高德谷小豐：高精地圖是自動駕駛的必由之路 | 未來汽車大講堂

雷鋒網新智駕按：從6月開始，新智駕聯合雷鋒網· AI慕課學院、網易雲課堂企業版舉辦了智能駕駛系列講座，邀請業界、學界頂尖專家一起分享關於自動駕駛現在與未來的多樣見解。6月21日，「未來汽車大講堂」邀請到來自高德地圖的谷小豐為學員講解了主題為《高精地圖：自動駕駛的必由之路？》的課程。新智駕對課程內容進行了整理，並做了不改變原意的調整。

谷小豐，高德高精地圖團隊負責人。具有10年的地圖數據產品經驗，2.5年量產高精地圖數據經驗。帶領高德高精地圖團隊獲得亞太地區第一個高精地圖商業訂單，並建設了完整的高精地圖生產線。

高德在2014年便開始了高精地圖的研發，當年11月，這家公司還拿下了全球第二個高精地圖商業化訂單。有了訂單的驅動，高德在高精地圖上的步伐走得很快，從深度學習技術的使用到量產生產線的建設，進展不斷加快。將近3年時間過去，高德在高精地圖方面積累的數據量也非常可觀。

和高德地圖的整體策略一樣，高德高精地圖也是要為產業「賦能」，具體點說，就是要為自動駕駛提供地圖支持。在大家大談特談自動駕駛的時候，高德默默耕耘高精地圖，打造一條通往自動駕駛的必由之路。

本期，講師谷小豐將會著重介紹什麼是高精地圖、高精地圖與自動駕駛的關係、高精地圖是如何打造的、高精地圖開發中存在的挑戰和思考。當然，還會提及高德在這方面的實踐。

在講什麼是高精地圖之前，先來了解一下高精地圖與自動駕駛的關係。

業界大多數企業都將自動駕駛實現的時間節點定在了2020年，當然，很多廠商仍在不斷將這個時間往後延。根據目前相關的新聞報道看，可以發現的一個問題是同一家廠商內部對於自動駕駛的實現時間都存在一些矛盾，當然這完全可以理解，畢竟自動駕駛是比較新的技術，所以變數很多。

根據SAE（美國汽車工程師協會）的劃分，自動駕駛級別分為5級，也就是L1-L5。到達L3的話，車輛就可以在高度公路上實現比較全面的自動駕駛。

從這個級別來看，業內的共識是，從L3往上，便需要高精地圖的支持，而在L3以下的輔助駕駛階段，對於高精地圖沒有剛需。比如市場上一些已經具備自動駕駛功能的車型都是依靠攝像頭、毫米波雷達等感測器實現自動巡航和自動跟車這樣的功能。

1、定義

回到高精地圖本身，這個名稱的提法本身就不是很嚴謹。比如說，大家在提導航地圖的時候，你很難說它就是「低精地圖」。

其實，高精地圖是從國外引進的一個名詞，最早的提法是HD Map，英文直譯過來就是高解析度地圖（High Definition Map）。

還有人將這種類型的地圖命名為HAD Map，直譯過來就是高度自動駕駛地圖（Highly Automated Driving Map）。其實這個名稱也不是很準確，因為很難說高度自動駕駛是從L3開始的還是從L4開始的。

還存在一種德文的命名：Hoch Genaue Karte，意為高可信度地圖。

命名就有這麼多，可以想見業內人士在提高精地圖的時候實際上也不是一個概念，所以需要來定義一下到底什麼是高精地圖。在谷小豐看來，高精地圖其實最準確的叫法應該是「自動駕駛專題圖」。

2、內容構成

換句話說，高精地圖其實是提供了一個自動駕駛環境的模型。也就是說，車輛要想順利進行自動駕駛，必須對其周邊的環境進行構建，該環境中，包含了：

• 移動物體：行人、車輛；

• 互聯設施：V2V、V2X等通信設施；

• 高精動態駕駛環境：是否擁堵、哪裡在施工、哪裡有事故、哪裡有交通管制、哪裡有雨雪等；

• 最底層的靜態高精地圖，也是目前階段圖商重點工作的層面。

在靜態高精地圖中，包含了車道模型、道路部件、道路屬性和其他的定點陣圖層：

• 車道模型主要是引導車輛從A地開到B地，包含路面的結構是如何的；

• 道路部件則是路上的各種物體，包括標誌標牌、路面標誌、龍門架、橋之類；

• 道路屬性則包括某個地點GPS信號消失，那麼需要把這些特殊的點標註出來。

現在的高精地圖是矢量地圖，以上的每一個大分類下又有許許多多小的內容。

在車道模型中，也有很多重要的細節信息需要體現在高精地圖中，包括車道中心線、車道線、車道變化屬性點以及道路分離點和車道分離點。

比如在車道變化屬性點，車輛可以通過感測器探測到相關信息，然後再對比地圖，便可清晰地知道自身處在什麼樣的位置。而且在路徑規劃的時候，車輛也知道在哪個位置進行併線是合理的。此外，為了方便計算道路連接關係，還會將道路分成多個組（Sections）。

車道模型還包含車道連接關係，也就是說車輛要去往一個目的地，需要經過哪幾個車道的轉換才能到達。

高精地圖中還有一些比較特殊的數學屬性，包括道路的曲率、航向、坡度以及橫坡。這幾個屬性可以指導車輛以什麼樣的速度和角度進行轉向而不至於出現事故。這也是高精地圖重要的構成部分。

此外，還有很多的道路部件（Object）是用於定位的。

車輛在定位時一個基本的方案是用車端的感測器識別各種物體，然後將這些物體與地圖上記錄的物體進行對比，一對比之後車輛就知道自身處在什麼位置。當然還有一些特殊的地物如斑馬線、停止線、紅綠燈等，控制著不同的路口和不同的方向，那麼在數據中，我們就需要把這些關聯關係表達進去，讓自動駕駛汽車在這些地方可以順利做出決策。

當然，有了自動駕駛以後，導航地圖依然會存在，但可能會變得比今天更簡單一些。比如用戶乘坐一輛自動駕駛汽車去往某個目的地，那麼導航會規劃一條行車路徑交給自動駕駛系統，自動駕駛系統會依靠高精地圖再規劃出一條更為精細的路線圖，實現從A地到B地。其中包括在哪個地方需要併線，在哪個地方需要出匝道。

所以，在導航地圖和高精地圖之間會建議起一個連接關係，可以讓導航系統和自動駕駛系統協同工作。

3、高精地圖的形態、部件和業界進度

高精地圖誕生初期，有一個業內非常重要的組織叫做NDS協會，一直在定義導航地圖，制定相關的國際標準，可以為車廠節省成本，圖商的適配成本也會更低，競爭將更充分。大概從2011年左右開始，NDS協會也開始定義高精地圖、自動駕駛地圖。在NDS的定義中，高精地圖更多還是矢量地圖的形態。

隨著感測器的更廣泛使用以及成本越來越低越來越低，對不同感測器也產生了不同高精定位的圖層；同時隨著很多新技術的產生，比如深度學習，自動駕駛地圖也變得越來越多樣化。

這裡面最傳統的當然是Google了，其在自動駕駛技術方面的地位無疑是領先的。但是這家公司向外界公布的信息很少，Google無人車前領導者Chris Urmson在2011年的一場公開演講中展示的視頻透露了其在自動駕駛地圖方面的局部細節。

可以看到，Google把路側的一些靜態物體用黑框標了出來，對人則是用一些藍色的框進行標示，而對於移動的車輛，則用紫色的框進行標示，而中間部分橙色的圈狀線則是多線激光雷達掃描得出的結果。以前它用的是Velodyne的64線激光雷達，後來自己打造了成本更低的激光雷達。

所以Google的自動駕駛地圖中車道模型也是存在的，其中的車道線、人行道都做了標示。Google應該是對多種形式的自動駕駛地圖都有嘗試，甚至是融合不同的解決方案。不僅僅在用激光雷達的占點陣圖或反射率圖，同時也使用矢量數據。

作為NDS成員，HERE地圖也是高精地圖的製作廠商，這家公司創建的高精地圖上疊加了彩色點雲，車道線則是矢量的數據，其中包括車道線、中心線、邊線都非常精細。高德和HERE類似，也是在後方物體上疊加了激光點雲，區別在於高德的是單色點雲。

還有一種更為激進的，那就是Mobileye的REM，也即「路書」（Roadbook）。CES 2016上，Mobileye就說其可以通過攝像頭感測器生成路書，讓車輛直接用路書去做自動駕駛。去年11月，Mobileye宣布和HERE地圖達成合作，箇中原因谷小豐猜測是今天的自動駕駛地圖還不能以一種全自動的方式去生成，仍然需要大量的人工工作（測繪公司的工作人員進行系統的測繪），而且攝像頭本身也是有不少缺陷，比如很容易被遮擋，一次採集的測繪方式難以達到很高的精度。

在Mobileye的REM地圖中，有道路邊緣線、車道中心線、車道邊緣線以及靜態物體的標示（上圖中各種顏色的表現和圓點）。

除了矢量高精地圖，還有格網化定點陣圖，包括占點陣圖、反射率圖以及DEM（Digital Elevation Model）圖。

DEM圖可以通過感測器的觀測到周邊環境再和原始數據進行對比而形成的，不考慮反射率，只考慮高度值。

反射率圖的原理在於：激光雷達不斷掃描周邊的物體會產生反射率，因為不同的物體會有不一樣的反射率、反射率差別其實是有一定的層次的，所以可以用於高精地圖的繪製。通過不斷掃描周邊的環境產生反射率的差別，車輛就能知道自己具體處在一個什麼位置。

占點陣圖很簡單，首先要找到地平面在哪裡，如果某地的高度出現變化，那麼就用網格佔住一個位置，通過不斷的佔位，就能看出周邊的環境是如何的。

格網化定點陣圖的代表有歐洲的全球地圖供應商Tomtom。前兩年，這家公司發布了RoadDNA，該產品也包含了車道模型，但其並不使用路側的矢量Object定位。因為路側的矢量Object是有可分類要求的，但是經常會有這種情況：路側的一堆灌木今天還在，過一段時間它就消失了，所以這種方式不太可靠。

Tomtom的方案不會去分辨路側具體是什麼物體，而是把它們當成一種紋理。在使用激光雷達進行採集的時候，會得出這些物體與車之間的距離，再把值對應到一條參考線（比如左翼車道的邊線）上去，從參考線開始算（一直到它看到路側的障礙物），算出一個值來。相當於將採到的激光點雲向兩側做正射，每一個灰度值就代表了當前參考線到物體的距離。

事實上，在一些地物比較稀疏的地方，這種方式有一定的優勢。但是這種形態的地圖還是需要等激光雷達的成本下降。目前，博世有一種基於毫米波雷達的解決方案，因為毫米波價格可控、穩定性高，在很多車上已經在使用，這種方式相較於激光雷達方案有望更早投入到應用中。也因此，高德和博世也建立了合作關係。

高德採用的定位方案被稱為「道路指紋」，在2015年就已經開發出來了。我們開發這個的目的是想探索到底有多少種可能去做高精定位。

這個方案是基於攝像頭的，用攝像頭看到地面以後，我們把看到的圖像做一個正射，正射完就得到一個紋理，將紋理預存下來，等到車輛再次去到這個位置的時候，只要其用的是同樣的演算法、同樣裝載著預存下來的圖，經過對比以後，也能很精確的知曉自身車道級的位置。

4、高精地圖與導航地圖的差別

從內容和形態上開，高精地圖和導航地圖存在著很大的差別，具體表現在以下的多個方面。

很多人會問高精地圖的容量會不會特別大，以我們的認識來看，其容量並不會變大，反而要小於導航地圖。

從道路的模型來講，導航地圖只有一根線，到高精地圖的時候，它就變成車道級別的了，幾何形狀聽上去似乎是變大了，實際上在導航地圖裡有大量的POI、名稱、背景和水系，按照NDS的規定，航空影像和衛星影像都集成到了導航地圖裡。所以，單從純矢量部分來看，高精地圖的體積也比導航地圖的體積小很多。

談到高精地圖對自動駕駛的作用，可以先對比自動駕駛和人類駕駛的流程的相通性。

人的眼睛、耳朵其實就是自動駕駛汽車的感知系統要取代的；而高精定位方面，人可以通過觀察和記憶，而自動駕駛汽車只能通過高精地圖以及其創建的環境模型；而到了決策一步，人是通過自己的思考和判斷來達成，而自動駕駛汽車則可以通過人工智慧實現車道級的路徑規劃，這一方面其實高精地圖也要發揮作用；當然，最後一步的控制，人是通過運動神經來操控，而自動駕駛汽車則需要自動化控制的系統來完成，在這一環節，自動駕駛汽車需要決定自身以什麼速度穿越某些路段，而且還要保證安全。

通過以上的分析，高精地圖對於自動駕駛的作用也就非常清晰了。

最重要的當然是高精定位，然後是環境感知輔助（比如把道路上的紅綠燈位置做進高精地圖中），當然行車路徑規劃則牽涉到自動駕駛汽車的規劃和決策。此外，在雲服務方面，很多時候有一些超視距的路況需要通過雲服務來告知自動駕駛汽車，這其實也是可以通過高精地圖來發揮作用。

1、高精定位方法

具體到高精定位的方法上，其實是將自動駕駛汽車的環境感知結果形成的矢量數據與高精地圖進行對比，得到車輛在高精地圖中的精確位置。實現高精定位是自動駕駛汽車路徑規劃的前提條件。

一類是基於矢量Object的定位：

一類是基於高德道路紋理的定位：

上圖右側畫面中的紅線是用RT3002+GNSS定出來的軌跡，與車輛行駛的綠色軌跡存在的差別還是非常大的。

一類是基於千尋RTK級絕對定位:

絕對定位會有一個問題，一旦車輛進入隧道或者有遮擋的位置，高精定位就會受到影響。

2、路徑規劃

而在決策規劃方面，高精地圖主要還是解決了自動駕駛汽車的路徑規劃問題。車輛知曉自己在高精地圖中的位置后，通過高精地圖的車道級拓撲關係，可以計算出車道級導航路徑，車道級導航路徑則可以為自動駕駛汽車避障和後續車輛控制（加速、減速、方向盤控制）提供輸入。

其實提及路徑規劃，有導航地圖可以提供道路級的路徑規劃，有自動駕駛系統可以提供避障，而高精地圖則專註在車道級的路徑規劃上。

高德還與戴姆勒合作，使用基於千尋的絕對定位完成了道路安全應用測試，主要針對施工區域的精準定位和預警。

1、採集

數據採集需要依靠採集車，採集的設備有幾個比較核心的部件，包括激光雷達、IMU（慣導系統）、GNSS以及相機。

2015年初，高德從國外引進了一套成熟的激光掃描設備，這個設備上有兩個單線的激光雷達、6個攝像頭（工業相機）以及一個GNSS天線，還有IMU。激光雷達採用的是奧地利廠商的產品，可以掃面三個面，基本上不會漏掃。

2、生產流程

第一步肯定是外出作業（簡稱「外業」），也就是使用採集設備對外部環境、道路的數據進行採集。採集設備中IMU（慣導系統）的作用也是非常重要的，它可以告訴你車輛、設備當前的姿態。所有的部件都向IMU標定，當車輛向左晃的時候，所有設備向左晃；當車輛向右晃的時候，所有設備也向右晃。數據拿回來以後，通過IMU的解算，就能把每一個設備採到的東西很準確地對應到激光點雲上去。

外業採回來的數據輸出的結果包含高精軌跡、點雲、圖像。點雲採回來以後，會做全自動的識別，這個過程採用了深度學習的技術。經過全自動的識別之後，還會有人工的檢查，之後是互動式的識別手段，再做一些查缺補漏的工作。

識別工作和編輯工作做完以後，就會進入到檢查環節。檢查環節中有工具檢查、人工檢查，最後還會有路測。路測有兩部分內容：實車路測和精度測試，精度測試我們會拿著全棧儀、鋼尺、RTK設備去實地打點，去測量物體的大小、形狀、距離等，拿回來再跟地圖進行比較，用這種方法來判斷地圖的精度。

全自動的識別有重要的意義，因為高精地圖主要的數據源是激光點雲，體積非常大，處理難度大。自動識別讓生產效率大幅度提升，否則高精地圖的成本也非常高，而這個成本最終會轉移到用戶身上。而且自動識別是機器識別，表現更加穩定。

有意思的一點是，大家經常會提自動識別的識別率問題。實際上，對於地圖生產廠商來講，更重要的是識別的準確度和可靠度。就算可以做到90%的識別率，但如果不能確信這些識別出來的物體準確無誤，意義並不大。

而車道線的識別其實也是類似，車道線的識別占整個地圖生產量的70%左右，所以在高德生產高精地圖的第一天就用上了互動式的車道線識別。

此外，高德從2015年的8月開始，很長一段時間都在使用深度神經網路技術，現在也在將這個技術遷移到點雲上來。

對於深度學習來說，數據量其實非常重要，因為但從技術本身看，誰也不比誰強多少。如果你採集了大量的數據去訓練神經網路，那麼這個網路就會變得越來越聰明。至今，高德已經採集了大量的數據用於神經網路的訓練。

當然，還有一些特殊的地物需要人工來進行標定，高德有一個小的標定團隊。這和Mobileye接近600人的標定團隊相比，要小得多。

目前，基於高德通過攝像頭感測器和深度神經網路訓練出來的識別系統，車輛行進過程中可以對路邊新增的標牌很好地識別（如上圖），系統可以更新地圖、重新繪製地圖，下一步就是要對感測器採集到的數據進行融合。

高精地圖的發展本身也是有很多挑戰的。作為從業者，谷小豐有幾大疑問，有些他已經有答案，有些仍然困擾著他以及從業者。

1、高精地圖到底長什麼樣？

現階段依然取決於車輛感測器，除非真的開發出了不依賴於感測器的高精地圖，無論車輛用的什麼感測器都能用。未來會有什麼變化，現在還未可知。

2、高精地圖到底應該更新多快？

取決於車端的智能程度以及車的承受能力，沒有圖商能給出穩妥的答案。

3、高精地圖的精度究竟有多高？

絕對精度是多少？一定要做到米級？谷小豐也給不出答案。

4、高精地圖的更新手段？

高德目前建立的導航地圖的更新體系已經非常高效。有UGC、來自政府的數據、來自行業的數據、自身強大的眾包隊伍以及專業的採集隊伍。現在的更新已經是組合的形式，並且大量使用雲計算、大數據去做數據更新的體系。

這套體系在自動駕駛階段會變得更強，圖商需要去加強建設這樣的體系，但是對於整個社會來說，還是需要一個終極的更新方案。

谷小豐認為，在自動駕駛階段，高精地圖更新的終極方案應該是UGC。

因為在車端裝配著各種各樣的感測器，能探測到數據，也會越來越多地裝配高精地圖，能知道在現場到底什麼東西發生了變化，把這些變化傳至雲端，可做融合計算、校正。若有必要，可以交由生產線進行實地的採集。經過數據的不斷循環，高精地圖會變得越來越新、精度越來越高。

當然，這套系統也需要車廠不斷去測試，僅有圖商自己測是遠遠不夠的。

5、測繪政策的挑戰

對於圖商來說，製作高精地圖的一個繞不開的挑戰就是測繪政策。

大家都知道，的地圖是偏轉后的地圖，對地圖本身的偏轉就我們測試來看是沒什麼太大影響的。這一塊基本上可以PASS掉。

要使用偏轉地圖，在車端就需要有偏轉插件，偏轉插件在傳統地圖上會有隨機抖動。據高德觀察，這個抖動的幅度最大可達1.7米。如果廠商的定位非常依賴於絕對定位，那麼地圖偏轉的影響將會非常大。高德正在致力於減少偏轉插件的抖動。

此外，從導航地圖到高精地圖，內容和形態已經發生了很大的變化。以往，對於導航地圖進行審查時，相關部門關注的是邊界、敏感島嶼以及敏感的POI等等。而到了自動駕駛地圖上，這些內容都將消失，那麼審圖的時候到底審些什麼？

比如，在現行的法規中，道路的最大和最小曲率不能在地圖中表達。而這些內容往往是自動駕駛汽車非常需要的，那麼，審圖的時候，這些內容要怎麼處理？

還有一個更遠的問題，那就是「全民測繪」。現在的汽車、手機其實某種程度上都有測繪的行為，記錄軌跡、拍攝照片等等，這些操作都是牽涉到測繪政策問題。所以需要測繪局規範政策，找到最終落腳點。

從整體產業來講，自動駕駛行業有比較高的複雜性，需要產業協作。高德作為圖商，承襲了阿里一貫的風格，更多地還是要為行業賦能。

高德在2014年8月份之前，就已經在預研高精地圖，持續時間大約在一年左右。

• 2014年8月，高德從測繪局獲得了許可，可以測試真實坐標的高精地圖，不過那個時候還是針對地圖本身測試為主，並沒有和車廠進行實車測試，主要是相關政策環境的問題。也在這個時期，高德還完成了OpenDrive格式的高精地圖的編譯，至今已經有3年的時間，這個格式也是大家用在模擬、自動駕駛測試方面的常用格式。
  
  

• 2014年11月，高德高精地圖獲得第一個商業訂單，也是全球範圍內的第二個商業訂單，第一個訂單出現在北美，而第三個訂單目前還沒有出現。

• 2015年2月，高德建立起了高精地圖量產的生產線，包括購進外業用的激光雷達採集設備。

• 2015年8月，隨著採集的數據越來越多，也意識到深度學習技術的重要性，從那時起，高德開始將深度學慣用於高精地圖的生產。這個時候也開始在做道路指紋定位方案。

• 2015年10月，高德首次完成了高精地圖NDS格式的編譯。

• 2016年9月，高德完成了28萬公里高速公路的採集，也做出了基於深度學習的相機的Demo方案。

• 2016年12月，高德的高精地圖生產線通過了TS16949的認證。這個時候還將深度學習技術用在識別激光點雲上，雛形搭建起來，逐步用在生產線上。

• 2017年2月份，高德對其首個自動駕駛用偏轉插件進行測試，目前正在和測繪局調試該插件。

• 2017年4月份，高德與博世和英偉達展開合作，關注的是定點陣圖層和數據更新。

高德定位自己是一個從生產到服務去持續賦能自動駕駛的企業，因為現在很多車廠其實不是很清楚如何去用高精地圖。

為了解決這樣的問題，在高精地圖上，高德除了提供矢量數據之外，還提供一些用於測試的應用（比如感知、定位以及車道級路徑規劃），通過這些應用，高德希望在雲端構建一套高精地圖的服務。

高精地圖技術複雜，充滿著各種不確定性，而且也是一種新商業模式，又不可避免要面臨新的法律法規的約束，所以高精地圖必須要全產業合作才能實現，自動駕駛更是如此。

文中圖片截自谷小豐演講PPT

重磅預告：本系列講座的第三期，我們邀請了地平線機器人技術商務總監李星宇來聊了聊自動駕駛商業化在的機遇和挑戰。課程總結文也將在近期發布。

接下來，矽谷自動駕駛技術公司 Vector.ai CEO 蔡長柏（Andrew Tsai）等更多神秘嘉賓還將為學員帶來更多精彩分享，課程內容將於後期陸續上線，敬請留意雷鋒網AI慕課學院。