众包模式下的高精地图标注测绘技术该何去何从？
发布时间： 06-27点击数：2229首要咱们来看一下主动驾驭。在主动驾驭年代最中心的观点是要完结零磕碰的抱负交通社会，车辆可以安全移动、环保节能，一起人类可以舒适愉快地移动，这儿包含了三个维度：安全、环境和舒适。为了完结这个抱负的交通社会，从上世纪90年代开端，轿车企业不断开展，包含倒车雷达、360度环视、车道保持以及主动巡航等功用，终究的技能形状就是主动驾驭。
关于主动驾驭的实践，在业界比较公认有价值的实践途径，就是SAE的分级界说：从辅佐驾驭到部分主动驾驭再到高度主动驾驭以及彻底主动驾驭。业界广泛预判2020年将是一个重要的时刻节点，在这个时刻节点会完结部分主动驾驭的量产，一起高度主动驾驭开端进入市场，这是一条主线，可是在部分上可能还会完结分场景的施行，比方场景优先的高档主动驾驭功用。贯穿主动驾驭实践的技能中心是感知、认知和操控，不同等级的主动驾驭，对这三个中心技能的需求是不一样的。
榜首，它供给了先验的常识，它的感知规划比现有的传感器感知规划要远许多。视觉和激光最多能达200米，但更远的当地以及视距规划外的情况，传感器是无法取得的，而地图具有无限远的数据感知。
第二，地图可消除传感器的一些差错。有些传感器会判别错，尽管现在这种情况越来越少了，但还存在。当传感器无法辨认像金属这些情况时，经过地图可以处理，一起地图可以奉告该区域差错规划可能是多大，经过一系列AI算法，可消除传感器的一些差错。
第三，地图不受恶劣气候的影响，在雨雪气候的情况下，简直任何传感器都失效。但只要有方位信息和地图，彻底不可视的环境中，也能完结一些主动驾驭功用。
第四，地图可以表达传感器无法取得的部分常识，经过数据堆集、发掘取得部分驾驭阅历的载体，可集成在地图中作为一种相应的常识传达给每一个主动驾驭终端，补偿其他传感器的一些功用。
前面讲了主动驾驭和地图，信任业界朋友都很清楚，这儿再多谈一下地图的开展趋势，地图的发作有必要阅历从实践国际到搜集加工处理、数据发布多种表达形式、用户运用，再到数据发作改变，终究回到实践国际，构成地图的在实践国际的一个闭环。跟着软硬件的不断开展，在地图的各个环节中，地图的搜集、加工、存储、表达和运用这几个环节都不断会有技能引进和更新。
技能不断的改变可以使每个环节不断演化，进而导致新地图发作改变。在搜集端，从最开端人眼获取数据，经过各种搜集终端、搜集设备、传感器体系来获取数据，一起从根底测绘和遥感技能变成社会化大众化搜集；在加工环节，从开端纯人工处理，到AI做多元主动化的处理；在数据存储和表达上，从开端纸质载体到各种多媒体载体，从二维到三维，从静态到实时动态，从图纸记录到本地数据库，再到云端，技能在不断演化。在运用端，除了根本的导航、主动驾驭的决议计划规划，还会扩展到才智城市的更多其他运用。
上面讲了地图开展趋势，高精度地图开展趋势会从专业测绘向众包更新开展。上图有几个的搜集办法，最上面是专业测绘车，这是咱们几个图商依照功用制造，它的本钱和精度都很高，可是可以做到这种专业测绘车的很少，它经过自主搜集半主动化以及全主动化出产的办法取得了高精度的矢量地图，矢量地图包含车道级拓朴、车道边线、路途区间以及ADAS数据信息，它可以满意车道级的导航功用的主动驾驭，精度和可信度高，问题是本钱十分高。
在这些专业的测绘车搜集高新技能根底上，咱们以为可以出现一种Low Cost搜集车，它的本钱和精度比较低，它的数量可以多一些，它会经过搜集一些精度稍低的数据，经过人工检验、数据的差分交融等技能手段来不断地更新高精度的矢量地图。最下面是众包车，本钱最低，精度也很低，我信任未来主动驾驭车许多会选用相同的设备来去做主动驾驭，优势在于数量十分大。
经过数量大补偿单个数据质量精度低的问题，可经过大数据剖析取得动态交通情报。对地图比较了解的人会知道，高精地图实践上分静态地图、动态地图，许多动态信息是来自于众包车辆的数据获取，包含拥堵、交通事故、气候等，还可经过多视几许、拍照丈量、深度强化学习以及云雾核算等办法生成语义地图和特征地图，别的也经过许多数据同享、发掘、剖析和交融来进步精度和可信度。
众包车辆生成的数据，除了生成动态的信息可以更新一部分高清地图外，还生成了一些感知地图，用于主动驾驭辅佐定位。
简略小结众包更新的创新和优势，首要众包更新是完结实时更新的低本钱和可量产化的计划，具有一些十分显著的优势，我国大约600多万公里的路途数据，假如依照专业测绘的办法搜集，将是个天文数字，因而假如有一个根底的高精度地图网，经过众包的办法来更新地图取得城市细路途数据，它将是低本钱可量产的计划。
第二，在商业形式上也有新的吸引力，数据的运用者一起也是数据的供给者，在未来商业形式上可能会发作一些改变，跟着区块链技能的开展，可能会看到新的商业形式出现。在技能上，它的难度在于精度和可信度都比较低，可是跟着大数据技能的开展以及AI技能的打破，这些技能门槛会逐渐下降，一起精度和可信度将逐渐进步。
第二部分讲一下众包更新的理论根底。实践上，众包的概念很早就已提出，讲三种形状，榜首是UGC，用户原创内容，这个概念来自于互联网，用户就是网络内容阅读者，也是网络内容的发明者，也得到了十分广泛的运用，比方维基百科、豆瓣、知乎以及抖音，每个人都可以上传和共享自己的著作，都可以作为自媒体在网上活泼起来。
第二是刘经南院士提出的泛在测绘的概念，传统测绘是运用丈量的仪器测定地球表面形状的地舆要素以及地表人工设备形状、巨细以及空间方位等特点。依据观测到的数据，经过地图制图办法，向地上的天然形状人工规划绘制成地图，而泛在测绘是在任何地址、任何时刻为认知环境和人而运用和发明地图的活动，可以了解为所见即所测绘，运用即测绘。
第三个是群智感知，是将普通用户的移动设备作为根本感知单元，经过通讯的办法构成群智感知网络，然后完结感知任务分发和感知数据搜集，完结大规划杂乱的社会感知任务。
接下来咱们讲众包更新的数据来历和分类，可以分为四大类。榜首是轨道数据，众包、主动驾驭或其他的辅佐安全驾驭有相通的功用，首要定位有必要是一个高精度的定位来历，一般来自于GNSS+惯导的方位感知数据以及经过SLAM或相关技能把视觉定位、高精度定位、激光雷达定位、毫米波雷达定位等定位办法进行交融得到一个交融定位的高精度轨道数据。但在轨道数据中，单一的轨道信息价值十分低，有必要构成规划效应。咱们要构成的产品首要是拓扑网和拓扑网的更新，一起还包含一些动态的交通信息。
第二是图画数据，图画数据包含的信息量是十分大的，大部分对错结构化的数据。实践上，这些非结构化数据要处理成结构化数据，是要经过标定和AI算法把图画数据变成矢量化数据。
第三是雷达数据，雷达包含激光雷达、毫米波雷达、一些超声波雷达。激光雷达的精度十分高的，本钱也十分高，这是最大的缺陷。而毫米波雷达也可以掩盖一切运用，在一些场景重构方面，对数据精度的进步很有价值。一般，激光雷达精度是满意的，假如运用毫米波雷达，需求跟图画数据等其他的数据进行交融才干得到比较好且能运用的数据。
第四是CAN数据，包含车内各个零部件在毫秒级层面上输出的数据，这些数据的发掘对做无人驾驭的决议计划算法有十分好的效果。
环绕方才的众包数据分类，现在国内外出现了不同计划的众包公司，这些草创企业都做得十分不错，首要有两大计划，榜首是以视觉为主，比方有Mobileeye、IvI5以及国内的宽带科技等企业。以IvI5为例，左上角是IvI5的制图样例，制造视频APP运用，向方针确定到Uber等渠道的司机用户上，运用者可以将手机固定在轿车仪表盘上方，下载该运用并在驾驭室的启动，会开端录制视频，一起搜集加速度GPS数据，驾驭员每驾驭十英里大约可得到几美分酬劳，这些数据终究将协助IvI5团队创立高精地图。
另一种计划是以雷达为主，比方DeepMap和Civil Map等公司，首要是将激光雷达获取的点云数据运用AI辨认路途特征，把路途边线、车道线以及一些看板的特征辨认出来，树立起地图更新或直接构建感知图层。因为激光雷达价格远高视觉传感器，所以它在数据规划上是不及以视觉为主的传感器的规划，但它精度更高，因而这两种计划各有利弊。现在假如能把这两个计划交融在一起进行扬长避短，可能会是比较好的计划。
这张表展现了对激光和视觉两大主流众包计划的比较。激光为主的计划有本钱高、精度高的特色，中心传感器是不同线数的激光雷达，众包数据源包含激光点云数据或许一些数据相片等数据，中心处理算法包含三维建模、核算机视觉等方面，输出效果有三维模型、车道模型和地上相关要素。在以视觉为主的计划中，本钱低，精度也相对低，中心传感器有全景相机、单目相机、双目相机等，甚至手机相机和行驶记录仪都有可能作为它的输入，它的众包数据源是相片、视频、轨道数据，中心算法包含多视几许、深度学习、多元语义切割等，输出效果具有高精度的拓扑联系及能辨认出的交通标志牌。
实践上，众包是未来地图更新的必经之路，所以在各个领域都有不同的厂商在发力。从技能途径上讲，有激光和视觉两大方向。榜首，有许多整车厂以及OEM厂商现已开端在做；第二，互联网巨头如Google、百度、阿里现已在重视并开端发力；第三，许多出行和物流效劳商也在做，Uber、滴滴、京东等；第四，典型的图商，如here、四维、百度、高德，包含咱们在内及新式草创公司，许多的新草创的技能，都奉献不少，包含civilmap、deepmap、lvl5等等。
咱们来看一下众包更新的关键技能和完结途径。咱们以为依据端、管、云构建的数据生态体系，终端首要是传感器、本地的核算才干以及高精度定位。通讯首要是管，担任数据传输和信息安全；云端需求有AI大数据处理、地图生成和构建。高精地图的众包首要是分为两个部分：智能感知终端，即端的感知才干，还有高精度地图云，在云端做高精度的交融和更新处理。
在终端层面上会有哪些作业呢？这幅图首要展现了轿车所能运用的绝大部分传感器，激光雷达、差分GPS、惯性导航、一些其他的传感器，包含路侧单元传感器、身体生理传感器（如检测疲劳驾驭）及温度、湿度、风向传感器等，这些传感器能完好地获取人体以及车辆的本身情况，不只可以发掘自车情况的数据，也能用于主动驾驭，仍是未来动态地图众包更新的一个来历。比方经过丈量车辆雨刮的运用情况以及频率，可以直接了解该区域气候情况。在终端方面，咱们的首要任务首要是高精度的交融定位，假如咱们需求轨道数据，那么咱们期望这个轨道数据至少是分米级的定位精度，经过差分GPS和惯导可以取得一些方位，再经过交融定位的办法，去生成精准的轨道。
传感器除了获取轨道数据和相关的车辆数据之外，算力也十分重要。它要将传感器所取得的数据进行核算或辨认成咱们经过众包云端可以运用的一些语义地图，传感器实时发作的数据量十分大，在现在的通讯情况下，把这些数据传给云端，通讯压力很大，一起许多的数据在云端将会被糟蹋。因而终端需求必定的核算才干进行开始的数据对齐和处理，例如感知特征辨认和地图要素矢量化，这些处理需求同步传感器的时刻以及合理的调度和优化资源。现在国际上比较好的终端开发渠道是NVIDIA的Jetson TX2，搭载代号Parker的Tegra处理器、6核CPU架构、256核Pascal架构GPU中心，全体模块功耗低于7.5W。
终端最开端中心是定位，还需求感常辨认，它首要需求图画数据的感知，最好的办法是运用AI深度学习的处理办法，本质就是将非结构化图画数据转化为结构化数据，包含辨认的特征、物体的品种、方位和姿势等等。非结构化数据，比方行车记录仪的视频数据，包含数据搜集、数据压缩和数据存储；而终究的结构化数据，包含了开始辨认的效果，如交通标志的辨认效果、车道线等。
关于转化的进程，都是深度学习来做的。咱们所需求样本的练习进程以及针对性的样本模型，信任咱们都比较了解这些作业了，我就不展开讲了。
这儿也简略地阐明一下，在做深度学习时，首要需求标示，需求一些标示的数据来进行终究的推理和运用。这些标示的作业是由许多的人工和半主动化的办法来完结的，有的可以运用开源的数据集来练习，也有模型可以主动地生成部分的数据，包含人工的挑选用来表明对错的一些标识。这些作业在业界也有专门的公司会帮咱们来做。
一起，标示的类型咱们可以分为物体等级标定、物体特点标定以及物体像素等级的标定，可以依据实践的需求来进行挑选。
接下来咱们看一下管端，众包数据不可能都在终端完结，因而它需求把数据传到云端，在管端首要是通讯，通讯方面咱们可以看几个数据,首要是原始感知数据，假如要把原始数据全部传到云端，在高速公路经过SLAM或其他特征提取后大约是50兆/公里，假如要将十分完好的激光点云往上传，一公里大约都需求一个G的数据，而整个全国高速估量得要TB级了,因而云端是不需求这么庞大的数据的，咱们只需求将矢量化的数据往上传，矢量化的数据在高速公路根本上每公里可以做到10KB的数据量。
在管端，除了通讯，还需求重视数据传输的协议。现在首要盛行的协议是ADASIS协议，一起还需求重视它的信息安全，未来的5G和V2X的开展也会给通讯带来革命性的改变。
上图的下面有两幅小图，可以看到车跟车之间的通讯、车和路以及车和人之间的交互的数据，这些都会成为咱们未来新众包数据的来历，可以用于实时交通信息的数据获取。
接下来咱们要看看云端要。在云端，首要运用AI机器学习以及大数据处理等技能，从海量众包数据中取得有用的信息，为高精度地图的生成和构建做准备。对不同类型的众包数据，处理办法会不一样。对轨道数据咱们要遵照经典的数据发掘的办法，包含数据清洗、配准、发掘等进程。发掘的算法也有许多，在左面咱们也写了许多算法，咱们可以去了解一下，包含类似界说算法、以时刻聚焦的轨道聚类。
在进行机器学习和大数据清洗处理之后，就可以进行构建地图了。上图是地图生成和构建的根本流程。咱们将得到辨认出的路途边线的形状以及地物类的方位特点，这是咱们的输入，可是这并不是咱们所说的高精度地图，咱们还要进行专业化的地图生成和构建，其间包含点线交融、形状点一次构建、拓扑构建，在这个根底上，再进行形状点二次构建，增强它的几许形状，使二阶愈加润滑，并核算出它的斜度曲率，然后再构建出车道的模型以及静态标志交融等多个进程。
其间拓扑构建指的是路途和车道间的连通性联系。车道模型构建中需求依据形状的信息生成高精度的斜度、曲率和ADAS数据。
接下来咱们谈一下众包测绘存在的一些问题。首要是以下几点：
榜首是传感器数据来历和规范；
第二个是众包测图与更新的行政许可，也就是方针门槛；
第三是众包数据的质量和精度。
首要，传感器数据交融还存在着许多问题，传感器的品种许多，功用的差异十分大，传感器的数据格式不一致，多传感器数据交融技能仍存在着一些技能壁垒。而在技能壁垒方面，可以有以下几个问题。榜首，还没有树立起一致的交融理论和有用广义交融模型及算法；第二，对数据交融的具体办法，现在的研讨还在开始阶段，尽管有一些比较好的效果，但我觉得它还有很大的开展空间；第三，还没有很好地处理交融体系的容错性和鲁棒性的问题，尽管大数据交融包含深度学习是概率性的问题，可是咱们还无法量化它的鲁棒性。
第四，相关的二义性是数据交融的首要妨碍以及数据交融体系中的规划也还存在着许多实践的问题。第五，在上传协议方面，现在会针对已有的车联网车辆数据上传协议，首要用于车辆间动态信息的交互，需求针对众包制图方面扩展协议内容。尽管here在国际上也有一个Sensoris是相关的协议，可是这并不是一个一致的规范，国内也在做一些规范化作业，在规范化安排方面，咱们几个图商在国家的指导下，将会构成一些规范化的作业。
别的一个问题是方针问题。实践上，众包数据的搜集是有一些方针的。尽管没有清晰的行政许可，可是依据测绘法对策行为的界说：企业性质的大规划带GPS和不带GPS的地舆数据搜集都归于测绘行为，数据需求由甲级导航电子地图资质的图商来搜集处理。
可以看到，经过界说，对众包数据的搜集有着极大的约束。导航或主动驾驭轿车搜集车端带GPS数据都归于测绘行为，假如GPS数据需求加工成图，需求有资质的企业来进行数据的搜集和加工；假如GPS数据用于对接监管渠道，需求经过有资质的图商对数据进行办理和监管。关于不带GPS的数据，比方印象、视频等，假如是大规划的、企业性质的搜集也归于测绘行为，因而这并不是一切的人、图商或许车厂可以搜集的领域。
还有愈加严格的方针监管，包含根底地图出产、地图数据存储、地图更新、地图出书出售等等各个环节都需求有资质的约束。经过资质可以看到，对众包更新会有很大的约束，可是这对未来的主动驾驭以及众包更新来说是一个大的趋势，国家将主动驾驭作为一个战略开展方向，我信任在未来的方针约束方面，国家会有必定的考虑的。
终究来看众包更新存在的一些技能上的瓶颈，首要在于众包的制图才干，它是不是真的可以到达咱们所期待的众包更新。榜首，数据质量与掩盖规划终端设备数量是密切相关的，咱们要想取得众包更新的数据，条件是有许多的、可以彻底跑的相关众包车辆。从搜集端来看，为了确保精度，每条车道上最好可以有必定的掩盖，一般情况下10遍左右，当然有更多是最好的，因而在众包地图中，它必定要有满意大的用户量，这可能就会出现鸡生蛋和蛋生鸡的进程。
在数据内容上，咱们需求一个完好的车道体系网络，不但仅仅一个车道边线和中心线，还需求得到它的拓扑联系，包含虚拟连接线；众包数据在精度特点上还有点短缺，在右下角的图上，咱们可以看到有些当地的虚实线有开裂、有些地物的标识不精准以及路口内虚拟连接线有穿插等等，这些问题都会导致在精度方面的问题。
尽管未来咱们会取得一些精度和特点上有点短缺的数据，但咱们期望可以像之前说的，以专业的搜集数据为基准，与众包数据经过在精度方面的交融以及贝叶斯过滤算法等等技能去进步精度。跟着技能的开展，精度也会逐渐进步，在未来，经过这种办法肯定可以满意咱们数据更新需求。
以上就是跟咱们共享的内容，咱们有什么相关的问题，咱们可以一起来评论。谢谢咱们。
发问环节
问题一
宋河海-上海卡达克-高档研讨员
1、众包测绘的高精地图精度等级在多少厘米？
2、与装有激光雷达的专业测绘车比较，存在的优势和劣势？
：1.众包数据来历有许多种，不同传感器触及的众包数据精度也会不同，算法也会影响终究精度。现在咱们的众包更新还在POC的阶段，咱们会依据需求挑选不同的交融计划，一起也在研讨一些更好的传感器，在本钱和精度方面可以平衡的传感器中进行选用，经过深度学习、多视几许的办法，终究得到的精度可以满意咱们对主动驾驭的需求，具体的数据会依据终究选型来定。
2.众包的优势在前面的PPT现已讲过，跟专业的激光雷达丈量车比，本钱较低，数据来历十分丰富，一起本质性十分好；劣势是精度比较低，处理睬愈加杂乱。
问题二
赵鑫-高德-产品专家
高精地图对现势性的要求
：高精地图对现势性的要求，其实就是主动驾驭对高精地图现势性的要求。当然，要求是现势越高越好，这样高精地图就可以作为主动驾驭中置信度最高的传感器，但这个要求一般很难到达，特别是大规划区域内，因而为了完结众包更新的方针，需求咱们经过众包的办法来显现，业界对现势性方面有相应的分类，有静态地图和动态地图，依据不同的数据品种区分，比方动态的数据包含在路口的人和车之间的动态信息，需求经过V2X的办法以秒级展现在地图上。
在交通事情上，以一分钟为单位；而路途的变更会以一小时或一天为单位来进行更新数据。总归，依据数据情况以及数据内容的不同，更新的现势性要求也会有不同。
问题三
王维-高德-测验开发工程师
众包测绘也归于测绘行为，是否契合当时测绘法的要求？假如不符，出路在哪里？
：这个问题我在PPT有讲过，众包测绘在我国也归于测绘行为。现在有两种办法，榜首是以图商为根底来躲避对资质的需求；第二是要等国家开放方针。
问题四
邓庆明-武汉大学-地舆信息体系
怎样让私家车供给众包数据，众包数据规范怎样拟定?
：私家车可以供给众包数据，方才咱们谈到国外的IvI5公司选用的奖励形式，手机录下视频上传，依据拍照的底层来付费。别的一个可能是咱们未来的一种协作形式，咱们供给数据然后享用更多人供给数据后的效劳，然后取得效劳，这是在互联网上的一种形式。在规范化这一块方才也说到，众包数据的规范现在在国际上会以欧洲为主导，包含ADASIS等和Sensoris一些规范。在我国，一些智能网联轿车联盟以及刚成立的主动驾驭地图作业组也即将开端一些规范化的作业。
问题五
simon-北斗星通-体系业务总监
众包地图现在大都计划将其作为高精度地图的日常更新和补偿，只要这一种效果？
：现在，高精度地图在主动驾驭的运用中，仍是以面向机器为主，但在往后的一些仿真环境树立，城市的精细化办理方面仍是可以运用的，运用这些高精度地图展现合作VR、HUD、全息投影等各种新的出现办法，可以给咱们带来很好的体会。在一些不发达的区域也会有很好的运用，比方在肯尼亚、苏丹、南非等，当地人还用短信、视频或语音的办法来搜集和修改GPS，然后完结地舆信息的搜集。
总归，众包数据可以在才智城市或许在政府或在城市土地办理、城市环境监控、生物多样性等方面都会起到很好的效果。而现在咱们咱们首要谈的仍是用于高清地图以及用于主动驾驭领域。
问题六
吴强-高德-前端开发工程师
众包测绘如何处理设备精度带来的肯定精度缺乏的问题？今后地图数据标准是面向人仍是面向机器？
：众包测绘的肯定精度是会有缺乏，众包测绘的原理是依据海量数据的发掘，它是以数量来补偿肯定精度的缺乏，实践上在PPT里面也讲到，经过数据发掘以及差异感知，假如主动化程度或许算法还不行，可能还需求人工修正等办法来进行数据的更新。可是跟着高精度传感器技能和数据发掘技能以及AI技能的开展，是可以处理精度方面的一些问题的。咱们以为，地图首要是面向机器的，是用于不同程度等级的主动驾驭，可是在未来，除了机器去了解地图之外，咱们还期望地图可以给人一些进行交互的界面，作为人机交互的界面之一，因而我觉得，地图现在是给机器看的，未来会逐渐让人也可以运用。
发问七
任-邮政研讨院-研讨员
请问怎样才干参与众包，有什么要求。大型物流车队可以吗？
：假如能有大型的物流车队来参与众包，当然是最好的了。要求是它需求一些高精度的传感器，包含定位设备，单目或许双目视觉设备，现在比较好的是Mobileye的EyeQ4，假如可以有高精度的激光雷达是最好的，实践上，这些设备对物流车队来说，也是一个比较大的投入，更好的挑选是它经过这些设备能取得一些它所需求的功用，比方辅佐驾驭、节能安全等相关的功用，这样对物流车队来说会有比较好的投入。
发问八
王雷-春风雷诺-ADAS工程师
当时市场上，众包形式处于什么阶段？现已上路搜集了吗？
：前面也说过了，现在众包形式咱们还在POC阶段，都是在实验的阶段，咱们会在部分的路途上用自己拼装的众包车辆进行数据的搜集。
