image.png
地图制作
在城市道路环境下，高精地图生产分为数据采集、数据处理、元素识别、人工验证四个环节。
数据采集
百度采取的是激光雷达和Camera二者相结合的制图方案。
Apollo2.5版本中，百度已经发布了其地图采集方案。
该方案的基础传感器配置有：平装的64线激光雷达和16线激光雷达。
其中，64线激光雷达用于道路路面采集。由于其扫描高度比较低，还需要一个斜向上装的16线激光雷达，用于检测较高处的红绿灯、标牌等信息。
其他传感器有GPS、IMU、长焦相机以及短焦相机。
image.png
数据处理
传感器采集到的数据分为点云和图像两大类。
L4级自动驾驶汽车对地图的精度要求非常高。Apollo在制图过程中处理的数据也以点云为主。
采用RTK的先决条件，即在开阔无遮挡的情况下，才能取得相对准确的信号。
在城市道路中采用RTK方案，由于高楼遮挡或林荫路等场景无法避免，它们仍会对信号的稳定性产生影响。
因此，我们在拿到点云之后需要对其进行拼接处理。
点云拼接：采集过程中出现信号不稳定时，需借助SLAM或其他方案，对Pose进行优化，才能将点云信息拼接，并形成一个完整的点云信息。
反射地图：点云拼接后，可将其压缩成可做标注、高度精确的反射地图，甚至基于反射地图来绘制高清地图。其生产过程与定位地图的制图方式一样。
image.png
元素识别
元素识别包括基于深度学习的元素识别和基于深度学习的点云分类。
基于点云压缩成的图像进行车道线的识别，我们可得出准确的车道线级别的道路形状特征。
除此之外，我们还需要提炼道路的虚实线、黄白线、路牌标识等，来完善道路特征。
通过对收集到的图像等进行深度学习，即可提炼出道路相关元素放到高精地图中。
数据采集、数据处理、元素识别三个流程是高精地图自动化的必要环节。
不过，从目前来看，自动化仍无法解决所有问题，仍存在信息补齐和逻辑关联的缺陷。
一方面，无人驾驶车辆无法处理没有车道线的道路。这一步需要离线并用人工手段补齐相关信息。
其次，涉及到逻辑信息的处理时，无人车无法判断。例如在某一路口遭遇红绿灯时，车端应该识别哪个交通信号灯，也需要人工手段关联停止线与红绿灯。
人工验证
人工验证的环节包括识别车道线是否正确、对信号灯、标志牌进行逻辑处理、路口虚拟道路逻辑线的生成等。
全自动数据融合加工
百度高精地图依托模式识别、深度学习、三维重建、点云信息处理等世界领先的技术，其数据自动化处理程度已达到90%，相对精度达0.1-0.2米，准确率高达95%以上。
简单的说，采集到的这些每秒 10 帧左右的图像，识别和融合都是自动化的。
把 GPS、点云、图像等数据叠加到一起后，将进行道路标线、路沿、路牌、交通标志等等道路元素的识别。
另外，诸如同一条道路上下行双向采集之后造成的数据重复问题，也会在这一步里被自动整合，剔除重复内容。
目前百度对于城市复杂场景及环境的制图效果较好，可以精细刻画上百种道路要素和属性。
