四維圖新朱瀚：UGC助力實時自動駕駛高精度地圖服務

四維圖新高級產品經理朱瀚

今天我帶來的演講是實時自動駕駛與高精度地圖服務，演講之前先接一下谷總拋出來的問題。我們做高精地圖還是自動駕駛地圖的問題，如果我們一味追求高精度地圖，精度要不斷高，是否對自動駕駛是有益的，是需要討論的。我說一下四維圖新在這方面的思考和目前的進展。

我們國家現在的社會狀態是，中國2025年之前將會有35%的人是超過60歲的，人口老齡化的趨勢非常之嚴重。道路的擁堵，因為這些年車輛保有量增長越來越厲害。以北京為例，每年完全因為擁堵造成的成本浪費能達到186億之多，加上現在的年輕人，出行的習慣，再加上已經有車的人。現在道路的不堪狀況，有好多人說放棄購車計劃，或者不再有自己駕車出行的行為了。我們覺得自動駕駛對整個行業，對整個社會來講都是非常必要的需求，看看我們怎麼來實現它。

對於自動駕駛，我們的認知是這樣的。我們解決的是如何讓機器接替人，實現自動駕駛。接替的是駕駛的權利，需要完成人類駕駛員要做的事情，比如看路面，看車道是不是有行人，是不是有交匯，開在哪個車道上，還有路徑的規劃，導航電子地圖給人輔助駕駛用的。給了你一個道路級的規劃，人在判斷應該從這個車道到另外一個車道，到路口右轉還是怎麼樣的，車道極的規劃是人完成的。

接下來就是決策，我是否剎車，是否加速，是不是有一個人應該避讓，是不是看紅綠燈，應該在什麼地方停下。在自動駕駛的時候，所有判斷從人的手裡轉移到機器的手裡。所以我們會覺得在這個過程中，自動駕駛的地圖，完成了不僅僅是地圖的決策，是在輔助自動駕駛如何完成自動駕駛行為的地圖服務。

我們是這麼認為的，智能地圖金字塔的結構和很多圖商的認知並不會有太大的差別，我們會有一個底層的靜態數據層，會把它變成一個地圖服務的標準解決方案。我們會因為有高精度地圖帶來的高精定位，以及地圖的數據是不是還是高可靠的，自動駕駛是否可以相信我們，是否可以用於判斷和決策。我們會分這幾層來表達我們的地圖服務，我們覺得這才是一個自動駕駛所需要的自動駕駛地圖，產品的概念和定義。

這個基礎上，我們會覺得比較重要的幾個點。一個是可靠性，自動駕駛已經完全接管了人類駕駛行為的時候，我相信你還是不相信，你給我的信號，你幫助我決策的信息我是不是可以相信。還有標準和法規的問題，另外數據的實時性，導航電子地圖有最大的不一樣的點是說地圖和現場不一樣的時候，人是可以判斷的，我可以知道我相信現實世界，我相信我看見的東西。但是自動駕駛都是感測器的感受，有多感測器拿回來不同結果，我到底更相信誰。我們把自動駕駛地圖定義成或者理解成是一個在線的實時虛擬感測器，不是車端的，是在線的。我們提供的也是一個感測器的服務，而這種感測器的服務本身也是有一個失效的問題，為什麼會有那樣的服務的金字塔？是因為我需要告訴你，我這個感測器是否已經還有效，還是已經失效了，不應該再相信我，我要把這個東西傳遞給車端。

剩下的如何把現實世界抽象為可以理解、可以解釋的自動駕駛現實的樣子，我們有一套很完整的質量體系。會有自己的設計，我們能把它準確的表達出來。四維圖新是一家經營了將近二十年的圖商，積累了特別多的Case，比如高速公路。大家的認知里高速公路應該是封閉的，應該不會有交匯口，現實世界裡就是有的，我們要去記錄和表達這樣的場景。在高速公路里還會有海關的專用車道，要有一個比較好的兼容模型設計，現實世界複雜情況全部記錄下來，自動駕駛感知的時候能跟我們的數據匹配。

介紹一下我們比較常見的L3高速場景。自動駕駛車或者是採集車在高速上的時候，我們看見的就是這個樣子。我們會有激光雷達，會把現場的情況照片拍回來，，再去進行點雲的分類，再矢量化。我們把現實世界抽象成模型的設計，會歸類成大概三種類型，一種是道路級的要素，一種是車道級的要素，還有對象。對象很多都是用於高精度定位的，但不僅僅是。

這裡是我們生產作業的一些情況。點雲採集回來之後進行提取和分類，但是說到自動化率的問題。我同意百度佘總的意見，追求足夠高，是沒有意義的。在我的認知里，自動化率是為了節省成本。也就是說，自動化減少的是人工的重複投入，讓作業更高效。對於我們來講，我們並不認為幾乎全盤用人工智慧來替代人工作業，這種方式足以確保數據的精度和準確度。

每一個圖商會有自己的模型設計和標準定義，也會有很多行業的標準和國家的標準。自動駕駛當下，有很多法律法規的問題。自然資源部也好還是協會也好，大家都在儘可能的擬一些草案，提一些建議，推動自動駕駛法律法規的落地，讓行業繼續快速往前發展。四維圖新因為時間也比較久，一直與協會、國家部門積極討論這些事情，在推動這些事情。

大概說一下，這個就是採集製作發布和OEM的流程。當自動駕駛真正開始量產，有車上路的時候，就是完成這樣的過程。我們面臨了非常多的比如加密、糾偏、車端國家合規的問題，還在極力推進的過程中。我們要提供的就是再上一層的服務，有靜態的數據，要有一些實時的地圖服務，就是下載、分發包括車端感測器的採集、回傳和數據的匹配校驗，包括動態圖層失效還是不失效的信息，都是需要在線實時的流程來完成的。介紹一下我們跟ibeo和英偉達合作利用高精度地圖做高精度定位，這是技術合作的結果。

總結一下完整的產品的框架基本就是這樣。我們會有一個數據的製作，以及服務層，最後有一個車端的HD Map，會有查詢、定位以及一系列的線上交互。所以我們會把它定義成在線的虛擬感測器。四維圖新2021年要給寶馬交付一個量產訂單，現在高速已經完成的狀態。我們現在在做數據更新，因為如果我的鮮度不夠，地圖做完了，對自動駕駛來講也不是可用的狀態，主要研究地圖如何更新。

這是我們和國土資源部一起做的從北京到昆明的自動駕駛，5000多公里。這個過程中使用到了我們自己的高精地圖，也用到了我們研究院自動駕駛的解決方案。這裡面驗證了一下我們對於自動駕駛的認知，我們提供的產品和服務是可以支撐自動駕駛的需求。這個過程中遇到非常多的極端天氣，不太好的狀態，讓我們欣喜的，我們可以證明初步是可用的。這裡還有一個在驗證的事情就是說自然資源部的查檢，不斷去驗證自己。在查檢帶來精度損失之後，不但保證了合規，也保證了自動駕駛不會受影響。

接下來講一下鮮度的問題。自動駕駛地圖一定是需要遠比導航地圖更新的鮮度。如果感測器幾乎都是失效的，感測器的結果也沒有意義了。所以現在的狀態是說我們有三種手段，是結合使用的。A是很專業的採集車，主要是第一次用A設備，採集點雲回來之後成圖。B加了雙目，B是一個更輕量的設備，雷達不是A那麼高的雷達，用了16線的雷達，用於更輕量的高頻度更新採集，回來會跟A數據進行匹配，更新地圖要素。C是現在正在跟合作夥伴不斷的合作，跟OEM做POC的過程。可以達成共識的是，C是後面大家一定要走的一條路。如果不UGC，我們可以讓A和B不斷跑，但是誰也控制不住成本。

如果讓成本接受，還能達到自動駕駛的功能需求，C是不得不引起大家討論的話題。對於C來講我們需要車端在現場，感知設備發現了環境的變化。因為車端的感測器，可以在端上實時地圖構建，構建的是局部地圖。因為我提供了自動駕駛服務，有地圖的服務，所以你可以跟我的地圖進行差分，你會發現兩套感測器是有差異的。你的差異回傳給我的時候我可以告訴你說我在動態圖層，並不是很好的可以支持你判斷的，不是一個可信的，你可以理解為已經是一個疑似失效的狀態。我們也會通過不同的UGC設備，一個是運營的，我們要驗證一下現場是不是的確是那個樣子，如果是，我們會降的很低，告訴你這個地方完全是這樣。比較快速完成數據更新，也就是說感測器恢復，不是失效狀態。

這是我們和禾多做的UGC的技術嘗試，這裡展示車端的感測器在現實的情況。左上角是行車記錄儀拍下來的現場情況，下面大屏是地圖。會有現場的感知，識別出來五個牌子。現在遇上一個現實世界，車端感測器感知到的牌子，會回傳給我們感知到一個牌子，我們會去驗，告訴我們回傳到雲上。UGC車輛一直在跑，這些感測器會有多次的同一個位置的採集。我們就會經過多次之後有一個深度學習的系統，就會得到一個結果，就是我們到底是要新增更新，還是要變更，會完成這樣一個過程。仍然是那個問題，如果說我們的自動化會覺得這個東西可信，我們可以完全不用人工，自動化成圖，我們就會更新。如果完全可靠，我們會把它變成圖層。

自動駕駛的地圖服務，需要更多的夥伴，大家一起來完成的，並不是一個圖商或者幾家公司就能完成的大命題，希望大家攜起手來一起向前推進。

敬請關注蓋世汽車「2019自動駕駛地圖與定位大會」直播專題！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！