清華大學江昆：預計未來自動駕駛的路線會偏向於強地圖模式

清華大學智能網聯汽車與交通研究中心辦公室副主任 江昆博士

首先非常感謝周總的介紹，今天非常榮幸能參加這麼好的交流平台，我來自清華大學車輛學院。清華大學車輛學院是國內研究智能網聯汽車的前沿陣地之一，智能網聯汽車是多學科交叉的領域，我們學校為了應對前沿的技術開發挑戰，由車輛學院牽頭，聯合計算機系、軟體學院、電子系、自動化系等十個院系一起構建智能網聯汽車與交通研究中心，進行多學科融合的研究。

而自動駕駛的多學科交叉過程中，自動駕駛地圖就是其中非常重要的一個研究領域。在清華大學楊殿閣教授的帶領下，以及中國汽車工程學會和中國汽車工業協會的支持下，行業內的各大圖商和車企形成統一的力量，成立了自動駕駛地圖與定位工作組。工作組的定位後面也會詳細介紹，主要就是為了把地圖行業的企業聚集起來，共同解決相關的技術問題和標準問題。

剛才聽了前面兩位專家的介紹收穫很多，我也想分享一下我們清華大學在自動駕駛地圖方面的研究思路以及成果。我分享的題目是自動駕駛地圖的結構設計以及感知增強技術探討。

大概分三個部分，第一個分析一下自動駕駛為什麼跟地圖關係這麼緊密；第二個是我們在自動駕駛地圖關鍵技術上的研究情況；第三個是自動駕駛地圖標準體系的構建情況。

首先，我們簡單對電子地圖的發展歷程進行梳理，我個人認為電子地圖大概經歷過三個階段的發展，第一個階段是傳統的導航地圖，大家可能有印象，傳統的導航地圖一開始只是在高端的豪華車上才有，今天車載導航地圖是大規模的普及化，這一階段主要關注的是離線地圖的導航演算法。第二個階段是，車聯網導航地圖，這一階段是地圖與網聯技術的緊密結合，以電子地圖為基礎提供車聯網服務，包括車隊的服務、共享單車，這也算是一種基於地圖的車聯網的服務。一個重要的車聯網地圖服務應用，我們跟陝汽進行合作，為大貨車物流行業提供網聯式的中心服務，對車隊進行集中的調度以及人車路綜合性服務系統。第三個階段是自動駕駛地圖的階段，是地圖與車更加緊密結合的階段。此時地圖已經不僅僅只是導航的作用，已經成了自動駕駛汽車核心的關鍵技術。

自動駕駛的路線逐漸在發生一些改變，一開始的時候採用的弱地圖模式，也就是環境的理解、駕駛決策的計算，包括實施軌跡的規劃，都是 通過車載感測器、車載操作平台進行實時計算而完成。地圖的作用是相對來說不太重要，主要是提供梗概的路徑規劃，大部分的計算任務還是依賴於車的計算實時完成。

這樣造成的問題在於計算的壓力太大，問題的複雜維度太高。我們不去否認，僅靠激光雷達或者視覺就能夠實現自動駕駛功能，但問題是這種方式難度太高，而且危險性比較高。我們預測自動駕駛的路線會偏向於強地圖模式，這種模式下地圖在自動駕駛過程中的角色將發生轉變。強地圖是指，地圖將不僅是一個提供靜態路線的信息，還將作為超級感知容器，作為信息融合的平台，一方面可以提供大家比較熟悉的高精度靜態信息，提供相應的靜態信息。另一方面靜態信息可以作為容器，將動態的感測器信息輸入進去，進行整體融合。在這個基礎上，地圖可以作為感測器的輔助感知技術，同時也可以作為平台對接車道級規劃的需求，最終實現感知和決策的增強。

地圖工作組和國內主要廠商進行了溝通，我們會發現一個非常有意思的現象，主要圖商都跟我們表態說高精度地圖數據的採集不是非常難的問題。地圖可以達到十厘米精度，雖然成本會比較高，但不是不可能，而且在大規模量產化之後，成本還有可能會下降，所以高精度地圖數據的精度性，各家廠商覺得是一個可以解決的問題。這跟我們普遍的認知不太相同，自動駕駛地圖的關鍵難點不是高精度數據。但是我們也認識到一個現狀，高精度地圖的應用沒有那麼廣泛，為什麼？這也是今天想接下來進行分析的一個話題。

現在分享一下我們清華大學正在研究的自動駕駛地圖關鍵技術。自動駕駛地圖有四個研究特性，第一是數據內容更加豐富，包含不僅只是道路信息，還包含用於感知的信息，包括特徵地圖的信息，還有用於駕駛決策的信息。第二個數據的精度，原來只是梗概的信息，現在需要進行三維重建的高精度數據。第三個特性是數據的實效性，有廠商說是數據的鮮度，不僅需要靜態的地圖，還需要包含動態信息，例如天氣、交通狀況、路面障礙物的實時動態信息。第四個特性是需要與自動駕駛進行結合。

這是我們分析的自動駕駛地圖數據的完整流程圖，一方面需要地圖廠商提供靜態數據的基礎數據。同樣還需要有態數據的提供商，二者融合起來就形成既包含靜態信息，也包含動態信息的資料庫。地圖數據在應用的過程中，需要建立靜態數據的協議，需要將信息以感測器的形式發送給車輛信息決策的過程。另外一方面也需要將動態數據的信息通過協議發給車輛，讓車輛對動態環境進行實時決策。

上面一條線路是指集中式的地圖採集，並將數據傳輸給車輛，下面一條數據鏈路則是指車輛的數據回傳給地圖中心。自動駕駛車輛配備非常多的感測器，這些感測器的信息需要通過一定數據的處理之後，按照統一的傳輸協議，再返回給地圖後端的數據端，進行地圖的更新。這樣自動駕駛地圖越跑越多，越跑越精準，這樣一種架構更適合於未來自動駕駛的需求。

面向L3、L4、L5自動駕駛地圖採集方式，剛才蓋世的同事也分析過，我們認為大概包含三種方式，第一種集中採集技術路線，以圖商提供專業的採集車進行集中採集，優點是數據比較完整，格式標準化、統一化，容易進行融合。第二種採用眾包，眾包感知更新的技術路線。滲透率比較高的時候，感測器獲取原始信息進行感知處理，再加入到原始的高精度地圖的原始庫里。這條路線的優點是數據來源非常多，速度比集中式採集更快，缺點是每一個數據、每一個車輛的感測器都是不同的規格，格式、清晰度都是不一樣的，數據處理的過程更為複雜。面向未來自動駕駛地圖數據的採集方式，更多還是將兩者結合。主幹的數據還是需要用採集車進行時間較長的模式進行更新，同時輔助眾包更新模式，將變化比較快速的元素更新到地圖上去。

現在分享一下我們在自動駕駛地圖結構設計方面的工作，這是我們做的調研，自動駕駛地圖的結構設計為什麼很重要？剛才提到過一點，我們跟圖商溝通時會發現一點，包括各位專家也會有體會，高精度地圖數據並不是很難獲取，但為解決的問題是怎麼將地圖跟自動駕駛進行結合，而結合的過程就是對地圖結構的設計。首先第一個介紹NDS數據結構，這是目前已經標準化的數據結構，他們對自動駕駛的認知就是，自動駕駛地圖並不是一個全新的地圖類型，而在原有的地圖數據基礎上，會加更多的數據屬性，將所有用於定位、輔助感知的信息作為新的屬性，放到自動駕駛結構裡面去。

另外一個國外的主流地圖數據結構是Local Dynamic Map結構，是DMP公司主推的數據結構，將地圖進行分層，按照地圖數據的動態屬性進行分層，最底層是純靜態的數據，這個數據已經包含了高精度的數據。第二層輔助的靜態數，再往上是相對動態數據和高度靜態數據。這種結構組織自動駕駛數據的時候是按照數據的特性進行分層，調用的時候會按照動態的屬性特性進行調用。

第三種數據結構是Here HD Live Map結構，按照數據的解析度進行分層，最底層是傳統的道路數據，第二層是車道級的，第三層是路。這些數據結構根據地圖數據結構本身特性進行分層，這種分層方式的好處是對圖商來說，對製作數據的人來說，很方便。這個數據怎麼取應用，需要開發企業自己去琢磨，增加了自動駕駛地圖應用的難度。我個人認為地圖數據結構的不清晰，是自動駕駛地圖沒有大規模應用的關鍵原因。而高精度的數據採集不是核心的瓶頸問題。

為了解決這個問題，我們提出來一種自動駕駛地圖的分層模型，這種模型是我們原創提出來的7層地圖數據結構，我們按照自動駕駛機理進行分層，考慮了地圖數據怎麼跟車輛自動駕駛的演算法進行結合進行分層。第一層是最傳統的道路數據層，支持自動駕駛演算法就是路徑規劃，它的輸出是比較粗糙的路線選擇。第二層是動態交通信息層，包括擁堵、潮汐路以及道路維修的情況，第一層、第二層數據結合起來就是手機上已經實現過的融合動態交通信息的路徑規劃問題。第三層是高精度的車道線拓樸結構數據層，能提供的功能就是支持車道級路徑規劃。第四層是車道線的坐標信息層，有了這四層信息，可以實現自動駕駛軌跡的規劃。這個軌跡我們稱之為任務軌跡，假設路面上是沒有障礙物的情況下，根據四層可以生成一條自動駕駛車可以實際去跟蹤的軌跡。軌跡的生成，是車能不能走的最關鍵因素。第五層是特徵地圖層，輔助我們進行自動駕駛的定位，包括輔助的感知。第六層是動態的目標層，跟車聯網技術密切相關，當其他車輛信息感知到或者路面信息感知到的，可以通過標準化的數據介面，實現動態信息和靜態信息緊密結合。第七層是自動駕駛輔助層，地圖上預先存儲駕駛知識，如果沒有地圖，通過數據的模型，車輛進行實時計算。

七層地圖的另一個維度的特點就是數據量的遞增。每一層數據郎由小到大進行遞增，底層的時候第一層、第二層是傳統的數據，數據量是比較小的，第五層、第六層是高精度點雲信息，第七層是人工智慧、深度學習的模型信息。數據量是越來越大的，數據要求的精度越來越高，這麼設計的考量是可以針對不同的自動駕駛的功能進行裁剪。我們針對不同自動駕駛功能的時候只需要調集相應需要的數據就行，比如我從北京到上海或者到武漢的自動駕駛路線的規劃，數據量過於龐大，一開始只需要宏觀的道路信息，逐漸根據需求載入道路級地圖數據。等需要的時候再調用高精度數據。

這是我們提出七層地圖結構的設計，最大的優點就是針對自動駕駛功能進行分層，而不是針對數據本身進行分層，可以更好的形成跟自動駕駛結合。自動駕駛數據首先能表達高精度的靜態信息，另一方面也能表達動態要素的信息。將兩者結合，動態、靜態，宏觀、微觀都進行結合，整個路網以及環境。我一直有一個觀點，地圖是一個天生的汽車駕駛環境描述的平台，因為地圖製作的過程其實就是環境感知，只不過是環境感知的冷凍，結合定位信息，對感知數據進行解凍。利用地圖的過程本身就是環境感知的過程。將地圖和環境感知結合起來，就是地圖天然的使命。這是根據功能的需求進行數據的載入，第一層、第二層主要進行導航功能的實現，像車輛，地圖主要輔助車輛進行道路規劃，駕駛員進行感知規劃和控制。載入第三層、第四層是車道線的導航，他們是能對感知和決策控制，都能提供一定的輔助，來減少自動駕駛計算的負載。七種數據都載入之後，我們可以看到地圖本身可以進行感知決策和控制的計算，跟車載感測器的感知決策和控制進行相互驗證、相互結合，這樣可以提高自動駕駛演算法的安全性和可靠性。

下面具體介紹一下這幾種地圖增強的環境感知技術怎麼實現，第一個地圖定位技術。很多專家提過地圖可以進行定位，方式大概有兩大類，一大類是通過點雲地圖，激光雷達採集到點雲，在點雲地圖進行匹配搜索。這種定位方式弊端是點雲地圖數據非常大，搜索的難度非常大，不能大規模的進行搜索定位。

我們的研究是基於矢量化高精度地圖的研究。實時處理過程是，在相機里提取將要進行定位的標誌物，例如車道線，車道線是非常好的一種橫向定位的方式；另外還要提取路測的燈桿，標識牌等語義特徵，這樣就可以形成一種既有橫向的車道線信息，又有縱向的標識牌以及燈桿信息。我採用的定位特徵是基於矢量化的描述，相對來說輕量型的，但同樣可以獲得高精度的定位效果。

定位之後是軌跡的規劃，軌跡規劃的方法剛才也提到過，我們的軌跡規劃輸出是任務軌跡，從地圖上獲取一條沒有障礙物下的跟蹤軌跡，這條軌跡怎麼規劃？採用分層規劃的方式，第一步要進行道路層的規劃，規劃結果可以讓我們找到相關的車道層數據。車道層數據非常龐大，但我們只搜索跟我們相關的車道線的數據。然後進行車道任務的細化規劃，這樣兩個層次一結合，就會形成面向自動駕駛的任務軌跡規劃。

這裡要進行分層規劃最主要的原因，因為地圖數據，特別是高精度的地圖數據，數據量太大，這這樣的資料庫里進行搜索，進行尋路，都會造成尋路演算法消耗過多時間，而自動駕駛對實時性要求非常高。

我們還在多車協同感知與定位方面進行了研究。這是一個很有意思的研究方向，圖中兩個藍點代表兩輛自動駕駛汽車。每輛車都可以感知到不同的障礙物信息，包括地圖信息，只有一輛車的時候我們會發現一輛車的感知系統不可能感知到所有障礙物信息，必然會有遮擋的情況，包括車與車的遮擋、車與路邊建築物的遮擋，所以一輛車無法滿足自動駕駛感知需求，單靠單車的感知能力。但我們可以把前車感知數據回傳過來，從而消除感知的盲區。但是不是直接把數據傳過來就可以了呢？這樣是不行的。多車融合的時候涉及兩個關鍵的技術難題。第一個是坐標系的統一，每一個車都是基於自身坐標系進行感知的，怎麼把車的信息融合起來，就可以體現地圖的重要性。 而地圖是很好的解決方案，基於地圖進行定位之後，相對之間的關係就可以進行解算，就可以將多車的信息進行拼接。地圖是非常好融合的平台，適於多車信息的拼接或者融合。

第二個難點是信息的融合。我們可以看到中間橙色和黑色是兩個車都可以觀測到的信息，意味著在地圖裡，A車觀測到地圖三個特徵，B車也觀測到地圖三個特徵，這時地圖是一個標尺，對多車感知信息進行相互校驗。地圖提供先驗的感知信息，可以實現多車信息有效有機的融合，不是簡單拼接，而是相互校正。

因此將地圖作為感知融合平台不僅能提高感知範圍，實現感知盲區的消除，而且還能夠提高感知精確度，多車協同感知就可以進一步提升自動駕駛感知的可靠性。

這裡是我們做的實驗，我們發現利用以地圖為平台進行多車協同的感知，可以顯著的提升車輛的感知完整性，消除盲區，同時能提高感知的準確度。

最後第三部分介紹一下地圖工作組的情況。首先介紹一下現在地圖的政策問題，現在地圖政策逐漸放開，現在有資質的單位增加到20家，地圖和自動駕駛結合過程中有哪些環節會涉及到的政策的問題。自動駕駛地圖工作組在中國汽車工程學會和中國汽車工業協會的支持下成立，工作組目前有將近100家成員單位，都是圖商以及自動駕駛的創新企業，當然也包含車企。目前工作組已經開展了非常多的工作，我相信在座很多專家都在我們工作組範圍之內進行很多交流。我們工作組首期任務三個，第一個研究自動駕駛地圖的標準體系研究，第二個針對地圖偏遠問題和相關部門進行溝通，第三個進行自動駕駛路線的研究。

自動駕駛工作組工作的目標是行業內的地圖相關企業聚集起來，形成中國的地圖標準制定組織。自動駕駛地圖一方面是技術問題，自動駕駛地圖是比較新的概念，有很多技術還沒有完整的解決，所以需要技術的研究。另外一方面，自動駕駛地圖也是非常需要標準化的行業，跟政策非常相關，沒有非常好的標準指引，行業發展也是會受到局限。正是因為意識到這個問題，楊殿閣教授牽頭成立了我們工作組，提供一個平台讓行業內企業都坐下來一起商量，成立一個中國的地圖標準制定組織。我們的目標時跟ISO，OADF、DMP同等組成形成平等交流的平台，我們爭取建立中國自己的NDS標準，這樣一方面圖商在製作地圖數據的時候可以更清楚了解車廠的需求。另外一方面，對於車企來說，提供更加清晰的地圖應用技術路線，更好開發自己的服務。目前進展，已經在7月份開啟了第一批首批自動駕駛地圖標準的啟動，主要啟動關於自動駕駛地圖的採集要素標準，包括動態信息的數據傳輸交換格式、車載數據交換格式、路基測感測器數據交換格式。有了這些自動駕駛地圖標準之後，我相信可以更好的推動自動駕駛地圖行業的發展，最主要的目的是想更好將自動駕駛地圖數據跟自動駕駛技術進行結合，二者相互結合才能真正實現自動駕駛產業化的落地，我的分享就到這裡，謝謝大家。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！