本文共 1516 字，大约阅读时间需要 5 分钟。
高精地图在自动驾驶技术中扮演着关键角色。理论上，车载系统可以实时检测并获取道路信息，包括可行驶路径、车道优先级、红绿灯与车道的关联关系以及车道、人行横道与红绿灯的关系等。但由于当前AI技术的局限性，无法保证高可靠性运行，因此需要提前准备这些信息。
高精地图面临的挑战主要体现在以下几个方面：
规模化（Scale）
如果自动驾驶车仅限于一个区域或几个城市，规模化问题较少。但到2025年后，自动驾驶技术将在消费者层面全面普及，车辆需要在不同城市、甚至全国范围内正常运行，这就导致了规模化问题变得无法回避。鲜度（Fresh）
理想情况下，地图应实时更新，以反映物理环境的动态变化。月级或天级更新显然不够，需要达至分钟级甚至更短的更新频率。精度（Accuracy）
车载系统检测的车辆和行人需要与高精地图实现厘米级精度匹配，因此地图的精度至关重要。高精地图制作方法的通用性存在以下缺陷：
全局坐标系下的厘米级精度并非必需
AV车辆在行驶过程中通常只需关注几百米范围内的信息，因此该范围内的高精度足以满足需求。至于几公里之外的全局精度，实际应用中并非必须。语义层数据的自动化生产难以实现
例如，没有车道线的双向道路，从单一图像中难以识别驾驶路径；复杂的转向规则和红绿灯异常也大大增加了识别难度。3D信息的表达与计算
除非地图能够表达所有的3D要素，否则很难自动化地计算出车道的最优停车或停让点。然而，完整表达所有3D信息对于地图的构建又是不现实的。Mobileye通过以下方法应对上述挑战：
Scalability
Mobileye依赖众包数据生成数百万的地图代理。通过整合成百上千辆车的检测数据，Mobileye能够构建高精度地图。Precision
Mobileye的精度并非依赖于全局坐标系，而是基于道路上的静态元素位置。这种方式使得即使存在GPS误差，也能通过Alignment技术实现厘米级精度。Harvesting
Mobileye通过收集成百上千辆车的检测数据，实现了高效的地图更新。每公里的路段可收集10K条检测数据，这些数据将被发送到云端进行处理。Aligning Drives
Mobileye通过检测每个参考点的6D pose，然后对齐相同位置的元素，生成厘米级精度的地图信息。尽管存在GPS误差，Mobileye通过几何运算和神经网络技术实现了高精度地图的构建。语义理解的依赖性
众包数据在语义理解中起到了关键作用。例如，在没有车道线的道路上，通过众包数据可以获取驾驶路径；在复杂场景下，众包数据提供了所有可通行路径。众包数据在以下方面发挥了重要作用：
道路标记的缺失场景
通过众包数据，可以在没有车道线的道路上获取驾驶路径。交通标志与车道的关联关系
众包数据能够提供红绿灯与车道的关联关系、Yield Sign的停车点以及Crosswalk与红绿灯的关联关系。路权优先级的推断
通过检测哪个驾驶路径的停车点最多，Mobileye可以从众包数据中获取到没有交通标志情况下的路权优先级。路口停车位置的学习
在路口其他车辆的停车位置可通过众包数据学习得到。常速数据的获取
众包数据是获得各个道路Common Speed的唯一高效方法。Common Speed提供了当道路没有车辆时AV车的目标行驶速度。这种方法使得无论在哪个国家或地区，AV车都能自然融入车流。到目前为止，Mobileye与超过6家汽车制造厂商合作，每天可以覆盖800万公里的路网更新。预计到2024年，每天覆盖的路网将达到10亿公里。
转载地址：http://zggv.baihongyu.com/