◆地圖的用戶是人。

◆米級精度：地圖精度是米級別的，對于人類使用這已經(jīng)足夠了，因為人會自覺判別周圍的環(huán)境，做出自己的變化。

但是這些信息對于自動駕駛的車輛來說，是不是必要的、準(zhǔn)確的或者足夠的呢？

一個自動駕駛典型場景

上圖展示了一個典型的駕駛場景——假設(shè)我們正在駕駛的車輛是后面的白車，可以看到我們前方有輛自行車，那么對于白車而言，可以有兩個決策：跟車或者變道。

對于自動駕駛車輛來說, 它作出變道決策需要知道很多具體的信息：

◆在哪條車道上以及當(dāng)前車道的具體位置。

◆是否有隔壁車道，如果沒有車道你是變不過去的。

◆是否允許變道，車道的類型，車道線是虛線還是實線，變道距離是否足夠長，變道后是否能夠達(dá)到終點。

自動駕駛車輛不能像人一樣做出各種復(fù)雜的動作，這時就需要有一些先驗的約束條件，那么這些先驗信息都可以從地圖中來。

HD Road Graph如何應(yīng)用于自動駕駛

HD Road Graph （高精道路圖）也是高精地圖的一部分，又叫做拓?fù)涞貓D。HD Road Graph 以厘米級精度來描述道路細(xì)節(jié)，主要包含：車道類型、車道連通性、交通標(biāo)注/交通燈、人行橫道、道路幾何特征、其他語義信息。

大家可以看一下上圖左側(cè)，每一條路都已精細(xì)到車道，包括直行或左轉(zhuǎn)的車道，當(dāng)然也包括周邊的一些幾何信息?？傮w上你會發(fā)現(xiàn)高精地圖上的信息要比傳統(tǒng)地圖大很多。

感知系統(tǒng)+高精地圖

高精地圖在自動駕駛里有很多應(yīng)用，首先是與感知系統(tǒng)相結(jié)合。例如，高精地圖里會描述紅綠燈所在位置，當(dāng)自動駕駛車輛到達(dá)路口后，可以根據(jù)當(dāng)前的位置，更加準(zhǔn)確地識別前方的紅綠燈。

上圖左邊是一個普通的道路場景，而右邊則是安裝有幾十盞紅綠燈的特殊場景（其實現(xiàn)實情況基本不存在），在這種極端情況下，人類都很難分辨在哪個路口對應(yīng)哪盞紅綠燈。但如果前期在離線地圖上就能把這個對應(yīng)信息驗證準(zhǔn)確，無疑將對自動駕駛的安全性、可靠性起到很大幫助。

決策規(guī)劃+高精地圖

我們再來看下高精地圖在決策規(guī)劃方面的應(yīng)用。前面我提到了一個典型駕駛場景，以及在此情況下，自動駕駛車輛的行駛需要得到一個全局的路徑信息以及變道所需要的信息。

上圖右側(cè)的地圖強(qiáng)調(diào)了綠化帶，這其實為自動駕駛提供了語義信息。而地圖里包含的語義信息將幫助自動駕駛做出更好的行駛決策。

還是以綠化帶為例，當(dāng)自動駕駛車輛能夠提前知道旁邊是綠化帶，它便可以做一些先驗的決策，例如可以提前判斷在行駛中是否有行人、車輛直接從對向車道穿過來。這不僅提升了決策的準(zhǔn)確性，也使得系統(tǒng)性能得到提升，因為自動駕駛車輛此時不需要過多關(guān)心對面車道的物體，計算量也因此減少。通過上面的例子，你會發(fā)現(xiàn)先驗信息對自動駕駛決策來說必不可少，并且非常關(guān)鍵。

高精地圖生成與發(fā)布

當(dāng)前高精地圖生成發(fā)布用到的流程（Pipeline）一般分為以下幾個環(huán)節(jié)：

◆數(shù)據(jù)收集，地圖信息的采集。

◆數(shù)據(jù)清洗/聚合。

◆自動化識別，把地圖里的必要信息處理出來，包括車道線、紅綠燈、十字路口等等各種信息。

◆人工檢查/標(biāo)注，現(xiàn)有的算法還做不到100%的自動抽取，所以仍會加入人工檢查和標(biāo)注的環(huán)節(jié)。

◆后處理和驗證，整個數(shù)據(jù)出來之后，還需要進(jìn)行后處理和驗證。處理的最終目的是保證提供的地圖信息是準(zhǔn)確的，假設(shè)一個紅綠燈位置標(biāo)錯了或者自動識別錯了，那可能會導(dǎo)致路測過程中會出現(xiàn)安全隱患，所以驗證環(huán)節(jié)是很重要的部分。

◆Release（發(fā)布），驗證通過后，將會進(jìn)行數(shù)據(jù)的發(fā)布（Data Release），所有數(shù)據(jù)會納入統(tǒng)一的管理中，每一版本Release的地圖的質(zhì)量已得到嚴(yán)格驗證。

這是一個常規(guī)的發(fā)布流程?，F(xiàn)實中整個路網(wǎng)結(jié)構(gòu)是不斷往外擴(kuò)張的，且周圍環(huán)境會有變化，所以也會有增量的更新。

成本與挑戰(zhàn)

前面簡單介紹了整個HD Road Graph的生成發(fā)布流程，我們來看下HD Road Graph可能會遇到的問題與挑戰(zhàn)。

成本

◆厘米級別的精度：需要各類傳感器（LiDAR、Cameras、GNSS/IMU），上圖右邊是蘋果的地圖車，大家可以看到上面裝了很多傳感器，顯然制造這樣一輛高精地圖車輛的成本不低。

◆數(shù)據(jù)量：海量存儲資源和計算資源。

◆覆蓋范圍：當(dāng)?shù)貓D從局部區(qū)域逐步向外擴(kuò)張，例如從中關(guān)村壹號附近地區(qū)，擴(kuò)張到海淀區(qū)，再到北京市，甚至是半個中國，這其中涉及的硬件成本和人力成本等，都會相應(yīng)增加。

復(fù)雜性挑戰(zhàn)

第二個是高精地圖的復(fù)雜性帶來的挑戰(zhàn)。復(fù)雜性體現(xiàn)在地圖Data Model（數(shù)據(jù)模型）需要包含三部分信息：

◆語義信息，從上圖里的標(biāo)志牌示例圖可以看出，目前道路存在各式各樣的交通標(biāo)記。因此，高精地圖需提高語義信息的準(zhǔn)確性，并且盡可能提高覆蓋度。

◆空間信息，上圖中的立交橋是以復(fù)雜聞名的西直門立交橋——有人說，即使借助導(dǎo)航軟件，你都未必能夠從縱橫交錯的道路中準(zhǔn)確找到下一條你要行駛的車道。因此挑戰(zhàn)就是如何能夠把整個空間信息描述好，集成到地圖中去。

◆時間信息，北京有一些潮汐街道，早高峰和晚高峰走的方向是不一樣的；或者某些公交車道在早高峰的時候只允許公交車行駛，其他車輛禁止使用。這類時間信息也需要包含進(jìn)地圖里。

當(dāng)三類信息準(zhǔn)確地整合進(jìn)高精地圖時，決策規(guī)劃模塊和感知模塊才能有效地運作。

拓展性挑戰(zhàn)

◆自動駕駛車輛每行駛一公里會產(chǎn)生GB級別的原始數(shù)據(jù)，處理這些數(shù)據(jù)會使得功能架構(gòu)面臨很大的挑戰(zhàn)。

◆地圖更新方面，從“天”級別到“小時”級別再到“分鐘”級別的更新，對應(yīng)的整體功能架構(gòu)是不一樣的。

實時性挑戰(zhàn)

交通管制、環(huán)境變化等怎么反饋到HD Road Graph上？假設(shè)今天某條路修路，對于人類駕駛員而言，他可以選擇繞過這條路。對于自動駕駛而言，這樣的信息如何反饋到行駛過程呢？是靠人去反饋，還是系統(tǒng)自動去識別？得到反饋之后，怎么實時更新到地圖數(shù)據(jù)里？

所以說，自動駕駛需要打通offline（線下）到online（線上）的環(huán)節(jié)，及時更新到我們正在運行的自動駕駛車輛里去。