Apollo公开课丨百度高精地图和服务

百度Apollo高精地图由Map Data和云端服务组成，云端服务包括OTA服务和RRS服务。Apollo高精地图将这两者融合到一起，以此来支持车道级应用、车道级导航、自定位等自动驾驶应用。

Apollo高精地图系统具有以下4个特征：

第一是Map Data，百度不仅做高精地图，也做导航地图；

第二是AI技术，它是保障高精地图质量和效率的基础；

第三是质量，百度Apollo高精地图采用全流程质量控制，对精度的所有要素要求非常高；

第四是Services，百度既做高精地图，也做自动驾驶，因此更加适合自动驾驶。

图1 路网架构图

下面看一下Map Data。图1是一套完整的路网架构图，它分为两个部分：首先最下面一层是SD地图，它是道路层的一个结构，包括POI、BMD、路由等道路层导航数据；往上是高精地图部分，包括车道级导航数据结构、动态数据和自动驾驶辅助驾驶数据等。在车道级数据层，每个车道都会附上其一些属性，还有一些像交通标志标牌包括点云、图像的语义化或非语义化信息等。再往上一层是所有数据之间的关联，车道级数据跟道路级数据做关联，因此整个数据构成一套网，从而实现100%的关联。其中动态数据提供实时路况、交通拥堵、管制信息等辅助信息。辅助驾驶数据则包括驾驶行为数据，加速、减速等信息。 

那么，数据是通过何种手段或者通过何种方法做出来的？下面主要看一下整个数据的Pipeline，包括数据源、后端自动处理、地图标注和验证以及地图编译和发布。

首先，在数据采集阶段，采集车会配备同一套传感器设备采集标准地图、SD地图或高精地图并带回。然后，所采集的数据进入后台进行综合化处理，类似于点云融合、图像识别、点云识别等环节。所有数据加工确认完成以后会经过一个编译过程，相当于产品化过程，编译成NDS以及自有格式提供给应用方或者内部应用。

图2 高精地图产品通道

值得注意的是，每公里的点云数据在一个1GB左右，点云数据拿过来要经过点云融合和点云识别处理。国内有些道路磨损比较厉害，有的道路可能比较宽，超过5车道以后边缘车道线上的点云非常稀疏，对精度影响非常大，这样的道路会进行多次采集，把多次采集结果再进行融合。

我们使用两种方式来提升精度，第一通过CCD相机、全景相机识别，进行一个精度校正，将精度控制在20厘米左右，甚至更高。第二是点云提取结果跟视觉提取结果进行匹配或者校对，以提升精度。

目前，Apollo高精地图能做到识别出实际车道线，比如单黄线、双黄线、白线操作类型，还有护栏、路沿、隔音墙护栏类型，以及所有能看到的国标中约定的牌子类型。通过深度学习识别、融合平台，最终标记车道线识别率达到96%以上。

图3 全过程质量控制

高精地图的制作对质量要求非常高，因此，在每个步骤引入检查和质量控制机制。首先在数据采集阶段，采集成果回来以后，会对其完整性进行检查。三个设备完整的数据包，在轨迹上一定要融合，精度保证在一定范围内，而且时间要对齐，因此非常具有挑战。第二是对云端处理结果做自动化检查的过程，包括识别，召回等检查。再做人工质检，第一自身检查，第二互检，第三会有专门QA去检查，保障每个环节数据有保障。

图4 完整精度保证

因为高精地图要求达到厘米级。为了获得更高的精度，采集过程中每个基站对准时间在14小时以上，通过基站保障整个采集过程中的精度。

此外，所有采集车都进行了标定，统一到同一个坐标系，例如做激光雷达和摄像头之间的标定。点云具有穿透性，采集数据会做一些点云融合，能有效把这些数据利用起来，从而提高精度。

图5 专业的验证方式

当前有两种方法来验证精度，一种是专业测绘，有专门测绘小组，有专业测绘的设备；第二就是采用专业设备，自动化设备，包括AP60设备，精度级更高的测绘级设备，精度都在几个毫米级。两种验证方法目前都在用，第一种方法适合测开阔区域上的一些点；第二种方法适合测覆盖全国高速10%以上的里程。

图6 OTA服务

下面是通过OTA Services提供给客户应用。主要是Fast security，这里主要提到几点：一是提供百度云数据存储、处理服务云端，同时客户会有一些诉求，需要把数据提供给最终车端，通过云端把数据推送给最终车端。

下面通过一段Video，介绍下百度Apollo阳泉自动驾驶与车路协同创新示范区。

原版PPT获取方式：

进入公众号

回复关键词『0703高精地图』

根据提示获得原版PPT资料