從去年下半年開始，關注自動駕駛領域的人感覺到，這個領域已經從頭幾年的狂熱期逐漸趨于冷靜，無論是融資還是關于技術突破方面的消息不再源源不絕。另一方面，高精地圖對于推動自動駕駛應用在實際場景來說至關重要，它相當于自動駕駛車輛的“雙眼”+“指揮中心”，決定著自動駕駛車輛的行駛路線，從而也決定了車輛和乘客的安全。本文將通過自動駕駛高精地圖服務公司 DeepMap 工程技術總監鄒亮，全面了解對于自動駕駛至關重要的高精地圖從生產制作到實踐部署的過程，以及他對于自動駕駛生態的看法。

2016 年，在硅谷 Palo Alto，前百度無人車部門的首席架構師吳夏青（James Wu）與他的前同事——谷歌地圖引擎創始人 Mark Wheeler 一同創辦了一家名為 DeepMap 的公司，旨在開發能夠幫助無人駕駛車輛在復雜而不可預測的真實世界中自主導航的技術能力，其中高精 3D 地圖是他們的主打產品。

高精地圖主流技術

首先我們來了解一下高精地圖的概念。高精地圖不是相對于普通的導航電子地圖精度更高的一種地圖，普通的導航電子地圖是面向人類駕駛員使用，而高精度地圖由自動駕駛汽車直接讀取，用于自動駕駛汽車的定位和道路規劃。高精地圖自動駕駛常用的傳感器包括：激光雷達 (LiDAR)、相機 (Camera)、GPS 和慣導 (IMU)。

DeepMap 3D 定位地圖

高精地圖對于自動駕駛的重要性不言而喻，它們就像是人類的“雙眼”+“指揮中心”，決定著無人車行駛的路線?，F在市面上的高精地圖產品主要有哪些類型呢？它們的優勢和不足有哪些？

鄒亮告訴 AI 前線記者，目前主流的高精地圖主要分為兩大類，一是激光點云融合技術，簡單來說就是用激光雷達掃描，返回場景分布點的技術；二是基于圖像和 GPS 的技術。其中，激光點云融合的技術又分為兩種，一是基于點云融合的算法，其應用場景較廣，不僅限于 GPS 場景，這也是 DeepMap 采用的技術思路；第二種是基于比較精確的差分 GPS 和精確慣導（IMU，慣性測量單元），其對場景依賴較強，必須在比較開闊的場景使用，對于高架橋等 GPS 信號弱的場景效果不佳。基于圖像和 GPS 技術解決方案精度比較差，主要用來制作 L2、L3 的 ADAS 地圖，而激光點云則可以滿 L4、L5 的需求。

鄒亮表示，DeepMap 生產的高精地圖，精度可達到 5cm，定位精度在 10cm 以內，而市面上的產品精度一般在 20cm 左右。

高精地圖生產關鍵點

大規模、低成本生產無人駕駛高精地圖是業界難點，解決這個問題的關鍵點是什么？鄒亮表示，大規模制圖的關鍵點主要包括三點：

數據采集的管理，需要有數據采集路線和需要更新的數據，才能合理判斷道路的采集方式和最省時省資源的路線，而這些都需要好的設計才能優化達到最高效率；

大數據處理，高精地圖所需要處理的數據量巨大，必須使用數據中心計算機集群來做處理，并且涉及到很多并行計算和處理，這些對數據處理能力都是極大的考驗；

高精地圖的實時更新也相當重要，道路環境有可能在不斷的變化，需要實現快速有效的更新發生變化的區域。

實際應用中的挑戰

目前，DeepMap 在高精地圖生產過程中主要有以下應用，但各種應用過程中都還有需要不斷克服的挑戰：

圖像語義分割

圖像語義分割是將圖像中每一個像素劃分在預先規定的幾個類別中，不同類別對應不同的語義信息。用于交通標識的檢測，包括車道線、標識牌、信號燈等，它的難點在于需要生成出不同國家或地區的訓練集。比如在美國，同屬加州的舊金山收集的數據不一定在洛杉磯可以用，不同國家之間差異就更大了。

路牌、信號燈檢測

現在可以做到自動生成路牌和信號的 3D 位置，但還需要進一步提高檢測的召回率，這很好理解，在真正的無人駕駛場景中，不能輕易漏掉任何一個物體，因為如果漏掉了會容易產生嚴重的安全事故。難點二是從 2D 圖像到 3D 坐標中的朝向有時不太準確，需要人工調整。

車輛檢測

高精地圖需要把車輛等臨時存在物去除，所以需要做車輛檢測。車輛是一種很常見的可移動障礙物，可以使用現有的深度學習模型計算出車輛的 3D 位置，來完成車輛的移除，除此之外還會用到相機和激光雷達得到的數據結果。

3D 點云車輛檢測

DeepMap 3D 點云車輛檢測

通過算法，DeepMap 使用點云數據和圖像訓練出的模型，可用于直接去除點云中的車輛點，并提高點云匹配的精度。但 3D 點云車輛檢測也存在一些挑戰，難點之一在于前面提到的訓練集，高質量的訓練集比較難以獲取，這些數據集獲取時間久、價格高；難點二在于精確率不如 2D 圖像深度學習結果準確。

除此之外，高精地圖技術和實際應用之間的鴻溝還有很多，在自動駕駛真正上路之時仍然會遇到很多挑戰。比如在地下車庫場景中最突出的完全沒有 GPS（+ 信號）的現象。由于低成本 IMU 慣導無法獲取精確的初始位置，因此難以進行定位。面對這一問題，DeepMap 采用了基于低成本的傳感器，以及點云融合和 ICP 的算法成功地進行了車庫地圖制作。而對于其他廠商來說，地下車庫地圖制作很困難，但也不是沒有辦法，一種方案是采用高成本的激光雷達進行精準測量，但是成本較高。在這一問題上，DeepMap 的優勢在于可以低成本完成高精地圖制作。

激光雷達不可或缺，高精地圖也遠未完善

關于高精地圖，馬斯克近日來發表的那句引起了很大爭議的言論絕對值得一提：“False and foolish = HD maps and LiDAR”。和很多人一樣，鄒亮也并不認同這一說法。

他認為，馬斯克說這句話的出發點可能在于目前來說激光雷達的成本太高，甚至超過一輛汽車的價格，如果激光雷達的成本降低，馬斯克也許就不會這么說了。在他看來，目前激光雷達對于安全自動駕駛是必不可少的設備之一，隨著激光雷達創企的發展，激光雷達的成本將達到廠商可承受的范圍之內。但另一方面，這句話在未來也許會成為現實，那就是當圖像技術能夠達到人眼的級別時，激光雷達可能就不是必需的了，但這一天何時到來，鄒亮表示至少要在十年之后。

鄒亮認為，高精地圖技術現在仍然有待開發，遠遠還未達到完善的階段，我們雖然有全國高速公路的數據，但 還沒有任何一家廠商能夠制作覆蓋全國的針對 L4 和 L5、采用點云融合技術的高精地圖， 這是自動駕駛領域的一個缺憾和空白。

目前，高精地圖主要面向 L2、L3 級自動駕駛車輛，但由于國家政策和技術能夠實現的精度不夠，高精地圖還未大規模使用。另一方面，L4、L5 級自動駕駛依賴于激光雷達，但是由于需求的數據量太大、場景變化太多，相應的點云融合技術目前還未實現，未來還需要繼續完善。

那么，高精地圖的發展究竟受到了什么限制，才遲遲難以突破近在眼前的問題？鄒亮表示，主要瓶頸在于這幾點：

測繪行業政策嚴格，并非所有企業都被允許進入測繪行業；

國家還未確定何時開放公共道路無人車測試，只有大規模的需求才能促進高精地圖發展；

高精地圖的商業模式還無法支撐整個行業的進一步發展。在 DeepMap，商業產品的形式主要包括四種，一是為無人車初創公司、傳統車企和技術難點無法突破的圖商提供高精地圖定制化生產；二是定位服務，這和高精地圖息息相關；三是多傳感器的標定，實現坐標轉換；四是低成本數據收集方案。

自動駕駛領域趨于冷靜是好事

鄒亮表示，高精地圖是自動駕駛不可或缺的技術，Waymo、Cruise 等已經證明了其價值。但在技術上，高精地圖廠商亟需解決制作覆蓋全國的點云融合高精地圖的問題，以及實現地圖的及時更新。

關于自動駕駛趨于冷靜，鄒亮表示，自動駕駛是一個對技術要求較高的領域，市場冷靜下來有利于優勝劣汰，讓真正做技術的自動駕駛公司存活下來，讓一些公司可以做真正有利于這個行業的技術，總體上利大于弊。Cruise 剛拿下的天價融資額，也驗證了這個觀點。

而對于繞不開的自動駕駛安全性問題，鄒亮則直接給出了建議，他認為可以通過多傳感器融合技術來解決，因為依賴于任何一個傳感器都會存在風險，如果特斯拉不過于依賴攝像頭，使用了激光雷達，也許多起悲劇事故本可以避免，將風險降到最低。