您好,欢迎来到中国自动驾驶高精地图产业创新发展论坛2019!

业界高精地图产品之here地图的生产采集和表述

发布日期:2020-05-15

GRCChdmap

2020-05-15 16:34:22

手机阅读

点击上方蓝色字体,关注我们


飘哥

飘哥

连续创业者,跨界创新,技术控

本文陆续介绍业界高精地图厂商是如何做高精地图的。

一. Here地图

here原来是诺基亚旗下的一家公司,here在诺基亚早起非常火的时候就是它的标配地图,here地图在欧美北美占有80%的市场,2013年微软收购诺基亚,但是没有收购here地图,在2015年,here被宝马奥迪,还有戴姆勒以30亿美金收购,收购也是几经变化,腾讯联合四维图新以及新加坡政府投资公司(GIC)于本周共同入股here。

Here做地图非常早,从早期的传统导航地图转型做高精地图,体系非常完善,here宣称他们已经做到把地图做成基于云端的服务,精度非常高,更新非常快。Here把地图做成了live map,强调它不仅仅是高精地图。

上图是here采集地图流程。

第一步是建立base map

这是非常重的过程,因为here采集方案是基于激光雷达的,但可能是基于16线的,当然也有camera,这种方案和百度差不多,就是激光雷达和camera的融合。百度现在也在转向16线激光雷达,甚至更低的线束做采集数据或者图像。Here先用激光雷达包括结合图像,去采集一遍基础的地图。Here称每天大概产生28t的数据量,这一点也就是为什么在现在4g环境下很难达到地图的高精要求,甚至说无人驾驶还没有达到云端计算的效果。

第二步众包提取特征

因为不可能让每一辆车去装一套激光雷达,高配gps,camera之类的传感器,所以很多公司都是基于图像来做,因为图像是比较轻量级的,通过图像也可以提取出来道路上的标牌标识,这是一种非常成熟的方案。他会通过众包提取出来道路元素之后,再跟之前采集的base map去匹配。匹配之后就能得到一个相对准确的结果,当然没有16线激光雷达采集那么准。

第三步map learning

采集后会去云端做map learning,现在更多的是deep learning的概念,因为地图需要采集的数据量非常大。

(如果大家关注阿波罗的话,知道阿波罗里面有ssd,对于采集地图硬盘用的ssd不够,我们会采用更加快速的硬盘方案,比如nvme方案,并且数据采集不可能用网络来传输,一方面是违法的,法律不允许高精的技术数据在网络传输,因为数据量非常大,所以每次采集完成后,直接把硬盘拔下来换个硬盘,白天跑完,晚上送到公司,把数据上传到云端,在进行解算。)

here把数据采集回来之后,数据上传云端,会在云端做综合的处理,包括激光雷达的处理,图像的处理融合,把地图元素提取出来,然后merge到地图中去。

第四步更新地图

通过众包,机器学习得到地图的feature之后,通过云端把更新后的地图下传到车端,这也是高精地图中非常重要的概念更新实时性。高精地图有两个特征:表述的完整性,第二个特征是实时性。

以上就是here的整体方案。

下面说说here的地图采集,下图是here的数据采集车:

上面是16线激光雷达,中间是camera,下面是rtk天线,里面还有imu惯性测量单元。

上图是数据采集回来之后经过统计分析,都会整合到工具里面,在工具中再通过识别检查,最终更新到地图里面去。

下面是Here众包的一张图:

在here中把众包的地图叫做healing map,here能得到一个比较高频的更新,可以看到它车端的采集,采集之后通过车端的sensor,再通过observation,可以oservation当成一个视觉方案,里面有点,道路,标志标牌,最后通过feature的提取,再update重新更新到车端。它展示的整体效果是一个闭环效果。

Here做众包很有基础,因为here是传统的图商,类似百度地图,高德地图一样,本身有庞大的用户基础,有了用户基数之后,通过众包得到有用信息来帮助我们更快地更新地图。

here的map learning过程,就是基于点云的feature学习。

上图左边是点云的效果,右边是在真实道路上的投影,在点云中有一些新的技术,怎么去做点云分割,怎么在点云场景下做物体识别,这些也是很好的技术研究方向。在实际道路上会有很多路边车辆,在你真正做地图的时候,需要把无关的元素滤除掉,点云的好处是在点云上扣除掉物体非常方便,当你基于多次采集,就可以把同一块区域的那个点云补齐。

点云的deep learning是非常大的课题,它不像图像算法,现在神经网络已经比较成熟了,如cnn等基于deep learning算法。都是基于图像来做的。点云的技术还需要不断去完善,包括点云的slam,点云的分割,点云特征提取。

Here对地图做了分层:

第一层是road和lane的model层

就是**层认为只有road和lane,road和lane还包含了其他自身的属性,如车道边界的虚线,实线,lane边界,road边界,道路限速,道路标牌等

第二层是location

location的方案比较多,其他文章在讲高精地图和定位关系时,提到现在主流的定位方案一个基于点云,一个基于camera,基于点云的方案又分为基于点云反射值(百度采用的方案),基于点云feature,也就是提取路边建筑物轮廓等类似信息来做定位。

不管是基于点云还是基于camera的都需要地图的feature,比如说路边的电线杆子,车道线,路边的树。而在here里面把它表述为location model层,在这一层表述一些定位信息。

第三层动态信息层

这一层是用来描述道路动态事件,比如说车在行驶过程中,可能会遇到道路事故,如修路等类似的信息,而这种信息对实时性要求非常高,所以要单独做一层。然后单独更新。

第四是司机的驾驶习惯层

这一层用收集每个用户在每条道路上或者没中道路场景下,他们的驾驶行为是什么样的,如在哪里加速,在哪里减速,目的是让自动驾驶开的更像一个人。无人驾驶怎么开的像人是未来的方向,怎么让车开的更好,开的让人坐上去更加舒服,不要去做急刹类似的操作,到了路口到底减速不减速。这些都可以做一个静态的地图层,提供给车辆,把人的经验抽象为数据,把数据转化为自动驾驶的准则,让车更好的模拟人的行为。

上图车辆前方右侧路边就是定位的标志,通过检测跟定位标志能够得到纵向的约束,在横向上,车道线就可以给定位提供很好的约束。

上图是前面提到的动态事件,路边有修路或道路上放置了锥桶,这鞋都是动态可变的信息,

以上是here从生产采集表述地图的整套体系。


如果对地图产品感兴趣,请参看:

飘哥:业界高精地图产品之Google waymo 地图zhuanlan.zhihu.com图标飘哥:业界高精地图产品之mobileye地图的生产采集zhuanlan.zhihu.com图标飘哥:业界高精地图产品之tomtom高精地图zhuanlan.zhihu.com图标


编辑于 2019-03-26



相关文章

基于视觉的高精地图制作
高精地图文件协议格式定义
智能高精地图数据逻辑结构与关键技术






SELECTED EVENTS




 

长按二维码识别关注



  • 电话咨询
  • 021-22306692
  • 15021948198
None