1. 为什么需要高精地图

理论上来讲，可以在车载系统检测和获取所有道路信息(可行驶路径、车道优先级、红绿灯与车道的关联关系、车道与人行横道与红绿灯的关系等)，但是目前的AI能力无法保证实现很高的MTBF(Mean Time Between Failures, 平均无故障时间)，所以需要提前把这些信息都准备好。

2. 高精地图的挑战

规模化-Scale

如果自动驾驶车辆只在一个区域、一个城市、或者几个城市运营，那就不存在规模化的问题。但是2025年之后，自动驾驶会在消费者层面全面落地，用户需要驾车到任意想去的地方，在这种场景下，Scale是一个无法规避的问题。

鲜度-Fresh

理想情况下，地图是在实时更新的。当物理环境发生变化时，需要实时反映到地图上。月级更新、甚至天级更新都是不够的，我们需要做到分钟级，甚至更短。

精度-Accuracy

车载系统(OnBoard System)检测的车辆和行人需要与高精地图(High Definiation Map)实现厘米级精度的匹配，因此地图的精度至关重要。

3. 通用高精地图制作方法的缺陷

全局坐标系下厘米级精度不是必需的

AV车辆行驶过程中只关注周围几百米范围即可，所以只要这个范围内的足够准确即可。至于几公里之外的全局精度，Who Care...

语义层数据生产难以自动化

如下图所示，没有车道线的双向车道，单从图像观察，难以识别它的Drive Path。

如下图所示，转向规则千奇百怪：禁止红灯右转，完全停车后允许红灯右转，绿灯禁止左转，绿灯Yield后允许左转...

如下图所示，红绿灯异常复杂，识别车道、人行横道与红绿灯的关联关系难度很大...

如下图所示，除非地图可以表达所有的3D要素，否则很难自动化的计算出车道的最优Stop/Yield Point。但是表达所有的3D信息对于地图来说又是不现实的...

影响车辆行驶速度的因素有很多，道路几何、限速、文化等，难以量化，但它对Smooth Driving体验至关重要...

4. Mobileye如何解决这些问题

scalability依赖众包数据生成Millions Map Agents；Accuracy不是全局的Accuracy，而是局部的Accuracy，相对于道路上的静态元素位置。

REM的处理流程如下，首先从成百上千辆车获取检测信息(没有使用差分GPS，而是使用了普通的GPS)，这些数据传送到云端；每辆车Detection的角度不同，由于遮挡等原因，每辆车检测的landmark也有差异，将这些数据进行Alignment处理，生成高精度的地图数据；最后，Modeling And Semantics负责生成地图的语义数据。

Harvesting

下图中黄色的框是车辆检测的landmarks和lane marks，同时车辆会尝试检测driving path等语义信息，一辆车可能检测不准确，但是成百上千的过路车辆会让检测结果越来越好。

Mobileye Harvesting的数据量为10K/公里，这些检测的数据会被发送到云端。

Aligning Drives

检测每个RSD中每个元素的6D Pose，然后对齐相同位置的元素，得到厘米度精度的driving path等信息。

由于GPS存在误差，每个车辆检测的道路元素位置都存在噪声，所以只依靠简单的位置求均值是不可行的。

Align之后可以明显的看到两条Driving Path(蓝色)和两侧的道路边界(红色)。对齐的过程是靠几何运算进行。

仅仅靠聚类(Clustering)和Spline Fiting得到下图右上角的结果，这个结果不是特别理想。后来通过神经网络生成高精度地图，效果好了很多。

为什么语义理解离不开众包

如下左图所示，通过众包数据可以在没有Lane Marking的道路上获取Driving Path。

如下右图所示，众包数据提供了复杂场景下的所有可通行路径。

如下图所示，通过众包数据可以获得红绿灯与车道的关联关系、Yield Sign的Stop Point、Crosswalk与红绿灯的关联关系等。

如下左图所示，通过检测哪个Drive Path的Stop Point比较多，我们可以从众包数据中获取到没有Traffic Sign情况下各个道路的路权优先级。

如下中图所示，我们可以从众包数据学习到在路口其它司机的停车位置。

如下右图所示，从众包数据可以学习到，在无保护左转的场景下车辆的Stop Point。

众包数据是获得各个道路Common Speed的唯一高效的方法，Common Speed提供了当道路没有车辆时候AV车的目标行驶速度。采用这种方法可以使得无论在哪个国家、地区，或者不同的道路类型，AV车都可以自然的融入车流。

5. 总结

到目前为止，Mobileye与超过6家汽车制造厂商合作，每天可以覆盖800万公里的路网更新。预计到2024年，每天覆盖的路网会达到10亿公里。

说明：本文所有内容都来源于Mobileye CEO Amnon Shashua教授在2021 CES的分享。

YouTube链接：https://www.youtube.com/watch?v=B7YNj66GxRA&t=301s

Mobileye REM地图如何解决高精地图落地难点相关推荐

智能网联汽车高精地图白皮书(2020)
1. 前言高精地图的发展与智慧交通.智能网联汽车紧密相关,从智能网联汽车上路伊始,高精地图产业就应势而生并飞速发展.相对于以往的导航地图,高精地图是智能网联汽车交通的共性基础技术,其服务的对象并非仅 ...
《Apollo 智能驾驶进阶课程》二、高精地图
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-基础模块高精地图与定位模块的关系现在主 ...
高精地图众包生产模式
2016年10月的某一天,上海某间办公室里,一台普通的台式电脑已在房间的角落孤独地运行了60多个小时,屏幕上最初出现的一个个闪烁的点,慢慢连接成了道路.街区,随着点的不断扩张,并且覆盖了每一个红绿灯. ...
百度Apollo智能驾驶进阶课程——第四章百度Apollo高精地图
高精地图 1 高精地图与自动驾驶的关系 1.1 高精地图与自动驾驶 1.2 什么是高精地图 1.3 高精地图与导航地图 2 高精地图与其他模块的关系 2.1 高精地图与定位模块的关系 2.2 高精度地 ...
高精地图，比想象更重要
写在前面:自动驾驶是IT领域很重要的一个产业趋势.自动驾驶覆盖的产业链环节较多,涉及到计算机.电子.汽车.通信等多个行业.我们一个比较粗糙的判断是,未来的自动驾驶汽车就是一个IT产品.IT产品很重要的 ...
高精地图与自动驾驶（下）
高精地图与自动驾驶(下) 二.高精地图与自动驾驶谈到高精地图对自动驾驶的作用,可以对比自动驾驶和人类驾驶的流程的相通性. 人驾驶的时候以眼睛为主,耳朵辅助观察测量环境:自动驾驶车用多种传感器包括摄像 ...
Apollo进阶课程 ⑥ | 高精地图与自动驾驶的关系
目录 1)高精地图与自动驾驶 2)什么是高精地图 3)高精地图与导航地图 4)高精地图---无人驾驶的核心基础模块 5)高精地图与定位模块的关系 6)高精地图与感知模块的关系 7)高精地图与规划.预测 ...
Apollo自动驾驶入门课程第②讲 — 高精地图
目录 1. 高精地图与传统地图 2. 高精地图与定位.感知规划的关系 2.1 高精地图用于定位 2.2 高精地图用于感知 2.3 高精地图用于规划 3. Apollo高精度地图与构建 3.1 Apol ...
地平线：发布线NavNet众包高精地图采集与定位方案，牵手韩国最大通讯企业 | CES 2019...
今年的CES,有关于自动驾驶的讨论比往年冷静了许多,但依旧是担纲主角之一.在本届的CES上,定位为Tier 2 的地平线机器人也带来了自己对于自动驾驶的思考和成果. 地平线创始人兼CEO余凯认为:在 ...

Mobileye REM地图如何解决高精地图落地难点