面向自动驾驶的高精度地图模型研究

冯雪

（北京美大智达科技有限公司 北京 100101）

1 高精度地图的概念

与传统导航电子地图相比，高精度地图具有两个十分重要的特点：第一个特点是精度高，也就是地图的绝对位置精度高；第二个特点是要素全面，也就是说，地图所包含的信息内容更丰富，刻画得更细致。

高精度地图面向高度自动化的自动驾驶，其服务对象是更为广泛的智能体或者智能机器。地图的绝对精度优于1m，相对精度为10～20cm。高精度地图含有非常丰富的地图信息［1］。比如，增加了详细的与车道相关的数据（如车道、车道边界、车道中心线和车道限制信息等）、目标数据（如道路边缘目标、防护栏、路边的地标等）及更详细的行驶导引。除了提供基本的道路导航功能外，高精度地图可以恢复实际的道路场景，并协助车辆实现车道级别的高精度定位、规划和决策。

2 面向自动驾驶的高精度地图面临的挑战

面向自动驾驶的高精度地图面临的诸多挑战，具体可以概括为：（1）数据结构复杂，需要在传统导航电子地图数据内容基础上丰富地图要素；（2）地图格式缺乏统一的表达，需要整合现有地图要素样式进行一致性表达；（3）地图数据只针对特定的场景，需要修改地图数据提高适应性表达；（4）缺乏面向自动驾驶商用地图的编辑器或软件，需要地图厂商或者相关机构来补充［2］。图1中展示的是两个不同的机构对路段表达的情况，通过对比可以看出，不同的机构对高精度地图的几何表达有很多不一致的地方。

图1 两个路段表达格式不统一

3 智能精细地图模型

本文提出了面向自动驾驶的高精度地图模型，称之为智能精细地图模型。本文认为智能精细模型是面向自动驾驶以智能导引为目的，动态关联道路上各种信息，全面反映位置本身及其与所在道路相关的各种特征、事件或事物的数字精细化地图模型［3］。

在现有导航电子地图的基础上，本文提出了一种智能精细模型，并将智能精细地图模型分为4层，即道路层、广义POI 层、动态感知目标层和行驶信息辅助层，如图2所示。

图2 智能精细模型结构

道路层又分成两种，路段层、车道层及这两层之间的拓扑关系。分段的依据是行驶车道的变更，而不是通行方向上的物理分割。在本文提出的模型中，为了降低模型的复杂性，本文不再对动态的实时交通信息单独划分层，而是把实时交通信息作为属性添加到地图的道路层中。路段层包含的内容除了静态的物理属性信息外，还有动态的交通信息属性。车道层继承了路段的部分属性，也有自己特殊的属性［4］。

广义POI层从内容上不仅包括现有的导航电子地图中的9个大类POI数据，还新增辅助自动驾驶的地理位置标签的类型，同时，属性上增加地理位置标签的特征信息。动态感知目标层包括无人车动态感知目标和预测目标。

行驶信息辅助层是指考虑了道路层信息、广义的POI 信息、动态感知目标信息等为无人车提供了行驶导引信息，包括强制行驶行为、建议行驶行为、行驶的方向和从道路层中调度行驶的路径等内容。由于该层数据内容过于复杂，且涉及自动驾驶中的决策和规划内容，对此本文不做深入探讨。

4 智能精细地图的车道级路网模型

智能精细地图支持车道级的路径规划和定位导航，智能精细地图的路网数据模型应准确反映道路环境［5］。以下将阐述智能精细地图中车道级路网的要求。

4.1 具有完整的结构层级关系

根据自动驾驶不同功能对路网数据内容及尺度的不同要求，从垂直方向上进行分层抽象，将路网模型划分为道路网络层、车道网络层。道路网络层的最小建模单元为路段，车道网络层的最小建模单元是车道［6］。图3为将真实世界按照不同尺度进行道路网络层与车道网络层的几何数据抽象的示意图。

道路区间指的是连接两个路口或道路交叉口之间的完整路段，而在传统基于道路的拓扑网中，与道路区间对应的是两个Node（节点）之间的Link（连线）（见图3b）。在高精度导航地图中，道路区间包含1个或者多个车道（见图3c），成为一个区间，所以不能由一条线来表示。在传统导航地图中，路口一般简化为Node 表示，而在高精度导航地图中，路口是非常重要的研究对象，将具体描述与道路区间之间的车道接续关系及中心点位置等。每一条道路区间最多对应两个路口区域，而每一个路口区域可以对应多个道路区间。以道路区间和路口区域为基本管理单元，是对道路环境的真实描述，可以表达车道间的拓扑关系。

图3 真实世界的道路网络层与车道网络层的抽象

4.2 完善的层与层之间的对应关系

传统导航电子地图是根据物理间隔进行路段或者车道的抽象和编号，这个规则不满足高度自动化的自动行驶。路段或者车道中的属性引起变化对汽车的控制尤其对横向控制带来直接影响，横向控制决定了无人车的行驶性能。图4显示几种路段属性变化导致无人车的控制行为需要发生变化的情况，图中线条为车道边界线，箭头线表示道路的通行方向，方框为属性变化点，其中：（a）为自动驾驶必须换道点；（b）为自动驾驶可换道点；（c）为自动驾驶路径转弯半径变化点。在对车道进行抽象时，需要考虑交通规则或者驾驶行为对无人车的影响。因此，本文选择路段上属性变化的位置作为车道分段抽象的依据，而且属性变化的位置不是一个具体的固定不变的点值，是连续变化的区间。

图4 路段属性变化点对自动驾驶的影响的例子

5 基于移动测量车的高精度地图数据采集及制作

基于采集车的高精度地图的生成流程可以分为3个步骤。首先，利用GNSS/INS 数据进行融合，获取地图采集车的高精度位置坐标及高精度的航向信息，同时，获取地图采集车行驶的轨迹点、车载传感器的位置坐标。其次，利用车载相机拍摄道路图像数据，利用机器学习算法对图像数据进行分类，获取图像上的道路、车道线、道路标志等语义信息；同时，利用车载激光雷达获取地面目标的激光点云信息，从激光点云信息中提取目标的语义和相对坐标信息。最后，将图像或者点云提出来的信息与位置数据进行融合，获取道路要素的位置、几何、语义信息，从而创建车道级高精度地图。其流程如图5所示。

图5 高精度地图采集流程图

6 结语

随着人工智能技术和测绘遥感技术的快速发展，自动驾驶已成为当前智能交通和自动驾驶产业发展的热门方向。测绘遥感学科与车辆自动化控制、计算机视觉等学科的交叉融合，推动了自动驾驶的发展，提高了无人车的安全性和稳定性。面向自动驾驶的高精度地图模型和地图的快速生产，是实现自动驾驶的核心基础问题。本文研究了面向自动驾驶的高精度地图模型，为自动驾驶建立面向机器、精细化、现势性强的高精度地图提供技术支持。