众包高精地图对自动驾驶发展有何影响

自动驾驶的未来在哪里？这是一个极其广泛的问题。按照技术演进的规划，自动驾驶从L0到L5分为六层，每一层都有不同的实现时间预期和技术演进路线。其中L3-L5被认为是真正的自动驾驶能力，L1-L2只能算是自动驾驶辅助。从落地来看，市面上相当一部分L2级别的自动驾驶辅助设备已经量产交付。L3自动驾驶有望在未来1-3年内逐步实现量产交付；L4和L5多为Demo，谈量产为时尚早。L2到L3最大的飞跃在于地图数据的融合，而不仅仅是计算机视觉、系统决策能力、硬件计算能力等感知水平的提升。如何将地图数据与ADAS完美融合，也是一个极其宽泛的问题，几乎可以决定自动驾驶行业的未来。与我们日常所知道的导航地图(SD地图)不同，自动驾驶所需要的地图根本不是可视化的产物，而是各种图层和数据的堆砌。在具体的定义和命名上，每个自动驾驶公司和地图供应商都有不同的思路，但最终落地时基本不会离开高精地图的范畴。那么，什么是高精地图呢？首先，定义高精度。一般来说，地图数据的绝对精度小于1m，相对精度在10-20cm之间，以满足L3自动驾驶仪的应用。如果是L4甚至L5自动驾驶功能，就需要更精确的地图数据，比如厘米级。高精度的基础地图数据只是构建HD-Map的基础，展馆需要更多的道路和环境元素，以及多维度的图层来构建。道路包括但不限于车道方向、道路中心、车道连接线、停车线、应急线、断面关系、虚拟连接线、高速公路边界、限速信息、象征意义、坡度、曲率；另一方面，道路周围的环境信息也很重要。简单的理解就是在哪里，有什么样的地标，是树还是龙门架，你要给我标出来。

车道线互联静态数据够用吗？不完全是。从高精地图的构建和采集来看，除了静态维度，来自数据采集车的大量驾驶体验数据和实时环境动态数据可以进一步丰富高精地图的信息维度。因为一个好的自动驾驶算法应该具备和优秀的人类驾驶员一样的性能，而这需要人工智能算法和地图经验数据的共同加持。这些多维数据叠加在一起，形成一个服务于自动驾驶算法的三维虚拟世界。换句话说，普通导航地图是给人看的，高精地图是给机器看的。虚拟世界的建立我相信大部分人都遇到过车顶有一堆传感器的地图测绘车。比如百度和高德的测绘车就是我见过最常见的。提高传感器精度(包括视觉相机和激光雷达)后，可以服务于高精度地图的采集，这也是传统地图厂商的惯用方法。专用地图采集车的优点是数据维度丰富，位置信息等重要数据的精度高。缺点？缺点是更新慢，成本高。与传统地图厂商明显不同的是，以自动驾驶开发者身份进入地图行业的公司。他们的制图方法大多依赖于众包，他们通过基本的视觉图像和分布在边缘和云中的一套算法来合成可用的高精度地图。这些图像是从哪里来的？它可以从ADAS系统或一套额外的小硬件中截取。缺点是什么？车端的定位硬件性能差异很大，在位置信息中嵌入视觉图像时，极有可能产生几米甚至几十米的偏差。这种情况下如何提高数据的可用性才是核心竞争力。对于成熟的自动驾驶开发者来说，一个明显的优势是安装在量产车型上的视觉传感器的基数。以Mobileye为例，他们有可用于地图数据采集的量产ADAS，具有足够的规模效应，可以克服单一数据采集中数据分散的问题。如果很难理解，回想一下你高中数学课上的正态分布，差不多就是这样。

众包(无离散采集)采集的信息在传感器基数/装载数上足够大，算法足够优秀，可视化众包地图采集方案也能产生一张优秀的高精度地图，一个行业的基础数据是一条车道需要10次采集才能采集到测绘数据。加载量还涉及到一个很关键的属性:地图更新的速度。那么多车每天在路上采集地图数据，更新速度的瓶颈不再是数据采集，而是后端的数据处理。处理速度多快，地图更新周期就短。当越来越多的车辆标配L2自动驾驶辅助时，车辆端众包地图的硬件成本变得微不足道，因为ADAS相关的感知、计算硬件和车联网能力可以重复使用。主要难点和成本在于车端的高效边缘算法和云端生产线的搭建。好的边缘算法可以保证数据上传的成本可控。在新的汽车现代化时代，云能力的建设是任何一个雄心勃勃的汽车行业巨头都必须要做的事情。放弃就意味着被淘汰。因此，可视化众包制图从采集过程来看，显然是低成本和极高的更新效率。

众包密度数据和感知的前端融合对于目前的汽车行业体系，笔者有一个激进的看法。更高级别的自动驾驶辅助功能，比如L3，应该和地图能力属于同一个开发体系，形成数据闭环和互通。为什么？从第一次应用地图数据开始，取L3函数a……一个例子，在自动驾驶系统运行过程中，将海量地图数据与实时感知结果作为基础数据进行对比，实现高精度视觉定位，在此能力背景下，可以实现安全自主变道、高速变换等功能。实时数据制图与现有高精度地图的融合过程是SLAM。如果细说的话，会是一篇很长的文章，这里就不赘述了。因此，如果地图数据的视觉采集过程和自动驾驶视觉感知在算法上相似，那么就可以在前端实现高效的数据融合，提高视觉定位精度。但为什么是激进的观点呢？因为对于目前的汽车工业体系来说，各部分找供应商解决问题是惯例，地图数据和自动驾驶能力很容易来自不同的供应商，它们之间的结构化数据的衔接很容易成为瓶颈。其实业内已经有现成的案例把地图数据采集和自动驾驶能力框在同一个开发体系下，比如Mobileye，特斯拉，甚至李，交付量刚刚过万。除了前端融合产生的高精度定位结果，高精度地图所包含的丰富信息还可以进一步优化自动驾驶辅助的性能。比如跨线桥连接处的异常坡度数据，可以帮助自动驾驶系统实现预防性减速，避免车辆颠簸带来的不适；或者参考驾驶经验数据，在接近小曲率的高速/高架路段时，以更平稳的速度通过。这些基于数据能力的细节场景优化，带来的是整体驾驶体验和安全性的提升。一个参考逻辑是，一个人类老司机最重要的技能是对路面和道路环境的熟悉。一套配备实时更新、数据丰富的高精地图的自动驾驶算法，显然与“老司机”有着相同的能力逻辑。闭环在这里，地图生产和使用的闭环已经形成:众包地图数据采集>；高精地图对自动驾驶辅助的加持>:更好的用户体验>更多的销量>更多众包地图数据的闭环蕴含着丰富的用户运营维度和变现能力。当然，如何调动用户的积极性，实现地图数据的进一步变现也是一个宽泛的问题，这里就不讨论了，留给行业内的先行者去寻找最好的答案。自动驾驶的未来在哪里？这是一个极其广泛的问题。按照技术演进的规划，自动驾驶从L0到L5分为六层，每一层都有不同的实现时间预期和技术演进路线。其中L3-L5被认为是真正的自动驾驶能力，L1-L2只能算是自动驾驶辅助。从落地来看，市面上相当一部分L2级别的自动驾驶辅助设备已经量产交付。L3自动驾驶有望在未来1-3年内逐步实现量产交付；L4和L5多为Demo，谈量产为时尚早。L2到L3最大的飞跃在于地图数据的融合，而不仅仅是计算机视觉、系统决策能力、硬件计算能力等感知水平的提升。如何将地图数据与ADAS完美融合，也是一个极其宽泛的问题，几乎可以决定自动驾驶行业的未来。与我们日常所知道的导航地图(SD地图)不同，自动驾驶所需要的地图根本不是可视化的产物，而是各种图层和数据的堆砌。在具体的定义和命名上，每个自动驾驶公司和地图供应商都有不同的思路，但最终落地时基本不会离开高精地图的范畴。那么，什么是高精地图呢？首先，定义高精度。一般来说，地图数据的绝对精度小于1m，相对精度在10-20cm之间，以满足L3自动驾驶仪的应用。如果是L4甚至L5自动驾驶功能，就需要更精确的地图数据，比如厘米级。高精度的基础地图数据只是构建HD-Map的基础，展馆需要更多的道路和环境元素，以及多维度的图层来构建。道路包括但不限于车道方向、道路中心、车道连接线、停车线、应急线、断面关系、虚拟连接线、高速公路边界、限速信息、象征意义、坡度、曲率；另一方面，道路周围的环境信息也很重要。简单的理解就是在哪里，有什么样的地标，是树还是龙门架，你要给我标出来。

车道线互联静态数据够用吗？不完全是。从高精地图的构建和采集来看，除了静态维度，来自数据采集车的大量驾驶体验数据和实时环境动态数据可以进一步丰富高精地图的信息维度。因为一个好的自动驾驶算法应该具备和优秀的人类驾驶员一样的性能，而这需要人工智能算法和地图经验数据的共同加持。这些多维数据叠加在一起，形成一个服务于自动驾驶算法的三维虚拟世界。换句话说，普通导航地图是给人看的，高精地图是给机器看的。虚拟世界的建立我相信大部分人都遇到过车顶有一堆传感器的地图测绘车。比如百度和高德的测绘车就是我见过最常见的。提高传感器精度(包括视觉相机和激光雷达)后，可以服务于高精度地图的采集，这也是传统地图厂商的惯用方法。专用地图采集车的优点是数据维度丰富，位置信息等重要数据的精度高。缺点？缺点是更新慢，成本高。与传统地图厂商明显不同的是，以自动驾驶开发者身份进入地图行业的公司。他们的制图方法大多依赖于众包，他们通过基本的视觉图像和分布在边缘和云中的一套算法来合成可用的高精度地图。这些图像是从哪里来的？它可以从ADAS系统或一套额外的小硬件中截取。缺点是什么？车端的定位硬件性能差异很大，在位置信息中嵌入视觉图像时，极有可能产生几米甚至几十米的偏差。这种情况下如何提高数据的可用性才是核心竞争力。对于成熟的自动驾驶开发者来说，一个明显的优势是安装在量产车型上的视觉传感器的基数。以Mobileye为例，他们有可用于地图数据采集的量产ADAS，具有足够的规模效应，可以克服单一数据采集中数据分散的问题。如果很难理解，回想一下你高中数学课上的正态分布，差不多就是这样。

众包(无离散采集)采集的信息在传感器基数/装载数上足够大，算法足够优秀，可视化众包地图采集方案也能产生一张优秀的高精度地图，一个行业的基础数据是一条车道需要10次采集才能采集到测绘数据。加载量还涉及到一个很关键的属性:地图更新的速度。那么多车每天在路上采集地图数据，更新速度的瓶颈不再是数据采集，而是后端的数据处理。处理速度多快，地图更新周期就短。当越来越多的车辆标配L2自动驾驶辅助时，车辆端众包地图的硬件成本变得微不足道，因为ADAS相关的感知、计算硬件和车联网能力可以重复使用。主要难点和成本在于车端的高效边缘算法和云端生产线的搭建。好的边缘算法可以保证数据上传的成本可控。在新的汽车现代化时代，云能力的建设是任何一个雄心勃勃的汽车行业巨头都必须要做的事情。放弃就意味着被淘汰。因此，可视化众包制图从采集过程来看，显然是低成本和极高的更新效率。

众包密度数据和感知的前端融合对于目前的汽车行业体系，笔者有一个激进的看法。更高级别的自动驾驶辅助功能，比如L3，应该和地图能力属于同一个开发体系，形成数据闭环和互通。为什么？从第一次应用地图数据开始，取L3函数a……一个例子，在自动驾驶系统运行过程中，将海量地图数据与实时感知结果作为基础数据进行对比，实现高精度视觉定位，在此能力背景下，可以实现安全自主变道、高速变换等功能。实时数据制图与现有高精度地图的融合过程是SLAM。如果细说的话，会是一篇很长的文章，这里就不赘述了。因此，如果地图数据的视觉采集过程和自动驾驶视觉感知在算法上相似，那么就可以在前端实现高效的数据融合，提高视觉定位精度。但为什么是激进的观点呢？因为对于目前的汽车工业体系来说，各部分找供应商解决问题是惯例，地图数据和自动驾驶能力很容易来自不同的供应商，它们之间的结构化数据的衔接很容易成为瓶颈。其实业内已经有现成的案例把地图数据采集和自动驾驶能力框在同一个开发体系下，比如Mobileye，特斯拉，甚至李，交付量刚刚过万。除了前端融合产生的高精度定位结果，高精度地图所包含的丰富信息还可以进一步优化自动驾驶辅助的性能。比如跨线桥连接处的异常坡度数据，可以帮助自动驾驶系统实现预防性减速，避免车辆颠簸带来的不适；或者参考驾驶经验数据，在接近小曲率的高速/高架路段时，以更平稳的速度通过。这些基于数据能力的细节场景优化，带来的是整体驾驶体验和安全性的提升。一个参考逻辑是，一个人类老司机最重要的技能是对路面和道路环境的熟悉。一套配备实时更新、数据丰富的高精地图的自动驾驶算法，显然与“老司机”有着相同的能力逻辑。闭环在这里，地图生产和使用的闭环已经形成:众包地图数据采集>；高精地图对自动驾驶辅助的加持>:更好的用户体验>更多的销量>更多众包地图数据的闭环蕴含着丰富的用户运营维度和变现能力。当然，如何调动用户的积极性，实现地图数据的进一步变现也是一个宽泛的问题，这里就不讨论了，留给行业内的先行者去寻找最好的答案。

标签：理想汽车特斯拉

汽车资讯热门资讯