Apollo进阶课程⑪ | Apollo地图生产技术
目錄
高精地圖生產流程
數據采集
數據處理
元素識別
人工驗證
全自動數據融合加工
基于深度學習的地圖要素識別
人工驗證生產
地圖成果
原文鏈接：進階課程? | Apollo地圖生產技術
高精地圖是自動駕駛汽車的「千里眼」和「透視鏡」。
攝像頭、激光雷達、傳感器所監測到的范圍是有限的。攝像頭根據不同的俯角看到的距離約15米-60米不等，激光雷達所看到的范圍大約40米-80米范圍，而安裝了高精地圖的自動駕駛汽車，就相當于具備了一雙“千里眼”，不但可幫助自動駕駛汽車提前知曉位置信息，還能精確規劃行駛路線。
Camera看不清的地方，或者雷達檢測不到的地方，高精地圖能及時反饋數據，起到一個“透視鏡”的作用。
上周阿波君為大家詳細介紹了「Apollo進階課程⑩Apollo地圖采集方案」。
Apollo采取的是激光雷達和Camera二者相結合的制圖方案。該方案需要配置64線激光雷達、16線激光雷達、GPS、IMU、長焦相機以及短焦相機六大基礎傳感器。
基于Apollo系統的地圖數據采集可以實現一鍵采集。采集完成之后，Apollo會提供一系列后續的制圖服務。
本周阿波君將與大家分享Apollo地圖生產技術相關內容。下面，我們一起進入進階課程第11期。
高精地圖生產流程
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ????????高精地圖生產流程
在城市道路環境下，高精地圖生產分為數據采集、數據處理、元素識別、人工驗證四個環節。
數據采集
百度采取的是激光雷達和Camera二者相結合的制圖方案。Apollo2.5版本中，百度已經發布了其地圖采集方案。
該方案的基礎傳感器配置有：平裝的64線激光雷達和16線激光雷達。
其中，64線激光雷達用于道路路面采集。由于其掃描高度比較低，還需要一個斜向上裝的16線激光雷達，用于檢測較高處的紅綠燈、標牌等信息。其他傳感器有GPS、IMU、長焦相機以及短焦相機。
數據處理
傳感器采集到的數據分為點云和圖像兩大類。
L4級自動駕駛汽車對地圖的精度要求非常高。Apollo在制圖過程中處理的數據也以點云為主。
采用RTK的先決條件，即在開闊無遮擋的情況下，才能取得相對準確的信號。
在城市道路中采用RTK方案，由于高樓遮擋或林蔭路等場景無法避免，它們仍會對信號的穩定性產生影響。
因此，我們在拿到點云之后需要對其進行拼接處理。
點云拼接：采集過程中出現信號不穩定時，需借助SLAM或其他方案，對Pose進行優化，才能將點云信息拼接，并形成一個完整的點云信息。
反射地圖：點云拼接后，可將其壓縮成可做標注、高度精確的反射地圖，甚至基于反射地圖來繪制高清地圖。其生產過程與定位地圖的制圖方式一樣。
元素識別
bai元素識別包括基于深度學習的元素識別和基于深度學習的點云分類。
基于點云壓縮成的圖像進行車道線的識別，我們可得出準確的車道線級別的道路形狀特征。
除此之外，我們還需要提煉道路的虛實線、黃白線、路牌標識等，來完善道路特征。
通過對收集到的圖像等進行深度學習，即可提煉出道路相關元素放到高精地圖中。
數據采集、數據處理、元素識別三個流程是高精地圖自動化的必要環節。不過，從目前來看，自動化仍無法解決所有問題，仍存在信息補齊和邏輯關聯的缺陷。
一方面，無人駕駛車輛無法處理沒有車道線的道路。這一步需要離線并用人工手段補齊相關信息。
其次，涉及到邏輯信息的處理時，無人車無法判斷。例如在某一路口遭遇紅綠燈時，車端應該識別哪個交通信號燈，也需要人工手段關聯停止線與紅綠燈。
人工驗證
人工驗證的環節包括識別車道線是否正確、對信號燈、標志牌進行邏輯處理、路口虛擬道路邏輯線的生成等。
全自動數據融合加工
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 通過64線激光雷達采集到的點云信息加上定位信息，拼接得出一個完整的點云效果
百度高精地圖依托模式識別、深度學習、三維重建、點云信息處理等世界領先的技術，其數據自動化處理程度已達到90%，相對精度達0.1-0.2米，準確率高達95%以上。
簡單的說，采集到的這些每秒 10 幀左右的圖像，識別和融合都是自動化的。把 GPS、點云、圖像等數據疊加到一起后，將進行道路標線、路沿、路牌、交通標志等等道路元素的識別。
另外，諸如同一條道路上下行雙向采集之后造成的數據重復問題，也會在這一步里被自動整合，剔除重復內容。
目前百度對于城市復雜場景及環境的制圖效果較好，可以精細刻畫上百種道路要素和屬性。
基于深度學習的地圖要素識別
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ????????基于深度學習的地圖要素識別
地圖要素的識別包含兩個層面：
第一個層面，能否根據點云分割從中提取精確的Feature。
第二個層面，嘗試從點云中提取車道線、燈桿、紅綠燈。如燈桿可以用來做視覺定位的Feature。
人工驗證生產
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ????????人工生產驗證
百度把高精度地圖制作分為「外業」和「內業」兩部分，共三個步驟，分別是外采、后臺數據化處理、人工驗證以及發布。
因為自動化處理不可能做到百分之百的準確，所以得再進行一輪人工驗證，相當于視頻制作的精剪、輸出成片階段。
驗證人員需要從云端下載需要驗證的路段數據，然后把自動處理之后的高精度地圖數據和對應位置的圖像信息作比對，找出錯誤的地方并進行更正。每人/天修正的數據量在 30-50 公里左右。
修正后的數據不會保存在本地，而是需要上傳到云端。最終的高精度地圖成品，也會通過云平臺進行下發。
高精地圖是基于反射地圖生產的。通過融合底圖數據、圖像數據、點云數據，整合生成高精地圖數據，將可形成一份相對完整精確的自動駕駛地圖數據。
地圖成果
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Apollo所需的定位地圖、高精地圖，以及基于高精地圖生成的路徑規劃圖和仿真地圖
目前Apollo高精地圖主要應用在高精定位、環境感知、決策規劃、仿真運行四大場景。
總結
以上是生活随笔為你收集整理的Apollo进阶课程⑪ | Apollo地图生产技术的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： kensocks.exe是什么进程 有什
- 下一篇： 干掉紫边！小米12S Ultra要用徕卡