年才能覆蓋中國的高精度地圖，當然未來這方面還會有很多內容，我們也做了分時租賃最后一公里的問題，現在的共享單車共享經濟發展態勢良好，我們共享單車走到哪可以停到哪，但是汽車不能這樣，特別是電動汽車，應該停在固定的停車位，我們召之即來、用完就回到它的車位去，自動來自動取，這個應該是未來的工作方向。我們自己做了一個APP，針對無人駕駛、電動車也做了大量的實驗，分時租賃未來在網聯上面也是一個重要的內容。
　　3.未來發展趨勢
　　對于未來的發展趨勢，高精度、高時效、低成本是未來發展的方向也是目前面臨的挑戰，現有的采位技術是不可能實現無人駕駛，目前要基于高精度地圖實現無人駕駛是不可能的。沒有高精度地圖，也不可能先做兩個城市的高清地圖，只在北京、上海兩個城市跑，而在武漢就沒有高精度地圖。所以在未來智能化、動態化、大眾化應該是未來的發展方向，需要跨界的合作、跨界的經營，地圖商跟汽車商、人工智能計算機相互合作，共同把每個短板提高，而不是把測繪精度提的很高很高，其他的完全靠著地圖跑軌跡這樣的方式，這個未來是不現實的，所以未來也是需要這樣去做。
　　無人駕駛最終是說感知+地圖，通過感知降低地圖精度要求，通過地圖來降低感知的難度，這樣是一個比較可靠的項目。有了地圖就知道紅綠燈在什么地方，看紅綠燈的顏色就行了，告訴你紅綠燈的精度緯度是多少，感知就可以提前做，而傳感器也可以在地圖的指導下發揮作用，這樣計算量也可以降低。所以這是相互的，因為我們有了感知，所以我們不需要那么高的精度，我們有包括車道線在內的很多約束，我們的精度也可以降下來，這樣整體成本就可以達到一個比較合適的位置。 

         友情鏈接：www.51carfi.com