高精地圖對于開發者及測試者來說并不是可以輕易獲得的，制作高精地圖需要大量的成本，周轉時間長，在此背景下Apollo 2.5推出了基于動態的實時相對地圖（Real-time Relative Map ）的解決方案。

在Apollo 1.5和2.0中，規劃模塊和控制模塊依靠的是全球定位和高精地圖。高精地圖中有豐富的地圖元素，可以幫助車輛規劃，實現復雜路況下的自動駕駛，眾所周知，高精地圖在自動駕駛中的價值所在，它們不僅有著較高的精準度，而且適用于任何路況，更重要的是高精地圖對于路測有著重要意義，但高精地圖對于開發者及測試者來說并不是可以輕易獲得的，制作高精地圖需要大量的成本，周轉時間長，在此背景下Apollo 2.5推出了基于動態的實時相對地圖（Real-time Relative Map ）的解決方案。

該地圖基于車輛坐標系，其原點位于車輛本身。眾所周知，車道線是地圖中的重要元素，以確保自動駕駛車輛做出合理的決策并進行安全的軌跡規劃。在相對地圖中，車道線數據是通過基于攝像頭的車道感知而生成的，并且包含基于云端的導航線（Navigation Line）。

下圖闡釋了導航線是如何生成的。

導航線在自動駕駛中扮演著多種角色。第一,導航線作為出發點與目的地點的連接線，提供車道級別導航；第二，導航線可以生成Referenceline用于駕駛決策；第三，為高精地圖提供載體；第四，導航線是相對地圖的重要組成部分。

導航線有以下特點：

1.導航線是按照駕駛員駕駛路徑設計，所以安全性和舒適性是有保障的；

2.更重要的是，基于駕駛數據，導航線可以自動生成，大大降低了開發成本；

3.可以與視覺感知系統配合生成基本的地圖信息，可以適用于比較簡單的駕駛場景，比如高速公路、鄉村道路等；

4.導航線可以與高精地圖結合，生成復雜的駕駛場景，例如城市道路。

下面我們舉例說明，相對地圖和導航線在自動駕駛場景中是如何工作的。

1.在如下圖highlight區域部署自動駕駛場景；

2.在實現真正的自動駕駛之前，我們需要采集導航線，經過對駕駛員駕駛路徑的采集，后期可以轉換成為（如下圖綠色線條）；

3.需求：實現從A→B的自動行駛；

4.按照傳統地圖（百度地圖or谷歌地圖）導航，生成的軌跡1（藍色線條）；

5.在接到導航需求時，系統會選擇一條最匹配的導航線（黃色標線）用來導航；

6.系統為決策模塊提供多條導航線，可以實現變道功能。

通過使用這種方法，我們可以創建一個與高精地圖的數據格式相匹配的相對地圖（Relative Map），并基于事先錄制好的人工駕駛軌跡和攝像頭實時檢測到的車道線。有的開發者會有疑問：相對地圖與SLAM有什么區別呢？其實SLAM問題可以描述為: 汽車在未知環境中從一個未知位置開始移動,在移動過程中根據位置估計和地圖進行自身定位,同時在自身定位的基礎上建造增量式地圖，實現汽車的自主定位和導航。Relative Map在基于指引線錄制模式時，會依賴錄制的指引線與實時攝像頭信息生成Relative Map，同時，依靠GPS定位; 在基于純攝像頭模式時，并不進行自身定位和建造增量式地圖，只依賴實時攝像頭生成的車道線信息行駛。

在行駛過程中，相對地圖數據的計算和更新頻率10Hz，相對地圖數據來源一是基于視覺感知的車道標識，二是基于云端的導航線，而且相對地圖支持以下三種自動駕駛場景：

相對地圖模式1，僅依靠視覺感知的車道標識

適用場景：

1、定位缺失；

2、只有來自感知系統的車道線識別；

3、車道保持與自適應巡航。

在基于指引線錄制模式時，會依賴錄制的指引線與實時攝像頭信息生成的Relative Map行駛，此時需要GPS定位。當GPS失效時（比如通過某個隧道），系統將自動切換為基于純攝像頭模式，此時只依賴實時攝像頭生成的車道線信息行駛。只要有車線可以辨別，車會沿著車道中心線一直開（Lane Keeping）。如果車道線不可辨別，需要人來接管。

相對地圖模式2，依靠視覺感知與云端導航線

適用場景：

1、感知系統檢測的車道標識

2、能從云端獲取導航線

3、高速道路或者車道線不清晰的鄉村道路

此條件下，導航線與感知系統結合生成地圖數據，用于車輛決策。

相對地圖模式3，依靠視覺感知、云端導航線以及高精地圖

適用場景：

1、車道標識不是來自于感知系統檢測，而是基于歷史駕駛數據以及高精地圖生成；

2、能從云端獲取導航線

3、城市道路

此條件下，導航線結合高精地圖，能實現城市道路的規劃決策。

相較來講，相對地圖的精度較低，僅限于某些用途。但它卻有著不容忽視的優勢，成本更低，周轉更快 ，并且制作起來更容易，還可以實現實時更新。