北斗系统丨自动驾驶动态高精地图领域的技术与行业应用

▍应用背景

随着人们对交通安全、智能出行需求的不断提升，汽车产业正在积极推动自动驾驶研发与部署。

自动驾驶技术要解决的两个核心问题是：1. 车辆在哪？（车辆定位）2. 车辆周围有什么？（环境感知）。

通过高精度的定位结合高精地图，可以帮助自动驾驶汽车预先感知道路的复杂信息，并提供实时高精度的自车定位，融合车身传感器信息形成车辆周围环境建模，实现智能路径规划，让汽车做出正确决策。

因此，高精地图已成为自动驾驶的基础设施。

精准的定位是智能驾驶功能的基础也是核心，随着汽车智能化程度不断提升，对定位系统性能提出了越来越高的要求。因此，为了满足自动驾驶车辆全天候、高精度、稳定可靠的定位需求，通常采用多种技术融合来实现高精度定位，如卫星定位、惯性导航系统定位、无线电定位、高精地图定位等。

目前，基于GNSS（Global Navigation Satellite System全球导航卫星系统）、IMU（Inertial measurement unit惯性测量单元）、车载摄像头与高精地图的多源融合定位方案在自动驾驶领域广泛应用。

为了实现精准的车辆定位，支持上层自动驾驶功能，高精地图需要精准的反映不断变化的道路场景。地图行业传统的基于地图采集车的“集中制图”模式显然无法满足高精地图实时更新的需求，因此，将地图绘制任务下放到道路上的普通车辆的“众包地图”模式应运而生。

众包数据是确保高精地图高频更新的核心，如何实现高精地图众包绘制及更新，一直是业界不断探索的热点问题。

▍北斗系统在动态高精地图领域的技术应用

高精地图是自动驾驶汽车的“超距传感器”，可以为车辆提供超出传感器探测范围的环境信息，并且不受光照、天气、遮挡等特殊条件的限制。伴随着汽车智能驾驶功能应用的拓展，迎来了高精地图产业的飞速发展。

在自动驾驶领域，随着驾驶过程中环境监控主体责任从驾驶员逐步转移到车辆系统，自动驾驶落地场景已经从封闭的场景转移到更开放的场景，需要地图提供要素更丰富、更新频率更高的地图信息。

“动态高精地图”是指将静态地图信息（基本道路结构及附属物等）与动态地图信息（道路拥堵、施工管制、交通事故、地图元素更新、周边车辆行人、交通灯等）叠加融合，用以支持自动驾驶控制决策。

北斗系统在动态高精地图领域的技术应用主要体现在三个方面：车辆高精度融合定位、车端高精度实时建图、众包数据云端聚合。

一、车辆高精度多源融合定位技术

自动驾驶的发展推动高精度定位技术在汽车领域的应用，高级别自动驾驶功能需要更高精度的车辆定位能力作为支撑，高精度定位对于自动驾驶功能提升至关重要，Level 3级自动驾驶需要达到亚米级定位精度，Level 4以上则需要达到厘米级精度。自动驾驶系统通常采用多传感器多源融合定位方案实现高精度定位。

首先将实时环境感知结果中的定位特征与高精地图做匹配，相似性最高的匹配结果即视为当前车辆的匹配定位结果。然后将匹配定位结果与GNSS、IMU、车辆底盘信息相融合，获得稳定精准的多源融合定位结果。

在车辆高精度融合定位算法架构中，车体自定位主要依赖于GNSS（北斗系统）+底盘轮速计+其他传感器（摄像头、激光雷达等）的方式实现。随着深度学习在汽车智能化领域的应用不断深入，以视觉感知为核心的语义定位技术得到了广泛的应用。

典型的北斗定位与语义定位技术相结合的车辆高精度融合定位算法架构如下图所示，首先，基于GNSS（北斗系统）定位结果获取车辆初始位姿，确定自动驾驶车辆当前处在哪条道路上（该偏差一般在5~10米）；随后，根据环境感知结果中的语义信息，将车道线（虚、实线）及道路边缘（路沿或护栏）的检测结果与高精地图提供的车道线及道路边缘做比对，进一步修正车辆的横向定位。最后，将环境感知结果中路面标志、交通标志牌、红绿灯等信息，与高精地图要素匹配，实现车辆纵向定位的修正，确定车辆当前的位置信息。

车辆高精度定位技术算法架构

车辆高精度融合定位方案基于北斗卫星定位，融合车辆语义定位技术，辅助车辆实现更加准确，精度更高的定位，定位精度可达亚米级。

语义定位技术主要依靠摄像头采集当前路况信息，运用深度学习对接收到的图像信息进行特征提取并与高精地图做匹配，根据匹配结果确定是否当前局部信息与全局信息相吻合，从而确定当前的位置信息，实现车辆的高精度定位。语义定位与北斗定位相辅相成，根据北斗定位减少语义定位的初始匹配范围，节约算力。

当遇到北斗信号丢失的情况，可以通过语义定位补充获得定位结果，这类融合定位技术在隧道、地下停车场等特殊场景中有着广泛的应用。

二、车端高精度实时建图技术

高精地图的准确性对于自动驾驶来说至关重要，有数据显示，我国每年高速公路路网更新比例为30%左右，高精地图发布后的维护和更新将是一个长期持续不断的过程。

传统的高精地图生产采用“集中制图”方式，这种方式依赖昂贵的外业测绘设备与繁琐的内业人工标注，使得高精地图的生产与更新的成本居高不下，消耗大量的人力物力，严重限制了高精地图的市场应用与产业发展。在此背景下，基于大量社会运营车辆进行数据采集的“地图众包”方案成为高精地图更新与维护的最优途径，是实现高精地图大规模快速更新的最佳解决方案。

车端建图是指自动驾驶车辆基于行驶过程中所产生的传感器数据，实时构建车周环境的高精地图，建图系统的输入主要包括传感器信息（摄像头、毫米波雷达、激光雷达等）、GNSS信息、IMU信息以及汽车底盘信息等。

其中，GNSS信息用于将局部建图结果转化为全局地图数据，是车端建图方案重要的组成模块。单目前视摄像头是前装量产车型中装载率最高的传感器，且摄像头价格低廉、视觉数据丰富，是众包高精地图方案中最核心的传感器，本文着重于介绍基于单目视觉的车端建图技术方案。

随着近些年以深度学习为代表的人工智能技术兴起，计算机视觉领域产出了众多颠覆性的成果。将深度学习引入地图绘制过程，能够自动检测识别地图要素，将显著提升地图生产作业效率。

同时，深度学习可以与VSLAM（Visual Simultaneous Localization and Mapping，即时定位与地图构建）技术相结合，运用深度学习方法替换传统SLAM中的一个或多个模块（如特征点提取，位姿估计，重定位等），在传统VSLAM方案中加入语义信息（如图像语义分割，道路要素的检测、分类及识别）实现车端高精地图实时构建，自动生成带有语义的局部地图片段，典型的建图算法架构如下图所示。

基于单目视觉感知的车端高精度建图算法架构

本建图方案选择从连续帧图像空间的感知结果中直接恢复场景要素的3D矢量参数。首先基于深度学习，完成车道线、路沿、路面标志、标志牌、红绿灯、竖杆等道路要素的检测与识别；同时，基于IMU与车辆底盘信息（yaw rate、speed、gear等）解算车辆相对位姿，并结合北斗卫星定位信息构建3D里程计获取车辆绝对位姿（位置、速度、姿态），最终采用SLAM将道路要素的地理空间坐标恢复重建出来。

本方案将深度学习在视觉数据分析与处理方面的优势与SLAM技术相结合，降低了算力消耗，可以运行于车载嵌入式计算平台中，实现高精地图实时构建，自动生成带有语义的局部地图片段，显著提升了后续高精地图生产流程的自动化程度。

三、众包高精地图云端生产流程

1、基于北斗系统的云端聚合框架

在众包高精地图生产过程中，受到GNSS信号质量以及光照、遮挡等条件的限制，单次车端建图所产生的局部地图数据往往存在全局偏差及元素遗漏等问题，需要经过云端聚合优化才能生成完整可用的高精度全局地图。高精地图众包生产模式的本质就是通过多次观测数据的聚合优化以提升数据质量，从而实现低成本、高质量的高精地图绘制。

高精地图众包生产链路图如下图所示，基于多次车端地图构建服务生成的同一区域的局部地图片段，通过云端聚合框架优化其几何属性信息，自动生成全局地图，输出给全局地图数据库。众包地图数据云端聚合技术主要包括地图对齐、地图融合、地图推理等几个模块，云端聚合所生成的全局地图可以用于与已有高精地图底图匹配实现变化检测，从而支持上层高精地图更新匹配、场景划分等应用服务，实现车端感知数据到智能交通能应用场景的赋能。

高精地图众包生产链路图

2、基于北斗系统的云端聚合技术方案

在车端建图技术介绍中，基于北斗定位系统解算车辆实时3D位姿（位置、速度、姿态），以此实现图像空间中的道路特征在三维地理空间中的恢复重建，生成局部地图片段。众包地图数据云端聚合技术主要包括基于局部地图片段的地图对齐、地图融合、地图推理，最终生成高精度全局地图。

（一）地图片段对齐与关联融合

实现多批次传输上来的局部地图片段融合是高精地图众包更新方案的难点，需要在云端地图平台上持续做地图数据关联优化。整体算法处理流程如下图所示，首先基于地图片段中北斗定位信息完成同一区域内局部地图片段叠加，然后通过元素匹配对齐对地图片段的绝对位姿进行修正，最终进行几何语义属性融合，将多次观测获取的多个地图片段融合为一张全局地图。

地图片段对齐与融合

（二）地图推理

局部地图片段经过云端融合后生成全局地图之后，还需要通过地图推理流程来获得逻辑层信息（车道属性、车道连接关系、车道中心线等）。典型的地图推理流程如下图所示，首先对车道线进行关联融合，然后推理不同Section连接关系，最后进行车道属性推理，获取车道行驶方向、限速范围、车道中心线等逻辑信息。

地图推理流程

▍基于北斗系统的动态高精地图行业应用

一、高精度定位对自动驾驶的功能提升 

自动驾驶汽车通过高精度定位引入地图信息来构建车周环境模型，为车辆提供超传感器距离的感知能力，以此拓展多种复杂功能场景，是辅助驾驶系统向自动驾驶系统演变的核心。

与单纯自车感知方案相比，高精度定位通过引入地图信息形成先验感知，能够显著提升车辆环境感知的稳定性与准确性。在自动驾驶领域，基于摄像头的视觉感知是最普遍的应用方案，车道线检测是视觉感知最重要的任务之一，是支持LDW（车辆偏离预警）、LKA（车道保持）等驾驶功能的基础。

视觉感知容易受到光照、遮挡等干扰影响而导致失效，如下图所示，车辆驶离隧道出口的瞬间出现强光照情况，导致视觉感知短暂失效，车辆有偏离车道的风险，这时可以通过定位获取地图信息来补齐车道线，确保车辆在自车车道正常行驶，降低事故风险。真实的道路环境复杂多变，在自动驾驶环境感知任务中，交通灯、交通标志等要素的准确识别一直是视觉感知的难点。

如下图所示，高精度定位可以通过地图信息位自动驾驶车辆提供道路要素的先验感知，并且提供特殊类别的感知补充，显著提高了交通要素识别的准确性。

强光时，通过地图信息补齐车道线识别结果

提升交通灯、交通标志、路面标志等要素的识别功能，特殊类别的感知补充

在自动驾驶环境感知任务中，另一个难点是识别车道与交通要素（交通标志、交通灯、路面箭头）的对应关系以及复杂路况的先验感知（路口、匝道进出口提前变道），对于十字路口、复杂环岛、自动上下匝道等驾驶功能至关重要，通过在自动驾驶系统中引入高精度定位，可以很好的解决这个问题。如下图所示，道级高精度定位可以为车辆提供准确的车道与交通标志牌、路面标志之间准确的对应关系。

如下图所示，过高精度定位获取到前方十字路口信息，提前做出预测规划。

提供车道与交通要素（交通标志、交通灯、路面箭头）的对应关系

获取复杂路况的先验感知

二、高精地图众包绘制与更新方案

在高精地图众包生产模式中，基于北斗定位系统，构建出众包高精地图自动地图生产流程（如下图所示）。在车端基于北斗定位实现局部地图片段实时构建，并通过云端聚合框架，将大量车辆采集的局部地图片段数据进行关联匹配、融合优化、逻辑推理，生成全局高精地图，从而提供更新、更精准的地图信息，即可快速地发布到车端供车辆定位导航使用。

众包高精地图数据处理与生产流程

其中，云端地图生产既可以定时全量执行，也可以根据地图更新的结论，经过事件触发进行高效融合之后，提供更新、更精准的地图信息，自动生成高精地图。通过众包的方式实现的高精地图自动生产流程，可将高精地图更新频率压缩到分钟级，使得高精地图可以更精准的反映不断变化的道路场景，以支持高精度车道级定位导航以及丰富的高级别自动驾驶功能应用，主要服务与以下四种功能场景：

1、高精地图元素更新：

通过要素关联与变化检测，发现地图元素的变化并及时更新，确保高精地图“鲜度”；

2、高精地图范围拓展：

基于车端建图与云端融合，在无地图覆盖区域实现从0-1创建路网高精地图，提升高精地图的“广度”。比如：在高速公路主路高精地图的基础上，拓展生成匝道高精地图；

3、自建“记忆地图”：

自建局部记忆地图，支持记忆泊车、园区记忆式自动驾驶，提升自动驾驶体验；

4、动态信息采集与上报：

动态信息为道路环境变化信息，比如道路施工、交通拥堵、交通事故的采集与上传，用于构建高精地图“动态信息层”。

▍总结与展望

北斗系统全球组网，意味着北斗系统正式开启大规模商用，将在这个万物互联时代成为指引智数经济的“北斗星”。

全球以自动驾驶技术为代表的人工智能浪潮方兴未艾，互联网巨头和传统汽车行业投入了大量的人力与物力来参与自动驾驶相关技术研发和落地，自动驾驶成为代表人工智能领域最高荣誉与挑战的“珠穆朗玛峰”。

卫星导航作为自动驾驶系统必不可少的组成部分，北斗系统将全面赋能智能网联汽车产业应用，促进自动驾驶技术蓬勃发展。