智能网联汽车高精地图白皮书(2020)
发布时间：2023-02-07 23:30
1. 前言
高精地图的发展与智慧交通、智能网联汽车紧密相关，从智能网联汽车上路伊始，高精地图产业就应势而生并飞速发展。相对于以往的导航地图，高精地图是智能网联汽车交通的共性基础技术，其服务的对象并非仅人类驾驶员，而是人类驾驶员和自动驾驶汽车。对于L3及以上级别的自动驾驶汽车而言，高精地图是必备选项。一方面，它是自动驾驶汽车规划道路行驶路径的重要基础，能为车辆提供定位、决策、交通动态信息等依据。另一方面，当自动驾驶汽车传感器出现故障或者周围环境较为恶劣时，它也能确保车辆的基本行驶安全。
随着行业的发展，更多的ADAS系统开始应用高精地图，以增超视距感知、提升规划能力。本报告侧重L3及以上级别的自动驾驶用高精地图，部分内容也适用ADAS系统所用高精地图。
1.1. 现状概述
在以汽车电动化、智能化、联网化、共享化为特征的汽车产业进化趋势下，自动驾驶汽车成为全球的重要研究热点和汽车产业发展战略方向，并带动智能交通、智慧城市等产业建设。高精地图作为自动驾驶重要的共性基础技术，具备不可替代的作用，高精地图能够为汽车构建“长周期记忆”、实现汽车超视感知，并有效提高算法效率和安全冗余。随着自动驾驶技术日趋成熟，高精地图成为巨头征战的新战场。根据高盛对全球高精地图市场的预判，2020年将达21亿美元；
到 2025 年，市场规模会扩大到 94 亿美元。行业普遍认为，未来 15 年高精地图行业将进入黄金发展期。另外，据美国 MarketsandMarkets 公司发布的全球自动驾驶 3D 高精地图市场的预测，从 2020 年到 2030 年，全球自动驾驶汽车 3D 高精地图数据市场的年均增长率(CAGR) 将达到 36.2%；全球市场预计 2030 年将增长到 204 亿美元。
高精地图是指绝对精度和相对精度均在 1 米以内的高精度、高新鲜度、高丰富度的电子地图，英文称为 HD Map(High Definition Map， 从数据精度和要素丰富度的角度定义)或 HAD Map(Highly Automated Driving Map，从自动驾驶功能的分级标准角度定义)。高精地图所蕴含的信息丰富，含有道路类型、曲率、车道线位置等道路信息，以及路边基础设施、障碍物、交通标志等环境对象信息，同时包括交通流量、红绿灯状态信息等实时动态信息。
不同地图信息的应用场景和对实时性的要求不同，通过对信息进行分级处理，能有效提高地图的管理、采集效率及广泛应用。高精地图可以分为四个基本层级，由底层到上层分别为静态地图、准静态地图、准动态地图和动态地图。如下:
静态地图包含道路网、车道网及道路设施的几何、属性信息。车道线、车道中心线以及曲率、坡度、航向等信息构成了道路和车道模型，帮助自动驾驶车辆进行精确的智能决策与控制执行，包括转向、 驱动、刹车(制动)等。
准静态地图包含交通标志牌、路面标志等道路部件信息，可以用于自动驾驶车辆的辅助定位。同时，道路受到外界因素(如日常磨损、天气、外界碰撞、人为修改等)的影响会发生变化，如道路标线磨损及重漆、交通标志牌移位或变形等信息也体现在准静态高精地图中，确保自动驾驶车辆的安全。
准动态地图包含道路拥堵、施工、交通管制、天气等信息，可以用于自动驾驶车辆的实时动态路径规划(全局路径规划和局部路径规划)，提升自动驾驶运行安全与效率。
动态地图包含周边车辆、行人、交通事故等实时性较高信息，可以用于自动驾驶车辆的局部路径规划与决策辅助，增加信息冗余，提升自动驾驶的安全度。
目前，全球各企业组织也有类似地图信息分层，如博世提出的 LDM(Local Dynamic Map)模型、日本 DMP(Dynamic Map Platform) 公司提出的类似四级分层模式、中国智能网联汽车产业创新联盟 (CIACV)-自动驾驶地图与定位工作组针对中国交通环境特点和智能网联汽车对地图要求提出的三级七层架构等。
此外，室内高精地图也是高精地图发展的一个重要方向。与数据来源丰富、数据表现力强、提供信息多样的室外高精地图相比，室内高精地图现有数据非常单一和缺乏，两者差距巨大。由于室内高精地 图数据获取成本较高，没有任何绝对参考位置信息，采集方式传统且精度较差，目前仍缺乏丰富的地理信息数据。
自动驾驶系统相比车载娱乐导航系统提出更高的要求，如超视觉感知增强，感知系统效率提升、辅助决策信息完善、协助路径规划并提升系统安全冗余等。同时，高精地图也是在传统导航电子地图基础上基于自动驾驶系统需求演变发展而来的，二者并非完全独立，具有一定继承性和衍生性，在保留传统导航地图检索、道路规划、渲染、 诱导等功能基础上，高精地图侧重地图信息丰富性、精度高、提升计算机器或汽车智能化三大方向，以及高频更新、标识横纵向定位、坡度曲率节能应用与舒适性提升等。
高精地图可有效弥补传感器的性能边界，提供重要的先验信息，作为车载感知器、GNSS 等定位信号统一基础坐标系环境，是实现高度自动化驾驶甚至无人驾驶的必要条件，也是未来车路协同的重要载体。高精地图对自动驾驶汽车的作用具体表现在以下几个方面:
(1) 作为汽车的“长周期记忆”，为车辆的自动驾驶提供道路先验信息。与车载传感器相比，高精地图不受天气环境、障碍物和探测距离等限制，为自动驾驶汽车提供安全冗余。同时，高精地图可以为车辆纵向加减速、横向转向及变道等决策提供先验信息，提高驾驶舒适性并实现智能节能。
(2) 可预知红绿灯、车道线、道路标识牌等交通要素的位置，有助于提高传感器的检测精度和速度，节约计算资源。
(3) 可作为规划决策的载体，路口红绿灯状态、道路交通流量、路网变化情况，以及车辆传感器信息等都可以传递至高精地图服务平台，通过服务平台实现智能路径规划。
(4) 未来众包采集，可积累大量的驾驶数据，实现驾驶场景数据库的丰富，为无人驾驶系统进行仿真验证、优化人工智能训练等提供重要基础数据。
(5) 市场需求方面，单车智能参差不齐，高精地图成为共同选择。除特斯拉外，BBA 及造车新势力们都选择了视觉为主的感知硬件。基本是从目前技术和性价比、成本和安全角度冗余考虑，感知摄像头的数量有多有少，但是高精地图和高精定位成了共同的选择，很明显高精地图和高精定位是未来主流，如下表 1.1。
| 车型 |
奔驰S级 (W223) |
奥迪A8 (D5) |
宝马iNEXT* |
小鹏P7 |
理想X01* |
特斯拉Model3 |
| 辅助驾驶摄像头 |
4 前置 双目 |
1 前置 双目 |
6 前置 双目 |
13 前置 双目 |
8 前置 双目 |
8 前置 双目 |
| 环视摄像头 |
4 |
4 |
4 |
4 |
4 |
1 |
| 毫米波雷达 |
5 |
5 |
5 |
5 |
5 |
5 |
| 超声波雷达 |
12 |
12 |
12 |
12 |
12 |
12 |
| 激光雷达 |
1 |
1 |
1 |
无 |
无 |
无 |
| 高精定位 |
有 |
未知 |
有 |
有 |
有 |
无 |
| 高精地图 |
有 |
有 |
有 |
有 |
有 |
无 |
尽管利用摄像头、雷达与 GPS 等传感器来完成对道路周边信息 进行实时获取的方式更容易落地，但在雨雪雾天气等很多极端情景下容易导致传感器失效，构成安全隐患。因此，通常在常规传感器之外引入高精地图数据的目的就是希望借助高精地图在更多的驾驶场景下保证安全，高精地图和高精定位对于保障极端情况下的驾驶安全是传感器的一个有效补充。虽然极端驾驶场景出现频率不高，却是酿成交通事故的高发地，高精地图可以说是一道保命的安全防线，比传统导航地图更有意义。
政策法规方面，地理信息是世界各国重要的战略性信息资源，受到各国政府的高度重视。一些发达国家通过健全法制，强化监管，加大资金和技术投入的手段，积极促进地理信息资源的广泛应用。
相关组织、标准方面，国际和国内高精地图行业仍然在快速发展中，此工作必然是一个持续更新的过程。智能网联汽车高精地图行业在中国也还处在发展的初期阶段，还没有完善的标准体系。
由于地图行业涉及到国防安全信息，我国高精地图测绘并不对国 外厂商开放，国内图商成为我国高精地图行业主导。中国自然资源部也出台了《关于加强自动驾驶地图生产测试与应用管理的通知》，明确规定自动驾驶地图作为导航电子地图的衍生产品在管理上沿用导航电子地图相关政策但现有的法律法规对自动驾驶行业发展的壁垒主要体现在公开地图表示内容、地图加密和偏转、审图方式和周期、 众包的行政许可、原始 GPS 坐标的使用、对外资企业的限制六方面。 同时，中国自然资源部测绘主管部门对于自动驾驶抱持非常开放的态度，近两年一直在积极地跟图商沟通如何制定面向自动驾驶的法律法规。
由于高精地图的制作流程、成本、分发方式以及呈现的形态等， 与传统电子导航地图有着较大的区别。高精地图对数据更新的实时性要求极高，完全依赖专门的采集车进行高精地图采集，效率低且成本高。高精地图的覆盖范围取决于 OEM 的需求，图商依据 OEM 的需求进行采集生产。目前国内图商的 HDM 范围都只是针对全国的高速和城市快速路等封闭道路，并没有扩展到全部道路；所以提高高精地图的采集和更新速度成为重要课题。目前，众包可以有效提高高精地图采集效率，但其需要采集公司具有相应的地图采集资质，并依赖于极其强大的数据处理能力。因此高精地图宜采用智慧生产线利用大数 据分析、众包数据采集和人工智能等新型制图技术，以满足自主泊车、 V2X 及智慧城市等多种场景的高精地图需求。近两年随着高精地图 需求不断提高以及技术发展，此现象也在逐步改观。
自动驾驶(车路协同)领域是高精地图未来最大的应用领域，高精地图并非仅限用于自动驾驶，同时，还可以运用于仿真测试、智慧城市、智慧旅游、公安、房地产、交通运输、无人配送、新零售等众多领域，且泛化应用市场容量巨大。
行业市场规模方面,随着 L3/L3+自动驾驶时代的临近，2019-2025 年高精地图产业有望快速发展。高精地图市场参与者中，主要包括中大型专业图商、自动驾驶领域老牌科创型企业以及初创企业。根据海外高精地图单车价值约 200 美金测算，由于预计未来 5-10 年将出现智能驾驶需求爆发期，预测 2020/25/30 年全球高精地图市场空间有望达到 20/90/200 亿美元。目前国内高精地图的商业模式仍未完全成型，按照 3 亿辆汽车保有量及高德地图于 2020 年四月确定的单车 百元年服务费测算，未来国内高精地图市场潜在规模约为 300 亿元。
目前，中国的高精地图产业正在从技术研发向规模投入迈进。高精地图行业是一个资金密集型的行业，一方面由于地图数据库建设周期长，投入资金大而且需要持续滚动投入；另一方面，导航电子地图产业具有先发优势大，而边际成本低的显著特点。近两年，国内主要图商纷纷加大测绘投入，开始对外提供分米级、厘米级地图，多家自动驾驶企业加入地图赛道。
资本界近年来更侧重于商业化，如细分市场、示范、路测、区域 运营等。众多主机厂规划，2020 年将是 L3 级自动驾驶集中规模测试验证时间，2025年前将规模化集中上市，鉴于高精地图是L3 及以上级别自动驾驶技术的重要组成部分，高精地图也会随之进入规模化应用阶段。因此，自动驾驶系统玩家必然在全球范围内加快高精地图业务布局，为自动驾驶技术规模化量产做好准备。而随着 L4、L5 级自动驾驶技术的发展，未来智能网联汽车高精地图将在更新方式、商业模式、信息丰度、运营理念等方面不断变革，支持并推动智能网联汽车产业的发展。
未来，相信高精地图将成为众多主机厂、零部件供应商、图商、 自动驾驶解决方案提供商、出行服务商、交通运输与物流企业的创新汇聚平台，并成为支撑我国智能网联汽车创新发展的重要基础，高精地图将不仅成为汽车自动驾驶的支撑，也将成为智能交通管理规划的重要协同平台，推动城市级道路交通管理。
1.2. 高精地图国际现状
由于世界各国监管政策不同，发展速度也就不一样，高精地图市场的企业比较多且杂，几家有代表性的巨头企业高精度地图竞争格局呈现两极分化的态势，一方面是大型互联网科技巨头、车企，如谷歌、英特尔、宝马等，这些企业在高精地图研发上更多采取集中采集方式，合作伙伴数量相对多而且更为稳定，在市场上影响力更强；另一方面 则是自动驾驶行业算法集成层面的初创公司，此类公司成本预算有限，对现金流较为迫切，基本采用成本较低的众包采集，并且积极地探索高精度地图的商业化变现模式。
发达国家从 20 世纪 70 年代就开始进行自动驾驶汽车研究，在可行性和实用性方面，美国和德国走在前列。早在 20 世纪 80 年代，美国就提出了自主地面车辆(ALV)计划。美国在自动驾驶领域的研究处于世界领先地位，由于具备自动驾驶所必须的高精地图，以及政策法规对自动驾驶的包容与开放，自动驾驶车辆的测试很早就开始进行，自动驾驶相关企业可以将研究与实验相互结合，极大促进了自动驾驶技术的发展。美国也成为拥有自动驾驶技术、高精地图初创企业最多的国家。
德国虽然是全球汽车工业企业主要城市，但由于互联网行业发展 状况的原因，并没有像美国和中国一样拥有大量的高精地图开发企业，HERE 是目前比较有代表性的复合体企业。
2013 年日本内阁政府启动了名为 SIP(战略性创新创造方案)的项目计划，其中自动驾驶是它的核心之一，自动驾驶系统构建也自然是国家战略的一部分。从课题的调研到政府、企业、协会、团体、民间的协调，都由 SIP 统筹。为了将 SIP 成果(基础地图的数据格式， 精度管理方式)产业化，设立了“Dynamic Map Platform Co., Ltd.”(以 下称 DMP)公司。DMP 成立代表日本动态高精地图开始走向产业化。
1.3. 高精地图国内现状
高精地图在无人驾驶领域具有不可替代性，且最近几年国家开始 逐步放宽对地图产业发展的政策限制，地图产业的发展越来越受重视，而地图行业涉及国家机密，政策壁垒把各类国外图商挡在了门外，为国内高精地图企业创造了稳定发展的契机。
国内投入高精地图市场的企业同样比较多，既有百度、高德、四维、易图通等传统图商，也有华为、滴图、初速度、中海庭、晶众、宽凳、全道等科技新势力。自2018年来，国内高精地图厂商已陆续进入汽车整车制造企业，其中高德、百度、四维图新、易图通均已进入全球主要汽车厂商供应名单。从场景上来看，目前高精地图落地场景主要是高速公路和停车场，对应支持高速 HWP 和停车场 AVP 的自动驾驶功能。
在中国，高精地图的行业准入门槛很高，主要是受限于资质、技术、资金三方面。首先，尽管中国拥有地图业务的单位众多，但严格的审核制度，导致拥有制作高精地图资质(甲级导航电子地图制作) 的机构却寥寥无几，截至 2020 年 11 月，仅有 28 家企业获得导航电 子地图甲级资质。虽然已有 28 家机构获批高精地图资质，但真正具有高精地图采制能力的公司，屈指可数。目前业界公认具有高精地图采制能力的公司包括四维图新、高德地图、百度地图、易图通等。四维图新在 2019 年初与宝马中国签署自动驾驶地图及相关服务许可协议，为后者提供 L3 以上自动驾驶系统提供地图产品及服务，是国内首个用于L3+自动驾驶的高精地图量产订单，也意味着四维图新高精地图已开始走向量产；百度也与多家车企签署高精地图的商业化定制项目，包括北汽、现代等，百度地图的自动化程度已超过 90%，算法识别率达 98%以上，基于 Apollo 开放平台，自主研发了一套完备的高精地图制作、生产、发布及更新流程，产业优势明显；高德地图是国内首家实现高精地图商业化的公司，已建立了自主采集的高精地图 UGC 体系及自动化数据生产模型，并基于阿里生态的物流配送、车路协同、城市大脑等业务实现高精地图的数据更新，2019 年高德宣布以“成本价”向合作伙伴提供标准化高精地图;易图通的智慧生产线利用大数据分析、众包数据采集和人工智能等新型制图技术，以满足自主泊车、自动驾驶、V2X 及智慧城市等多种场景的高精地图需求；易图通 2016 年支撑了国内首个自主泊车 POC 项目完成技术储备，并于 2019 年拿到国内首个自主泊车地图定点，2020 年成为某一国际 OEM 中国市场的唯一定点服务供应商,同时与德国大陆集团、地平线等产业知名企业建立战略合作关系。
高精地图的主要成本分为两个部分：一是采集成本，主要包括设备成本、采集车辆的行驶耗材、过路费及人力成本等，仅一辆高精地图采集车需要配置的设备就包括：激光雷达、摄像头、陀螺仪、GPS 接收机、数据存储和计算设备等；二是编译制作成本，主要是人力成本，编译制作过程需要高精地图制作企业投入相当多的人力。编译制作过程的“内业”人员的主要任务有地图绘制、校正地图信息、更新 POI 信息、更新互联网用户报错等。相对于巨头公司，初创公司面临着成本、资源短缺、经验不足的压力。在地图采集上，传统地图企业多采用激光雷达的方案，而初创科技公司采取了以人工智能技术为基础的纯视觉方案，通过搭载价格较低的摄像头以降低数据采集成本; 摄像头在精度上不如激光雷达，因此在数据更新环节，一些初创公司会利用众包的方案，以高精地图为底图，与物流企业、车企等合作，通过视觉传感器多次拍摄积累数据，提升整体更新精度。
从收费模式上也将改变原有电子地图的 License 授权模式，高精地图的主要有按单位时间和按数据量收费两种收费模式，核心区别在于收费稳定，初期阶段基本以服务功能开发费+License 组合为基础; 此外，还存在一种“免费”模式，即图商向客户免费提供现有数据产品，但同时客户需向图商提供收集到的数据，地图的价格即为客户收集数据的价值。由于高精地图对数据更新的实时性提出很高的要求，从高精度的产品形态和服务方式角度，通过云服务平台对实时更新的高精地图数据进行实时分发是一种可行的方式，且云平台还能通过实时收集各车的行驶数据来补充道路情况信息闭环，增强收集数据密度 而降低收集成本。
基于高精地图的生产成本高和更新频率高等问题，第三种方式可能是未来收费模式发展的大方向，同时，在国内建设公共的地图云服务平台，为自动驾驶汽车搭载的 MCU、地图盒子、域控制器等提供 高精地图支持，不仅可以节省量产应用的成本，也便于采取信息防护措施，保证国家战略信息的安全，这将是一条符合中国国情、通达 L5 级自动驾驶的高效路径。
1.4. 高精地图需求情况
高精地图当前不仅仅可以服务于自动驾驶领域，也能为路侧端提供帮助，同时也被其他可以提供地理服务的行业所应用。
当前对于高精地图要素，不仅包含道路级别的属性，也有车道级别的属性。道路级别的属性主要包括道路等级，类型，隧道，收费站，曲率，坡度等，车道类别的属性包含车道线，车道类别，车道宽度，车道数量，车道几何形状等，同时对于可以应用到车辆定位的道路标识牌也有需求。
精度需求因要素而异，也是根据自动驾驶系统需求分解得出的，例如说地理围栏的基本需求，是要知道车辆在哪种类型的道路上，所以高精地图的精度至少要能够满足道路级的定位，同时对于道路的等级，类型要素要求也高，因为这两个要素是判断车辆所在道路很重要的标志。
高精地图的覆盖，基于 L2、L2+和 L3 而言，主要限定在封闭的道路上，例如高速公路和城市快速路，所以高速公路和城市快速路需要全覆盖。对于 V2X 路侧端而言，重要的路口需要覆盖。此外，对于自动泊车来说还需要覆盖停车场。如果是室内停车场还会碰到没有 GNSS(及定位增强服务)信号及确定楼层的问题，可能的解决方案包括超宽带定位 UBW，或利用传感器进行地图特征匹配等。
高精地图的更新，静态环境部分，主要是依赖于静态高精地图、同时结合准动态及动态高精地图作为输入，地图更新不及时会造成用户体验的下降甚至于错误的判断，所以地图更新一直以来都是高精地图的重要部分，更新的频率越高越好，但是考虑到当前的技术水平和成本，季度更新策略最佳，当然月度更新甚至周更新更受欢迎，但是成本也会更高。在更新的时候，可以采用小版本部分更新或者是增量更新的方式，而大版本采用全部更新的策略。对于高精地图里的动态或准动态部分，一般通过车联网以实时或准实时(秒到小时级别)的频率更新。
高精地图需要具备极高安全性才能够满足自动驾驶的安全需求，自动驾驶上层系统会对地图信号提安全需求是信号要有保护机制，分解到高精地图的要求是内部逻辑要正确，没有常规错误，而且至少符合质量管理的基本要求。
当前自动驾驶主要用地图实现地理围栏，车辆纵向控制，车辆横向控制，汽车节能等功能。
地理围栏，通过地图去定义自动驾驶功能开启的范围，例如主要在高速公路和城市快速路上开启，利用高精地图和高精定位实现定位在高速公路上，同时对自己所处的车道以及当前车道未来的走向进行预测，从而实现特定开启范围的限制。
车辆纵向控制，主要是帮助在大曲率弯道道路能够及时进行速度控制，从而保证车辆可以平稳过弯。
车辆横向控制，主要是利用车道线的几何以及车道宽度跟摄像头的数据做融合，从而得到更好的一个车道模型，帮助车辆沿车道中间行驶。
汽车节能，主要是通过地图提供纵向的坡度，当车辆上坡时提早增加合适的扭矩，当车辆下坡时及时减少动力输出，从而达到车辆节能的目的。
1.5. 高精地图行业困境
高精地图是自动驾驶汽车不可或缺的重要基础。国家发展改革委于 2020 年发布的《智能汽车创新发展战略》中提出“建设覆盖全国路网的道路交通地理信息系统。开发标准统一的智能汽车基础地图，建立完善包含路网信息的地理信息系统，提供实时动态数据服务”。 随着自动驾驶的快速发展，高精地图的重要性受到越来越多的重视和关注，国内外地图厂商都在积极投入研发量产的高精地图产品，但在量产车领域，尽管业界对高精地图的重要性已经有了基本共识，但并没有飞跃式的应用，高精地图当前的实际发展状态与应用需求之间仍然存在较大的差距，主要体现在以下几个方面:
(1) 生产效率、成本及长期服务的成本
高精地图精细程度高，动态要素丰富，传统地图生产方式难以满足其量产应用的需要。采用传统测绘车方式，分米级地图的测绘效率约为每天每车 500 公里道路，成本为每公里 10 元左右，而厘米级地图的测绘效率约为每天每车 100 公里道路，成本可能达每公里千元。在成本约束下，测绘效率很难大幅度提高。因此，相比于导航地图，基于测绘方法高精地图的制图成本更是高得多，而且图商要支持地图的有效更新，就需要庞大的采图车队、制图产线、数据管理与云服务。 这些成本都会对目前 OEM 与消费者的商务模式构成挑战。对于图商来说，想仅在高精地图数据产品上就实现盈利极度困难，目前还是要靠烧钱和其他产品捆绑等方法。众包地图是提高生产效率的一个思路，但保证地图采集质量的可靠性、一致性，并在海量众包数据中快速提炼生产高精地图以满足实时性要求，仍是一个难题。
(2) 数据范围、可靠性及更新
高精地图的数据范围是图商根据 OEM 的需求进行采集生产的，目前国内图商的高精地图范围都只是针对全国的高速和城市快速路等封闭道路，并没有扩展到全部道路。即使是全国高速和城快这样有限的里程(截止 2019 年，单向约 33 万 km)，OEM 既无能力也无资质对地图数据的可靠性进行全部验证。同时，自动驾驶应用要求作为先验感知的车载高精地图需要具备实时更新能力。对于 ADAS 级别应用，要求车辆控制系统不停机完成地图的在线更新；对于高度自动驾驶应用，则要求地图完全实时化。如何在车辆行驶中完成高频率的地图在线更新，也将是量产应用的一个关键问题。无论更新周期多短，都会存在地图数据和真实情况不相符的情况，这也会限制高精地图的应用。
(3) 地图偏转及定位
受国家地理测绘相关法规的限制，民用商用地图上不能够使用真实的 WGS84 坐标，所有的地图数据都要经过偏转插件加密后才能够使用，通常为几百米的非线性偏转+随机扰动。而定位也要经过相同的偏转才能够在该地图上使用，由于随机扰动的影响，会引起约 20cm 的精度损失。通常高精地图的绝对精度在 1 米以内，相对精度在 0.5 米以内，20cm 的偏转插件精度损失会影响到高精地图和高精定位的使用范围。
(4) 地图存储
车载地图的体积受到嵌入式系统的存储容量限制。一般来说，车载导航用地图(米级精度)的存储密度约为每公里道路 10KB，矢量化量产的 ADAS 地图(分米级)和高精地图的存储密度每公里基本都在 10KB 到 100KB 之间。仅全国 30 多万公里高速公路的高精地图经压缩处理之后也需要 6GB 到 20GB 不等的存储量。GB 级别的存储需求，不仅远远超出目前主流车载存储器方案的存储容量，而且影响产线效率，出产量产擦写数据可能每片需要半小时之久，这意味着必须考虑云存储方案。如果采用分布式云存储方案，通过云端存储部分高精地图，通过 5G 网络实现下载和更新，依然会存在影响车载存储器寿命的问题：车载存储器的反复擦写寿命一般在 1000 次左右，反复更新擦写对车载存储的寿命影响很大，如果不采取限制措施，可能不到 5 年，存储硬件就会达到设计寿命。
从以上问题可以看出，高精地图在自动驾驶汽车中的量产化应用，必须基于车联网的架构，以实现地图的云存储、实时更新和众包采集。这套架构实际上构建了一套实时地图应用与生产的闭环，通过提高云 服务端自动化程度，提升车联网通讯效率(如 5G 应用)，完善传感器融合识别算法，不断提高 MCU 向总线提供地图的实时性、丰富性，最终实现可满足 L5 级别的完全实时化高精地图。
同时，车道级精度的高精地图需要有相应的高精定位方案才能实现有效应用，然而目前高精定位仍有诸多问题需要解决。
(1) 可靠的车道级定位成本方面，即使有了可用的高精地图，想要准确将车定位在高精地图的车道上，也需要较高成本的定位系统。依照目前主流的高精定位方案：高精地图+GNSS+定位增强服务 (RTK/PPP 等)+ADAS 相机+IMU+车辆 CAN 信号，想要获得比较可靠的定位效果，需要双频GNSS 接收机+双频定位增强服务，同时要获得较长时间的航迹推算能力，则需要战术级的 IMU。很不幸的是，目前相关零部件行业的发展，还未成熟到以 OEM 能接受的价格来提供。双频 GNSS 接收机价格是车规单频接收机的 7 倍以上，双频定位增强服务是单频的 4 倍以上，战术级 IMU 和消费级相比也是 N 倍的成本倍数。所以即使克服了 HDM 的成本，高精度定位的成本也是很大一笔支出。
(2) 融合定位的可靠性方面，高精地图+GNSS+定位增强服务 (RTK/PPP 等)+ADAS 相机+IMU+车辆 CAN 信号这样的融合定位方案，如何在全国范围内验证其可靠性，进而间接验证 HDM 数据的可靠性，这也是另一个难题。
(3) 功能安全和完好性方面，整个定位系统，是否需要符合 ISO 26262 的功能安全要求，怎样符合要求，这也是目前尚未解决的核心问题。而定位数据又存在多源融合、传感路径长的问题，其预期功能 安全也是需要探索和研究的。
此外，随着自动驾驶的快速发展，高精地图的重要性受到越来越多的重视和关注，国内外的地图厂商都在积极投入研发量产的高精地图产品，但是在许多方面都遇到一些尚待解决的困境，也是下一步高精地图行业重点解决的问题。
(1) 高精地图还没有形成统一的行业规范。针对自动驾驶应用需求，高精地图需要有丰富的数据类型、高频率的更新、更多的动态信息，实现更高精度和高可靠性的应用。其中的地图内容、数据格式、发布传输、更新管理等都还没有统一的共识。
(2) 高精地图的安全性验证还没有行业统一的共识。近年来，美国、日本、德国等国家先后建立了一些高精度动态地图相关的平台， 形成了各自的高精度动态地图采集、更新和应用模式，推动高精地图的商业化进展。由于高级别自动驾驶系统中，地图和车载传感器一起组成传感器系统，为车辆的定位、感知、规划控制等提供输入和支持。 因此从汽车安全角度出发，需要考虑几个地图相关的领域：功能安全 (ISO 26262)包括汽车软硬件的风险，预期功能安全(SOTIF / ISO21448)的安全运行要求，以及自动驾驶功能面向用户的使用安全 等。这些安全评估目前还没有相关的技术标准和规范。
(3) 高精地图需要高覆盖度和高频率更新，采集制作成本与商业模式还不成熟。在成本方面，传统地图采集方式采用高精度高成本的地图采集设备和采集车，配合大量的人力资源投入地图内业制作，无法实现自动驾驶所需要的高频更新需求(部分元素需要小时级甚至几乎实时更新)，采用低成本的采集系统及 AI 技术成为降低高精地图采集和更新成本的重要手段。另一方面，高精地图的收费模式还有待验证，需要结合自动驾驶应用的场景进行设计，无论是年费模式还是订阅模式，都还没有行业规模化推广应用的案例。
(4) 在国内，高精地图的生产和发布过程受到严格的测绘地理信息法律法规管理，与自动驾驶需求不能完全对应满足。我国现行相关法律法规，涉及自动驾驶地图数据采集、要素表达、数据加密、数 据更新、审图、发布、成果保密等方面。国家出于安全的考虑，测绘政策对于高精地图的生产、使用做了诸多规定，即资质许可制度、地图信息表达约束、技术安全处理要求、审查批准等。主机厂和图商均在与政府相关监管机构密切沟通，希望在政策法规方面有一些突破。
1.6. 高精地图发展趋势
尽管面临各种困境，高精地图的发展还是行业非常重视的热点，也受到行业上下游的关注，预计会有以下几方面的趋势:
(1) 高精地图的管理和市场主体演变。例如 Here 从 2013 年就开始制造高精地图，其研发最早开始于 Here 与戴姆勒的一个合作项目，后来被奔驰、宝马、奥迪收购后，先后引入了 Intel、博世、大 陆、先锋等产业投资，涵盖了芯片、传感器等解决方案。2016 年 6 月日本相关 OEM 和供应厂商发起成立了 DMP，作为高精地图数据平台的建设主体，负责地图基础数据的采集和相关技术研发。2017 年中国成立了国家智能网联汽车创新产业联盟(国汽智联)，专门设立了智能汽车基础平台工作组，原国家测绘局在“放管服”政策指导下增加审批导航电子地图制作甲级资质到 28 家，并将进一步调整测绘资质管理办法，这些措施都会影响高精地图市场主体的演变。
(2) 高精地图标准研讨和建立。在国内，智能网联汽车和高精地图行业的深入融合和技术的成熟，不断推动高精地图向标准化方向发展。工信部、交通部、自然资源部、标准委等不断加快编制和发布 智能网联汽车、车联网、高精地图等相关标准规范。国际上，ISO、 NDS、ADASIS、SENSORIS、OADF、TISA、Open LR、SAE-International、 ETSI 等标准化组织发布了自动驾驶和高精地图相关的数据交换格式、物理格式、动态信息存储格式、位置参考等标准规范。
(3) 新型地图和新型测绘技术的发展和应用。随着各类传感器在车上成为标配的部件，终端量产车成为地图数据的采集和更新的入口的趋势越来越显著，未来汽车既是地图的使用者，也是地图的生产者。基于高精地图也会延伸出各类服务扩展，例如 AR 导航、城市基础设施更新、车道级定位服务等。
(4) 图商的角色从交付向服务演变，客户从 B 端向 C 端扩展。 高精地图需要实时更新的特性打破了过去图商只是向主机厂或者车载信息娱乐企业销售授权费的商业模式，开始向地理信息数据服务商转型。图商在产业链中的角色正在逐渐从传统汽车时代的供应商转变为自动驾驶时代的重要参与者、合作者、服务商。除了向车厂或者自动驾驶出行服务商提供地理信息数据服务这种 B 端的业务，高精地图也会向 C 端延伸。
1.7. 高精地图头部企业
从互联网企业、汽车厂商、出行服务提供商和图商企业对高精地图的投入来看，高精地图对于自动驾驶的作用非常重要。随着自动驾驶技术突飞猛进和高精地图市场的迅猛发展，国际国内众多企业纷纷 涌进高精地图领域，高精地图赛道将会越发拥挤。
1.7.1. 国际高精地图代表企业
Waymo 最初是谷歌公司旗下的自动驾驶公司，2016 年 Waymo 从谷歌公司独立出来，成为了 Alphabet 旗下的子公司。从 2009 年开 始 Waymo 开始为自动驾驶汽车绘制地图，是全球最先进的自动驾驶技术厂商之一，目前以满足美国多个城市的 L4 级别自动驾驶。Waymo 的高精地图由谷歌地图发展而来，有强大的数据与技术背景，目前其制作的高精地图仅用于自己的自动驾驶，并不作为商业化产品。其采集地图的手段为激光雷达加组合导航定位系统，并拥有一支庞大的测绘车队一起集中创建高精地图。
Here 前身是美国综合电子地图信息领域供应商 NAVTEQ，2008 年被诺基亚收购并入 Here 地图部门。在 2015 年 Here 地图从诺基亚剥离，并最终被由奔驰、宝马、奥迪三大汽车厂商组建的收购集团以 25 亿欧元的价格收购。2016 年 12 月，四维图新，腾讯和 GIC 私人有限公司获取了其 10%的股权。Here 在全球有很多合作伙伴，博世、大陆、先锋等公司都使用他们的车载传感器实时获取地图。Here 面向自动驾驶的高精地图是其传统导航地图业务的延伸，地图精度至少为亚米级，信息更丰富。道路基础信息、特征标志物、动态信息层分属不同的图层，可以根据厂商需要进行个性化的叠加。2018 年 5 月，Here、四维图新、Increment P (IPC)/Pioneer、SK Telecom 宣布共同成立 OneMap 联盟，旨在制定全球地图标准。从 2020 年开始向行业提供统一标准的高精地图产品与服务，为全球 OEM 自动驾驶方案的落地提供支撑。
TomTom 是一家主营业务为地图、导航和 GPS 设备的荷兰公司，总部位于阿姆斯特丹。TomTom 是全球少数拥有数字地图资产的公司之一，TomTom 是 Facebook、苹果等公司地图业务最重要的数据提供商。TomTom 的核心业务是在导航地图方面有着多年的开发经验，但这类地图产品是嵌入到车辆的导航装置当中的，近年来的需求量正在迅速下滑。为了转型，TomTom 已经开始将重点放在对无人驾驶所需要的高精地图进行投资上。自 2015 年推出以来，全球前 5 名的汽车制造商中 4 家厂商的研发项目中已经集成了 TomTom 高精地图。2017 年 7 月，TomTom 宣布与百度达成合作协议，共同研发用于自动驾驶技术的高精地图。
Zenrin 创立于 1948 年，总部位于九州市，在地图软件，车载导航软件和相关 IT 服务方面占有很大的市场份额，是日本最领先的地图测绘公司之一。Zenrin 很早就开始加入日本政府的战略创新项目 SIP，参与调查和检查高精地图构建的试做和评估。除了与荷兰的 TomTom 公司合作，还与日本 KDDI 和富士通合作进行自动驾驶车的地图传送发布等研发工作。2017 年宣布与 NVIDIA 合作，为自动驾 驶汽车开发云到车的高精地图解决方案。2019 年 5 月，该公司公布已将其地图数据应用于日产的自动驾驶系统 ProPILOT 2.0，利用其提 供的 3D 高精地图数据实现了高速公路上的 Handsoff 驾驶。2013 年，日本启动了名为 SIP 的项目，自动驾驶是它的核心之一。为了将 SIP 成果(基础地图的数据格式，精度管理方式)产业化，设立了“Dynamic Map Planning Co.，Ltd.”(已下称 DMP)公司。DMP 成立代表日本 动态高精地图开始走向产业化。他们的目标是在 2020 年，实现日本 高精地图的覆盖。DMP 公司 2016 年 6 月成立，2016 年 12 月开始提 供高速公路样本数据(约 500km)；2018 年 1 月开始提供部分高速公 路数据(约 14，000km/半程)；2019 年 3 月开始提供高速公路数据(约 30000km/全程)。2020 年 3 月负责丰田自动驾驶软件前期开发的 Toyota Research Institute Advanced Development, Inc(TRI-AD) 与 DMP 达成协议，在 2020 年 4 月利用双方的技术开展验证试验。双方将运用 TRI-AD 的开放式软件平台 Automated Mapping Platform(AMP: 地图自动生成平台)，根据车辆传感器收集到的图像等数据检测道路上发生的变化，从而验证 DMP 高精地图更新效率提升的可能性。
Mobileye 是以色列一家生产协助驾驶员在驾驶过程中保障乘客安全和减少交通事故的视觉系统的公司，从 1999 年开始研发并收获了前所未有的技术知识。公司在单目视觉高级驾驶辅助系统(ADAS) 的开发方面走在世界前列，提供芯片搭载系统和计算机视觉算法运行客户端功能。2017 年 3 月 13 日，英特尔正式宣布收购 Mobileye。Mobileye 本身不涉及高精地图的制作，但Mobileye 的每一个摄像头都可以采集到前面的路况。例如，摄像头可以把路面中的车道线或者是限速块的距离定位出来，把每一个图像解析成数据，再把数据打包成数据包进行上传，并且在底图上进行实时叠加。通过 Mobileye 和 大众、日产以及通用的合作，会有越来越多的车搭载 Mobileye 的摄像头。通过图像+智能+网联的结合方案，可以做到 10cm 级的高精度。2017 年 Mobileye 与 Here 达成合作共同研发应用于自动驾驶汽车的高精地图。2018 年 Mobileye 与上汽达成合作，双方将研发 L3，L4 和 L5 级别的自动驾驶汽车以及 REM(Road Experience Management)。 同年，Mobileye 也和四维图新达成合作，合作重点是 REM。
1.7.2. 国内高精地图代表企业
百度依托于百度 Apollo 自动驾驶整体战略，在高精地图这一领域布局较早，目前百度高精地图以 L3 级别自动驾驶的要求为标准，所以采集的道路场景以 30 万公里的全国高速公路为主，基于其 AI 技术优势，地图生产的自动化程度比较高。百度高精地图是三步走的渐进式路径，第一步是针对人类驾驶和辅助驾驶导航和 ADAS 的应用，第二步主要是针对结构化高速公路的 HWP 应用，第三步是向更高级别自动驾驶的产品级别应用，包括 RoboTaxi 和 AVP 等。2020 年 3 月，广汽新能源旗下新上市的 Aion LX 搭载了百度的高精地图， 另外作为高精地图科技专项承担单位，百度还将为 2022 年冬奥会助力。
高德早在 2014 年就获得了高精地图商业订单，在 2015 年，就已经建立高精地图产线。目前已经完成超过 30 万公里高速和城市快速 路的覆盖，并开始大量覆盖城市普通道路。高德利用自研的采集系统， 带有两个单线激光和多个摄像头，生产的产品绝对精度可以达到 50cm，相对精度可以达到 10cm。2019 年上海车展期间，高德宣布以成本价为合作伙伴提供标准化高精地图，以加速自动驾驶的发展。高德在 2018 年，已经在凯迪拉克 Super Cruise 上，实现高精地图量产。 在这个项目的量产中，高德和国家相关部门一起，研究偏转插件、地图表达等政策，促进高精地图商业化落地。截止 2020 年，高德已经获得奥迪、小鹏汽车、一汽红旗、华人运通等多个高精地图商业订单。
四维图新于 2017 年高精地图就已达到 L3 级别且覆盖 20 多个城市，目前，四维图新已经与 HERE 联手区域合作伙伴——日本领先的高精地图供应商 IPC，韩国最大的通讯运营商 SK Telecom，共同成立 OneMap 联盟，从 2020 年起为全球客户提供标准化的高精地图产品与服务。四维图新已于 2019 年初与宝马签署自动驾驶地图及相关服 务许可协议，将为宝马集团所属品牌在中国 2021 年至 2024 年量产上市的新平台提供面向 L3 及以上自动驾驶系统的自动驾驶地图产 品及服务。2019 年 11 月，四维图新宣布将为华为提供高精地图测试验证服务，同时，双方将共同完成华为自动驾驶验证项目，推动华为自动驾驶项目落地。
易图通在自动驾驶领域，同时研发重传感路线和轻传感路线的高精地图生产技术，采集设备采用多线与单线测绘激光雷达互补技术， 自主研发高精地图生产线，利用 AI 技术不断提高高精地图生产的自动化程度，可生产不同等级自动驾驶所需的定制化高精地图数据。2016 年，易图通支撑了国内首个自主泊车 POC 项目完成技术储备。 2019 年易图通获得全国首个自主泊车量产项目定点。2020 年某国际 OEM 选择易图通作为其中国市场自动驾驶商业化项目的唯一定点高精地图服务供应商，同时，与德国大陆集团(FWB:CON)、地平线等知名企业达成战略合作。
华为于 2019 年 8 月正式获得导航电子地图甲级测绘资质，且在 2019 至 2020 期间频繁与各图商接触，计划发展高精地图。如 2019 年 8 月华为开发者大会首次发布 AR 高精地图；2019 年 11 月四维图新为华为提供规定区域内高精地图测试验证服务，双方将共同完成华为自动驾驶验证项目，推进华为自动驾驶项目落地。2020 年 4 月华为与 HERE 达成合作。
初速度(Momenta)成立于 2016 年，致力于“打造自动驾驶大脑”，其核心技术是基于深度学习的环境感知、高精地图、驾驶决策算法，致力于建设以机器视觉为主的自动驾驶导航地图的完整技术方案，大幅提升高精地图的制图效率，降低制图成本，实现自动驾驶的 高精定位和导航。高精地图主要通过提取众包车辆拍摄的 2D 图像语义点(车道标线、标牌等地标点)，鉴于多张图像存在视差，Momenta 利用点的对应关系，融合来自 GPS 和 IMU 的数据，可创建更高精度的地图，即可重建道路、交通标志及周围环境的 3D 位置。其成本可 降到使用激光雷达方案的 1/10 甚至 1/100。
中海庭已完成全国高速公路包括北京、上海、广州、深圳、成都等重点城市的高速、快速路高精度地图数据全覆盖，计划在 2021 年逐步推广至国内更多城市；目前已与多家汽车厂商签署或深度交流高精地图商业化定制项目。
晶众地图于 2019 年获取第 18 张导航电子地图甲级测绘资质，致力于高精地图的研发、采集和生产。晶众在智能网联和 AVP 领域持续发力，目前已经积累了 23 万公里高速公路和部分城市快速路以及 6000+大型停车场的高精地图数据。不仅成为了国内多家头部车企的
供应商，与国内多家头部 Tier1 达成战略合作，而且为多个国家级智能网联测试区和车联网先导区的云、边、端提供了高精地图服务。晶众还用高精地图赋能国内多个省市的智慧交管、智慧公路、智慧高速 应用。
宽凳科技于 2019 年 1 月 10 日获得甲级导航电子地图，成为历史上最年轻的获得企业；公司利用高精地图的技术优势，为大交通产业的智慧化升级提供动力；公司的前装高精地图解决方案，赋能智能网联车，为行业上下游企业提供关键的技术和数据支持；公司还将通过搭建地图数据云平台，实现车和路的高效协同，并形成交通数据的大闭环。公司将在未来以自主研发的高精地图平台为切入点，为智慧交通和智能网联车的产业升级赋能。
河北全道科技成立于 2018 年 7 月，专注于通过 AI 技术实现高精地图生产与更新的高度自动化，核心技术包括深度学习、双目立体视觉、视觉与点云 SLAM、自动化制图等，目前已经建立起了完整的建图与更新的生产线，包括针对 L2~L3 级别辅助驾驶的双目视觉方案，针对 L4 级别无人驾驶的视觉点云融合方案，以及基于视觉与边缘计算的实时更新方案。
2. 量产案例展示和解析
本章搜集了四维图新、百度、博士、美行科技、中海庭五家公司的量产案例。所涉及的案例有，L3 级别的自动驾驶的高精地图、L3 级别的自动驾驶的高精地图、L2+高速公路辅助脱手系统、基于准高精地图的车道级定位、L4 级别智能重卡量产项目。这些案例基本涵 盖了行业内的典型量产案例。
2.1. L3 级别的自动驾驶的高精地图支持(四维)
2.1.1. 项目介绍
某国际知名车厂希望在中国实现 L3 级别的自动驾驶，该级别的自动驾驶需要高精地图的支持，目前四维图新与客户签订了高精地图服务相关的商业合同，为客户提供高精度的数据和相关的服务。
2.1.2. OEM的需求
OEM 的主要需求可以分为高精地图(HD Map)相关的和地图服务(Map Service)相关的部分。高精地图相关的部分主要包括：地图要素(Feature Specification)、精度(Accuracy)、数据格式(Data Format)。 高精地图服务相关的部分主要包括标准导航地图的关联(Cross Referencing)、数据下发(Data Download)和终端数据更新(Data Update)。除此之外，客户还提出了品质控制(Quality Control)和合规 (Laws and Regulation)方面的需求。
(1) 高精地图的要素需求 (Feature Specification):
从自动驾驶的功能角度出发，目前四维图新提供的高精地图有 100 种要素，包括车道中心线、车道属性信息、道路连接信息、坡度、 航向、曲率、交通标牌等。其中有约 20 种要素对自动驾驶车辆功能安全有重大影响，包括坡度、曲率、航向、车道类型、道路边界类型等。
(2) 高精地图要素的精度需求(Accuracy):
绝对精度(Absolute Accuracy)和相对精度(Relative Accuracy)。除此之外衡量要素的指标包括错误率(False Error Rate)，而错误率又包括漏做率(False Negative Error Rate)和多做率(False Positive Error Rate)。OEM 对绝大多数要素的绝对精度要求满足 1m 以内，相对精度要求在 20cm 以内，错误率基本在 0.0001% (1ppm)~0.5%之间。
(3) 高精地图的数据格式需求(Data Format):
目前 OEM 主流要求的格式主要是 NDS(Navigation Data Standard) 格式。而 OpenDRIVE 则是驾驶模拟应用中道路网络描述的常用格式。
(4) 高精地图的地图服务需求(Map Service):
高精地图(HD Map)与标准导航地图(SD Map)的交叉引用 (Cross Referencing)，通过导航电子地图与 HD MAP 的关联，实现导航和自动驾驶系统的自动切换。
高精地图更新(Map Update)和地图服务(Map Service)，需要实现基于高精地图的快速更新和发布。通过云服务，实现后台对车辆终端的无缝对接，实现高精地图的快速更新。
(5) 高精地图全球首家通过了 ASPICE Level3 的认证:
除了对地图内容和服务的需求外，客户从功能安全(Functional Safety)角度出发，对供应商设计过程、开发过程和生产过程有一定的品质控制(Quality Control)要求，作为供应商要满足国内和国际的相关体系审核等级的要求，如 ASPICE Level3，IOS 9001 等。
2.1.3. 解决方案
OEM 该量产的自动驾驶轿车搭载了四种传感器，分别是超声波传感器、毫米波雷达、摄像头和激光雷达。超声波传感器，用于短距离感知；毫米波雷达包括前置雷达、前短距雷达和侧后雷达，完成毫米波雷达的全车 360°感知覆盖；摄像头包括环视摄像头和感知摄像头。该款轿车有两种驾驶模式，一种为传统驾驶模式，另一种为自动驾驶模式。在自动驾驶模式下，驾驶员可以视线离开道路，专注于其他活动。四维图新主要为自动驾驶模式提供必要的高精地图数据和相应的服务。
四维图新提供的高精地图数据主要包括道路模型、车道模型、对象模型这三部分。道路模型和车道模型描述了包括车道边界、道路边界以及车道中心线在内的几何和属性，为是否开启自动驾驶功能等提供重要判断依据。对象模型提供的要素主要为融合定位提供重要的信息，也就是说将融合传感器得到的定位与地图做匹配，从而得到精确的车辆位姿。
NDS 格式作为高精地图的常用格式，也是国际 OEM 的普遍选择。NDS 格式的 Routing 和 Lane Building Block 支持车道级的导航功能，Landmark Building Block 支持高精地图的车辆定位功能。NDS 是一个基于瓦片(Tile-based)的组织结构，所以 NDS 支持瓦片级的更新。目前，四维图新向该 OEM 最终交付 2.5.4 版本的 NDS 规格的中国全境 高速和部分城市道路的高精地图数据，平均一个瓦片大约在 60-80kb。
四维图新提供了一个互索引(Cross Referencing)的图层称为稳定拓扑层(Stable Topology)以满足 OEM 将高精地图(HD Map)和标准导航地图(SD Map)做匹配的需求。
四维图新为满足客户对地图要素置信度(Map Confidence)的要求，设计了一套基于时间和要素变化的置信度高低的决策逻辑。四维图新设计的要素置信度高低的决策逻辑可以在变化的环境下，为客户最大限度保障功能安全。
高精地图的维护更新(Data Update)是目前高精地图中的重要课题，也是各大 OEM 对图商能力考察的重点。四维图新采用多级采集源: Type A、Type B 和 Type C 来满足不同要素的更新要求。Type A 类采集源是和采集初始高精地图一样的移动测量系统，而 Type B 类采集源是简化版的 Type A，使用的惯导精度稍低。Type C 是众包的方式，四维从第三方传感器上收集的传感器数据实时做变化检测并自动成图。四维针对 OEM 的需求不仅从采集端设定了策略，更是从区域和要素对 OEM 功能安全影响的角度设定了采集频率的组合决策。这些科学决策和地图更新维护的方案，得到了客户认同，可以满足目前客户的需求。随着第三方数据源的扩充，四维所提供的高精地图的鲜度将得到进一步的保证。
四维图新不仅要为客户提供高精地图(HD Map)，还需要为客户提供基于云服务的高精地图服务(HD Map Service，HDMS)。四维图新的高精地图服务(HDMS)是基于线上云服务的瓦片级的地图服务，包括上传、发布、查询、下载、通知、认证等模块。HDMS 不仅可以提供静态的高精地图数据，也可以提供动态信息等数据和其它由 OEM 提供或其它第三方提供的数据。HDMS 定期更新保持数据鲜度 和满足客户对要素置信度的要求，以满足 OEM 自动驾驶的功能安全。
四维图新作为 OEM 长期的供应商一直把品质控制(Quality Control)放在第一位，不仅已获得 ISO 9001 质量认证也采用 FMEA (Failure Mode and Effect Analysis)控制设计到生产的全过程。与此同时，四维也持有 ASPICE CL2 的认证和 IATF 16949 的认证，ISO 26262 功能安全认证也在审理中。四维图新基于以上认证并结合 OEM 对供应商的质量要求，有一套成熟完整且符合国际 OEM 量产要求的质量控制体系(下图为四维图新质量控制体系)。为了进一步保证产品质量，四维图新定期抽检每一版数据的质量并出具符合客户要求的 质检报告。
国际 OEM 在采购中国区域的高精地图时，都会面临合规方面的问题。四维图新不仅持有甲级导航电子地图制作资质和其它相关的从业资质，还为此组建了一只专业的合规团队，包括专业的法律顾问和 政务顾问。由于目前高精地图的合规尚在完善中，四维图新专业的合规团队会和 OEM 一起完成审图号和自动驾驶偏转插件申请的工作。
2.1.4. 高精地图应用的特点
高精地图是自动驾驶系统功能安全必不可少的环节，由四维提供的高精地图主要为 OEM 该款自动驾驶车型提供辅助定位及与自动驾驶安全密切相关的先验知识，以弥补传感器在感知距离和感知精度的局限性。四维图新为 OEM 提供的高精地图包含曲率、坡度、车道类型等要素及属性，可以帮助车辆融合定位并判断是否要开启自动驾驶功能。在开启自动驾驶功能时，提供的前方道路的重要先验信息可以帮助车辆提前决策是否需要变道，提高自动驾驶的安全性和舒适性，弥补单纯依靠传感器感知决策的不足。
以自动变换车道功能来看，如果单纯依靠传感器信息，在车道数变少的地方，只有近距离感知才能知道车道数变少，做出相应的决策，有很大的安全隐患。而根据高精地图的支持，在车道数变少前车辆就可以提前减速，根据车道级路径规划自动变道，避免了急速变道所带来的安全隐患(下图为 HD Map 与自动变道功能)。
以自动车道保持功能来看，如果单纯依靠传感器信息，在前方车道线突然消失的时候，自动车道保持功能将受到挑战。此时，OEM 可以根据四维图新提供的高精地图数据，可以将缺失的车道线“补上”， 继续工作。
高精地图的加持对自动驾驶功能有重要的功能安全意义，高精地 图也可以说是自动驾驶功能开发必不可少的“传感器”。
2.2. 广汽新能源 Aion LX 高速公路驾驶辅助系统(百度)
2.2.1. 项目介绍
2019 年 10 月 17 日，广汽新能源 Aion LX(埃安 LX)上市销售，这是广汽新能源首款纯电动 SUV 车型，这款车拥有高达 650Km 的 NEDC 续航能力，并在其顶配车型中实现了高速公路驾驶辅助功能 (HWAHF，High Way Assist Hands Free)，该车搭载了百度 Apollo 高精地图，使得 Aion LX 更安全、更可靠、更智能。
2.2.2. OEM的需求
Aion LX 高速公路驾驶辅助系统对高精地图的需求和用途，主要包括如下几个方面:
(1) 实现高可用的高精度定位能力：基于成本的考虑，车辆使 用的 GNSS 定位设备精度往往不高，水平误差通常在 1 米以上，特别是在“城市峡谷”及隧道场景下，定位性能折损严重甚至会出现定位 错误，稳定性远远不能满足高级别自动驾驶系统的需求。因此智能驾 驶车辆需要更优的方案提高定位精度和可靠性，高精地图通过提供高 精度定位需要的特征图层，与视觉、毫米波雷达、IMU 等多传感器进行融合，能够帮助车辆实现车道级和车道内定位，是一个成本低、 可用性高、鲁棒性好的方案。
(2) 中近距离下提升车辆的感知效率，优化规划控制，增强安 全性:高精地图提供的先验信息，能够帮助感知系统缩小计算区域、 提升计算效率、优化识别精度，从而在同等条件下有效增强感知能力；同时，高精地图还能优化规划控制系统，规划控制的主要功能是根据车辆感知的信息以及车辆的状态，计算出一条合适的路径供车辆行驶，“合适的路径”不仅仅包含了行驶路线，还包含车辆的速度、加速度、 转向等信息，通过高精地图提供的曲率、坡度、出入口、匝道等信息，规划控制系统可以有效的进行决策优化，如上下坡提前加减速，避免 猛加速、急刹车和急转弯等引起的不良乘坐体验问题，很显然用户体 验对于自动驾驶系统是极其重要的，糟糕的用户乘坐体验对自动驾驶 产品是毁灭性的;高精地图还可用于增强自动驾驶系统的安全性，例如在车辆传感器意外致盲时协助车辆安全停车，保障自动驾驶车辆在 极端环境下的安全。
(3) 长距离下优化导航路径规划：高精地图不仅提供了静态数据，还通过接入来自于其他数据源如 V2X 的数据，提供红绿灯状态、车道级拥堵、交通管制等动态数据，从而帮助自动驾驶系统对导航路 径规划进行优化。
为此，广汽新能源提出了高精地图的要素需求和精度需求，要素应覆盖车道级要素和定位要素，如车道线、限速牌等，且 2σ相对精度应优于 20 厘米。同时为提高系统的易用性和扩展性，广汽新能源 提出高精地图能够支持 ADASIS 规范，提供电子视野线系统(EHP)。电子视野线系统，是指依据汽车当前位置，提供出前方的地图数据，如下图所示。
2.2.3. 解决方案
综合分析客户的需求和车辆传感器、软硬件基础条件，百度提供了高精地图整体解决方案。首先百度提供了丰富的高精地图要素，涵盖 100 多个类别:
| 模块 |
要素 |
说明 |
| Road Model 道路模型 |
Tunnel |
隧道 |
| Toll Booth |
收费站 |
|
| Road End |
断头路 |
|
| Slope |
斜坡 |
|
| ... |
... |
|
| Lane Model 车道模型 |
Barrier |
护栏 |
| Curb |
路沿 |
|
| Junction |
道路连接 |
|
| ... |
... |
高精度是高精地图的核心特征，百度针对各类要素提供了具体的精度指标，如下表所示:
| 要素 |
相对精度 |
| 道路几何(Road Geometry) |
1m with 3σ |
| 隧道(Tunnel) |
3m with 2σ |
| 收费站(Toll Booth) |
3m with 2σ |
| 道路终点(Road End Flag) |
3m with 2σ |
| 曲率(Curvature) |
3% |
| 坡度(Slope) |
2% |
| 车道几何(Lane Geometry) |
0.2m with 2σ |
| 车道宽度(Lane Width) |
0.25m with 2σ |
根据用户需求，百度设计了电子视野线系统 EHP，该系统能够根据高精地图和车辆的位置，实时构建车辆前方电子视野线，并将道路几何、车道几何、曲率、坡度、道路等级等信息等，以信号的形式提供给车辆决策规划单元，为决策规划选择合适的驾驶模式和驾驶速度提供数据支持。下图展示了 EHP 的部署架构，EHP 服务通过车载以太网/CAN 总线与各类应用进行通信。
百度通过自研高精地图采集车辆 ，以自动化的算法、严格的作业流程、高效的质检、严格的作业管理，来保证数据的精度和可靠性。同时百度利用自有 Apollo 仿真平台，不间断的对高精地图的数据和接口进行测试。
曲率数据对高速公路辅助驾驶系统意义重大，利用曲率信息，车辆可以预先判断前方道路的弯曲程度，并进行预先的速度控制或更高 级的自适应巡航等，高速公路辅助驾驶系统需要利用曲率数据实现更智能的驾驶辅助。按照行业通用经验，设计了曲率分级方案，即曲率值保留到小数点后 5 位，小数点 5 位之后数字不显示。
另外，坡度数据对高速公路辅助驾驶系统也很重要，利用坡度信息可以预先判断前方道路的起伏程度，并进行预先的速度控制等，高速公路辅助驾驶系统需要利用坡度数据实现更智能的驾驶辅助。百度设计了坡度分级方案，即坡度按照 0.1°进行分级，相对于行驶方向的上坡与下坡，定义上坡为正值，下坡为负值。
2.2.4. 高精地图应用的特点
百度在智能驾驶高精地图领域深耕数年，并和生态合作伙伴密切合作，积累了丰富宝贵的地图使用经验和审图经验，有着智能驾驶系 统对高精地图需求的深刻理解和把握，并提供业界领先的解决方案， 有着高精地图在多家车厂规模化量产应用的案例。
百度高精地图的特点和优势有:
百度是最早开展高精地图采集的厂家之一；百度是最早投入高精地图规模化生产的企业之一；从 2015 年开始，百度陆续加大投入，是最早完成全国 30 万高速公路采集和高精地图制作的图商；2017 年 3 月，辖下企业长地万方公司率先通过了 IATF16949 国际汽车工业质量体系认证，以及 ISO9001、ISO26262、ASPICE 等软件开发及测试流程系列规范体系认证。
百度自研了高精地图采集车和数据采集系统，有着核心专利和技术优势。高精地图数据采集系统是高精度原始地图数据的来源，地图数据采集系统的精度、可靠性是最终高精地图数据精度、质量及地图生产效率的根本保证。百度对采集系统集成设计、设备标定与同步、设备实时监控及诊断方法、采集路径自动规划进行了研发，实现高精 地图采集系统的高精度、高效率、高可靠性运行。
百度利用人工智能等技术实现高效的自动化处理。百度充分利用自身的人才优势和技术优势，不断扩大自身的产品领先地位。这些自动化处理技术包括：基于激光雷达点云数据的地图要素识别方法、基于视觉的地图要素识别方法、以及基于视觉与点云融合的道路结构认知方法等等。2019 年，权威《人工智能中国专利技术分析报告》中，百度以 5712 件位列第一，百度连续两年蝉联第一。
百度研发了集成的、从外业数据到产品数据发布的一体化的高精地图作业平台，并辅以科学合理的任务管理，实现数据生产的高度流 程化和自动化。百度还建立了实时监控及诊断系统，进行数据的精度控制。这是由于在采集系统实际作业时，各子系统难免会出现数据出错、精度异常、装配松动等情况，设计对采集数据的监控和异常数据的诊断，并对异常进行修缮、排除，提高传感器融合的精度，进一步提高地图生产效率和精度可靠性。
2.3. L2+高速公路辅助脱手系统(博世)
2.3.1. 项目介绍
高速公路辅助脱手系统属于半自动驾驶功能，该系统允许驾驶员在系统预设的系统设计范围内(ODD)在驾驶中双手脱离方向盘。因此脱手系统相对于不带脱手功能的高速公路辅助系统增加了额外的措施和模块，用来确保系统在安全范围内且驾驶员可控。驾驶员对开启和使用该功能过程中确保安全和无事故负有全部责任。在系统即将超出设定的工作区域的边界或者遭遇无法处理的驾驶工况时，系统会请求驾驶员的接管。为了确保驾驶员时刻处于准备接管的状态，系统会有相应措施避免驾驶员误用。本系统借助车身传感器，例如摄像头，毫米波雷达，高精地图等传感器可以轻松实现让驾驶员长时间脱手的功能。其中高精地图可以 提供车道级的地理围栏功能，同时能够帮助车辆做纵向的弯道提前减速等功能。
作为系统商，主要是提供如何利用高精地图去实现地理围栏，弯道减速以及紧急停车辅助等功能，从而带来更好的客户体验。
2.3.2. OEM的需求
从 ADAS 功能来说，对于高精地图要素，不仅包含道路级别的属性，也有车道级别的属性。道路级别的属性主要包括道路等级，类型，隧道，收费站，曲率，坡度等，车道类别的属性包含车道线，车道类别，车道宽度，车道数量，车道几何形状等，同时对于可以应用 到车辆定位的道路标识牌也有需求。
精度需求因要素而异，也是根据 ADAS 上层系统需求分解得出的，例如说地理围栏的基本需求，是要知道车辆在那种类型的道路上，所以高精地图的精度至少要能够满足道路级的定位，同时对于道路的等级，类型要素要求也高，因为这两个要素是判断车辆所在道路很重 要的标志。
数据的存储需要高压缩的，方便灵活更新的格式。 高精地图的更新，自动驾驶 ODD 中的静态环境部分，主要是依赖于高精地图作为输入，如果地图更新不及时会到来用户体验的下降 甚至于错误的判断，所以地图更新一直以来都是高精地图重要的部分，更新的频率越高越好，但是考虑到当前的技术水平和成本，季度更新 策略最佳，当然月度更新甚至周更新更受欢迎，但是成本也会更高。 在更新的时候，可以采用小版本部分更新或者是增量更新的方式，而大版本采用全部更新的策略。
高精地图的质量控制，需要人工和机器两者相结合的方式。机器检测的方式可以主要放在一些逻辑上的检测上面，例如道路边缘的路牙几何应该在车道边缘线的外侧。而人工检测则可以集中在机器检测很难发现的地方，比如原始点云和真正对象几何的差异等。当然对于 一些非常重要的属性，也要增加人工检测率，例如曲率等等。
高精地图虽然具有商品的属性，但是也要受法律约束的，所以首 先就是要符合国家法规的要求。其次对于高精地图的保护，在整个的高精地图应用的链路上，每一个环节都要有保护机制以确保高精地图的数据不被意外拷贝，读取等。
2.3.3. 解决方案
高精地图和高精度定位被放在专门开发的电子控制器上，也称为地图盒子(MAP BOX)，地图控制器，地图电控单元(MAP ECU) 等，此方案的特点是运算效率高，集成简单，相对独立等特点。
如何用好高精地图及高精度定位是关键，只有高精度定位把自车精准的定位到高精地图后，才能取到最正确的高精地图信息帮助到车辆做判断，所以结合当前 GNSS 定位的现状来看，为了达到更高的精度是需要摄像头作为辅助定位的。跟摄像头融合后不仅能够达到车道 级定位(Lane level localization)，而且还能很好的纠正车道内的定位(in-lane localization)。
地图电子控制器根据 GNSS 和摄像头的信息做好地图匹配后，会把需要的地图信号抽取出来，并打包成为 ADASIS 定义的格式，然后 发送到 CAN bus 或者车载以太网上面，ADAS 域控制器上的地图重构模块会对地图信号进行重构，然后地图应用模块根据不同的功能去 取地图构造模块的道路车道信息从而实现相应的功能。
2.3.4. 高精地图应用的特点
在此案例当中，高精地图作为传感器使用，不仅能够提供车辆当前所在位置的道路信息，同时也能提供车辆前方长距离预测的道路信息，这些信息可以让车辆能够在可控的区域内行驶保证安全，这些都 是当前传统的传感器很难实现的。
当然如果要跟传统的传感器做融合，则不仅对于高精地图的精度提出了更高的要求，同时对于高精度定位也同样提出了很高的要求，两者结合在一起才能更好的发挥高精地图的最用，一般而言，对于高精地图车道线几何的表达 20cm 的精度，对于其他属性则是正确率要达到 99.5%以上，而高精度定位的要求则至少要符合 50cm 的定位精度才能符合基本的融合需求。
2.4. 基于准高精地图的车道级定位(美行科技)
2.4.1. 项目介绍
本项目是美行面向某合资车厂新平台的智能网联导航项目，面向该车厂2019 年以后的量产车型。
该项目开发和量产的智能网联导航产品，具备智能化，网联化的特征。
主要表现在如下几个方面:
(1) 全球首个面向量产的车道级定位及导航技术、用于辅助驾驶智能化的电子地平线技术、融合了视觉识别与地图数据的交通标识提醒功能、基于惯性导航与室内地图匹配的地下停车场定位与导航技术、基于 NDS 的智能地图增量更新技术、基于用户数据分析的预测导航等。
(2) 同时，从数据和功能上，在离线/在线/混合三种模式的网联
导航技术框架下、从数据和功能上融合了互联网和移动互联网的资源，为客户提供更个性实用的服务。
由于同时具备了智能和网联化两个特征，该智能网联导航产品既满足了用户对互联网导航产品体验的需求，也发挥了车载导航的特有价值从而让汽车变得更智能。
该产品从 2019 年底开始量产至今，已装车数十万辆。用户评价该导航系统“使用简单上手无难度”、具备“丰富的驾驶辅助系统”。
未来几年，预计还会有数百万的车辆预装本产品，希望本产品能持续为用户带来优秀和新鲜的体验。
2.4.2. OEM的需求
该 OEM 厂商提出导航定位模块需要正确的识别出车辆当前行驶的车道，并且能够将匹配的车道位置信息提供给导航内其它模块或车辆上其它功能模块(例如 EHP，ADAS 等)。整体的功能需求包含如下几个方面:
(1)当车辆行驶在道路上的时候，导航定位模块需要将自车位置匹配到车辆所行驶的车道上;
(2)当车辆行驶在道路上从一条车道变换到另一条车道，导航定位模块需要识别出车辆变换车道，将自车位置匹配到车辆变换车道后的车道上;
(3)当车辆上的多功能摄像头信号突然短时间失效，导航定位模块需要根据历史的车道匹配结果和车辆上的其它传感器信号(例如方向盘信号、GNSS 信号、车速信号、车辆横摆角速度信号等)实现车道位置推导。
2.4.3. 解决方案
如上结构图中，包含车辆硬件信息、导航定位模块、高精地图数据、其它应用模块四大部分。
在该 OEM 项目中，导航定位模块使用到的车辆硬件信息的具体内容如下:
(1) GNSS 信息，对应结构图中的 GNSS 部分，包含 UTC 日期
时间、GNSS 经度、GNSS 纬度、GNSS 速度、GNSS 方向、GNSS 定位状态、GNSS 定位精度因子。GNSS 信息主要用于完成车辆初始位 置定位、车辆位置修正、DR 参数校正。
(2) 车身传感器信息，对应结构图中的 CarSensor 部分，包含车 速脉冲、车辆横摆角速度、倒车信号、气压计信号。其中车速脉冲用 于计算车辆在一定时间周期内移动的距离、车辆横摆角速度用于计算 车辆在一定时间周期内水平转过的角度，倒车信号用于识别车辆是进前还是倒退、气压计信号用于识别车辆是上坡还是下坡。
(3) 多功能摄像头信号，对应结构图中的多功能摄像头部分，包含摄像头识别的车辆所在车道左 1、右 1、左 2、右 2 共 4 条车道 边线的边线类型(实线、虚线、长虚线、短虚线等)、边线颜色(白色、 黄色、灰色等)、边线的曲率、边线的曲率变化率、车辆距离车道边线的横向距离、车辆和车道边线的角夹、摄像头探测到的车辆行驶方向前方的距离。这些信息用于识别车辆是否变道、车辆行驶在哪一条车道上。
导航定位模块部分主要包含如下内容:
(1) 惯性推导模块，对应结构图中的 DR Process，该模块用于在 GNSS 信号失效的情况下，使用车速脉冲、车辆横摆角速度、倒车信号实现持续稳定的车辆位置推导。
(2) 地图匹配模块，对应结构图中 Map Matching 部分，该模块主要用于根据 GNSS 信号、惯性推导的结果，将车辆位置定位到地图数据中的某一条道路上。
(3) 车道定位模块，对应结构图中 Lane Positioning 部分，该模块主要用于根据 GNSS 信号、惯性推导结果、多功能摄像头信号、地图数据中的车道信息，将车辆位置定位到某一个车道上。
高精地图数据部分主要包含如下内容:
高精地图数据存储介质采用 NDS 数据格式存储路网及车道信息。 导航定位模块需要的高精地图数据中存储的车道组信息如下：link 的车道数，车道宽度，车道连接关系，车道类型，车道通行方向，车道中心线形状，车道边界线的形状、颜色和类型，车道的脱出道路等，另外，如果是非封闭和立交的情况下，还需要路口的边界范围。
其它应用模块部分主要是指导航定位模块可以提供给不同的应用模块车道级的定位结果。比如结构图中的算路模块(route_calculate)、引导模块(guidance)、地图描画模块(map)等。
导航定位模块能够输出给其它应用模块的具体内容主要包括:
(1) 定位信息：包含是否匹配，定位模式(是道路级定位还是车道级定位)，匹配位置，方向，以及行车速度等；
(2) 道路信息:定位所在道路的属性(比如:道路等级，Link 种别等)和连接关系；
(3) 车道信息:比如车道编号，类型(比如公交车道，应急车道等)以及车道边线的类型，颜色等。
在该 OEM 项目中，导航定位模块实现的车道级定位主要功能如下：
(1) 如果车辆行驶在地图数据中没有存储车道信息的道路上，则进行道路级的匹配；反之，则会识出车辆实际行驶在哪一条车道上， 并对其它模块提供车道级的匹配结果。
(2) 如果车辆行驶在地图数据中存储了车道信息的道路上，当车辆从一条车道变更到另一条车道的时候，则会识别出车辆变道，将车辆位置从一个车道平滑的变换到车辆变道后所在车道，并对其它模块提供车道级的匹配结果。
(3) 如果车辆行驶在地图数据中存储了车道信息的道路上，而此时多功能摄像头的信号无效，则会根据车道匹配历史及其它传感器信息提供推导的车道匹配结果。
(4) 如果车辆行驶经过城市内复杂的交叉路口(例如十字路口)，则会根据进入交叉路口前的位置结合车速信息、车辆横摆角速度信息进行位置推导，提供惯性推导的结果。
在该 OEM 项目中，导航定位模块实现的车道级定位精度：左右距离误差<0.5 米，前后距离误差<5 米，车道及变道识别准确度>97%。
2.4.4. 高精地图应用的特点
(1) 高精地图与普通地图融合。
当前，普通地图已经形成大量应用，高精地图尚处于应用初期，且高精地图的覆盖性还在扩展中，高精地图在生产和应用过程多数情况下还是与普通地图分开的状态，未来一定走向融合。车道级定位基于美行过去十多年在汽车导航领域的积累，以及对国际领先技术的长 期研发和应用实践，率先实现了准高精地图与普通地图之间的数据融合、应用融合、场景融合，为用户带来全新的产品体验。
(2) 高精度导航与自动驾驶汽车融合。 近年来，汽车智能化发展趋势明确，自动驾驶汽车发展过程中将对基于高精地图的高精度定位、高精导航、高精位置服务等方面形成大量需求。目前，需要把大量潜在需求转变成现实应用，这个阶段更 需要高精度数据的融合应用创新，来推进产业的深度发展。基于高精地图的导航和位置服务产品，可以通过 EHP 等方式为各 Level 的自动驾驶汽车提供可靠的高精度空间数据支撑，也可以通过高精度导航软 件直观的呈现自动驾驶丰富的应用场景。提升自动驾驶的可靠性、用 户的信心。
(3) 技术上支持轻量级的准高精度数据，可广泛量产应用。
车道级定位能够使用轻量级的准高精地图(主要使用车线数据)， 降低了对高精地图的图层、属性和精度要求，扩大了高精地图的使用范围，摊薄了高精地图的使用成本，加快了高精地图的落地速度，为高精地图的生产和应用积累了经验。
2.5. L4 级别智能重卡量产项目(中海庭)
2.5.1. 项目介绍
为了提高传统港口的集装箱转运的效率，上汽集团通过自主研发的 5G 无人驾驶技术实现各个码头之间的无人运送。目前首批车辆已经开始试运营，车辆从深水港出发经东海大桥到达洋山港，实现了涵盖高速/城市/收费站/港口/园区等全场景下的自动驾驶。
2.5.2. OEM需求
OEM 的需求主要是全场景的高精度地图，以及针对卡车智驾定制开发的引擎系统。具体需求包含:
(1) 数据内容方面：除了常规的高速/城市场景的要素之外，还有面向港口业务的 10 余类定制化的专题要素，如堆场，码垛，贝位，轮胎吊轨道等。
(2) 数据精度方面：由于是 L4 级全场景自动驾驶，包含收费站过闸机的场景，对数据精度要求的要求是加密前绝对精度±10cm，基于高精度地图的定位精度也要达到±10cm。
(3) 数据鲜度：港区/园区等局部区域的场景特点是变化快，整体运营对数据更新频率的要求需要达到小时级。
(4) 数据合规：完成自然资源部的加密审图。
(5) 其他要求：高精度地图的轨迹符合车辆动力学要求，尤其是转弯/变道等需要引导轨迹的场景下，拟合引导轨迹要适配不同载重状态下的卡车。
2.5.3. 解决方案
从洋山深水港物流园经东海大桥到洋山码头，来回 72 公里的环线上涵盖了普通道路、高速公路、码头、堆场、隧道、高架、收费站 等复杂场景。中海庭基于 AI 识别、绘制配合人工后期质检，快速完成包括地面箭头采集、车道标线采集、道路杆件采集，以及路口模式 化标注和路口拓扑关系编辑。从采集到地图发布只用了不到 2 周的时间。
为了保证高精度地图中路口引导轨迹符合不同载重卡车的动力学参数，在洋山港项目上中海庭创新开发了动态引导线功能。首先在仿真环境下结合车辆动力学参数计算出最优轨迹，同步在驾驶测试中学习车端驾驶员的驾驶习惯，通过云端轨迹的融合挖掘更新优化引导线形状，极大程度的提升了车辆在变道/转弯等场景下的驾驶体验。
2.5.4. 高精度地图应用特点
中海庭专注于提供高绝对精度的地图数据，基于高度自动化的生产系统可以实现低成本大规模数据生产。
同步，中海庭能够提供基于高精度地图的定位/导航/路径规划等全系列应用服务，侧重于探索高精度地图应用的关键技术。深入参与主机厂高级别自动化驾驶系统开发中，致力于打造最懂自动驾驶的高 精度地图。
2.6. 小鹏 P7 高速公路驾驶辅助系统(高德)
2.6.1. 项目介绍
小鹏 P7 的 XPILOT3.0 自动驾驶辅助系统搭载高德高精地图，将高德在高精定位、实时交通信息和智慧导航上的技术优势，与小鹏P7 强大的硬件能力深度融合，共同打造自动驾驶辅助系统的两大核心能力——厘米级高精定位和智能规划引导，联手为用户带来安全、便捷、智能的出行体验。在特定高速公路设定导航目的地，P7 将根据路线指引，实现自主变道、切换高速路线，并在行车中实时选择最 优路线。
2.6.2. OEM 的需求
为了实现小鹏 P7 自动驾驶辅助功能的需求，对高精地图要素尤其是地面要素，有较高的要求。首先需要通过地图区分道路类型，比如是在高速主路上，匝道上，还是在隧道里面等，在不同的道路类型上，驾驶策略会不同。第二要求对路上的信息进行详细描述，包含车道数量、车道类型、车道宽度、车道线类型、车道线颜色、车道线宽度等信息，此外，除了可见的信息外，还需要表达车道联通关系等这些逻辑信息。小鹏 P7 自动驾驶辅助系统可基于导航路径开启和关闭自动驾驶功能，对高精和普通地图的交叉参考也有明确的应用需求。地图鲜度直接影响地图质量的好坏，为了提供地图鲜度，需要有 OTA 支持地图的更新。在地图精度上，对于地图定位要素精度要求高，非地图定位要素要求可降低。
2.6.3. 解决方案
地图同感知系统的融合，才能完成复杂环境感知、定位等功能。小鹏 P7 配备了 14 个摄像头、5 个毫米波雷达和 12 个超声波传感器， 组成了业内唯一的 360 度双重感知融合系统，就像人的眼睛，可以准确识别并观察外部环境。高德不但提供高精地图数据，还同导航系统 进行无缝整合，并利用电子地平线系统(EHP)进行地图数据的播发。在小鹏 P7 上，高德绝对精度 50cm, 相对精度 10cm 的高精地图，与车载双频高精 GPS、实时动态差分定位(RTK)以及超高精度惯性测量单元(IMU)三重高精度定位硬件深度结合，实现全场景厘米级定位精度。小鹏 P7 也因此成为拥有最强大定位能力的量产车型。
2.6.4. 高精地图应用的特点
高德通过多年在高精地图方面的积累，特别是这几年几个量产项目的经验，形成高精地图自己的特点。高德地图无论是绝对精度还是相对精度，都处于业界领先水平。高德一直致力于地图生态的建设，在地图更新上，可利用大数据、情报信息、众包设备等多种手段进行变化发现，结合自有专业更新车、众包设备等对地图进行更新。为了给客户更好的服务，高德整合高精地图、导航地图、动态信息服务等内容，可以提供完整的服务。
3. 在研案例展示和解析
本章搜集了百度、四维图新、博士、momenta、上海图趣、海康智联、美行科技七家公司的在研案例案例。所涉及的案例有，L4 级自动驾驶解决方案、自主泊车解决方案、L3 级卡车自动驾驶解决方案、高速公路领航、基于视觉众包数据进行高精地图建图更新、自动代客泊车、V2X 数据与高精地图的融合。这些案例基本涵盖了行业内的在研案例，因为有些不能公开，这些仅代表部分在研成果。
3.1. L4 级自动驾驶解决方案(Robotaxi)(百度)
3.1.1. 项目介绍
2019 年，百度与长沙市政府，签署了关于“智能网联驾驶出租车” 的发展协议，业界的名称为 Robotaxi。长沙市经信委、市公安局、市交通运输局、湖南湘江新区管理委员会经济发展局共同成立长沙市智 能网联汽车道路测试联席工作小组。目前由湖南阿波罗智行科技有限公司自动驾驶车辆，并申请了载人测试牌照，已开始开展载人测试。百度方面与长沙湖南阿波罗智行科技有限公司一同开展联合测试；自动驾驶地图由北京长地万方科技有限公司提供。2020 年 10 月 10 日，百度的自动驾驶出租车服务正式在北京全面开放，这一次的自动驾驶出租车测试区域总长度大约是 700 公里，中途设置了亦庄、海淀、顺义的生活圈和商业圈等数十个站点。用户通过百度地图或者 Apollo GO APP 就可以呼叫体验百度的自动驾驶出租车服务。
2018 年百度与一汽红旗达成合作，计划生产 L4 级乘用自动驾驶汽车-红旗 E-HS3。该车型搭载百度 Apollo 自动驾驶系统，并集成了激光雷达、相机、毫米波雷达、RTK GNSS 等诸多车轨级传感器，可以实现限定区域下的全自动驾驶功能。该型号的车辆于 2019 年 Q4 在长沙限定区域限定路段内部署 30~50 辆进行运行测试。
(1) 车辆的软硬件环境
车辆携带的硬件传感器大多为国内供应商提供。系统软件环境基于 Linux 和百度完整自研的 Apollo 系统。
3.1.2. 功能和实现方案
高精度定位、环境感知、路径规划/预测/决策是自动驾驶的三大核心基础，自动驾驶地图是其各个部分实现的重要支撑。
(1) 实现高精度定位
Apollo 自动驾驶系统使用视觉定位、点云定位、GPS 惯导/轮速 计等多种定位方式融合的方式提供精准定位结果。其中视觉定位、点云定位使用车辆实时传感器数据与地图中的特征数据进行比对得到车辆在地图中的位置信息，实现车辆自定位。
(2) 辅助精准感知和超视距感知
地图提供道路标牌/信号灯的精准位置和类型，把感知的搜索区域限制在一个明确的、很小的范围内，降低了自动驾驶感知的难度，解决目前系统难以覆盖的长尾识别问题以及车辆计算资源的问题。
现实场景道路情况复杂，常常会有大车挡道、沥青干扰、车道线模糊、新旧标识重叠等问题；传感器也常常受限于距离和环境影响，无法达到很好的感知效果，不利于自动驾驶功能的应用。自动驾驶地图规则化、不受环境、不被距离限 制的特性能对传感器进行有效弥补，可以辅助感知作超视距感知输入。
(3) 自动驾驶地图辅助实现车辆路线规划，预测，决策车道级的拓扑数据是路径规划的基础，车辆通过前驱后继、左邻右邻的车道关系获取前进后退、可否变道的信息；车道的边界位置、线型、颜色、限速、转向类型等提供车辆的行驶约束，比如黄实线不可跨越、左转道需要打转向灯等等；地图提供路口元素可以提醒车辆路口的范围，帮助车辆更好的判断路口路权和行驶策略。同时自动驾 驶地图提供的路口虚拟连接路大大降低了车辆路口内行驶的难度。
3.1.3. 高精地图应用的特点
百度 L4 级别自动驾驶的目标旨在实现在限定区域无需人类司机干预的全自动无人驾驶系统。由于其高度的自动化，系统需要处理在设计工况范围内的所有极端异常情况，因此对系统的协同精确度、安全冗余度、错误恢复机制等的能力要求非常苛刻。
自动驾驶地图作为最基础的数据，自动驾驶系统把其作为高度可信的环境位置参照，所以地图的精度可以极大的降低和矫正其它子系统误差可能造成的系统安全性风险，从而保证自动驾驶系统的稳定可靠。Robotaxi 项目现阶段要求地图元素精度在 20cm 左右的水平。所以高精地图对实现自动驾驶功能和安全有着至关重要的作用。
3.2. 威马自主泊车解决方案(百度)
3.2.1. 项目介绍
百度与威马汽车与 2018 年底开始着手打造联合开发自主代客泊车，将于 2020 年底正式面向用户，搭载在威马的最新车型上。
自主泊车，是指用户将车停到停车场入口或停车场电梯口下车后，通过手机操作，车辆即可在停车场内完成巡航、找车位、泊入车位等功能，同时结合停车场情况，支持跨层、障碍物绕行等功能；同时用户可以通过手机实现召车，即车辆出库、巡航，最终行驶至用户指定目的地。依托于自主泊车功能车辆可“召之即来，挥之则去”，极大的为用户提供出行便利，解决用户在停车场找车位、泊入难以及停车较 远时花较长时间找车的痛点。
然而自主泊车在停车场内能够真正运行起来，存在着诸多挑战，如：停车场盲区较多、空间狭小、停车建设不规范等情况，而高精地图能够在很大程度上规避这些问题，为自动驾驶(自主泊车)在停车场落地提供极大的支持和保障。
3.2.2. 功能和实现方案
百度自主泊车方案涵盖「车-云-图-场」，如下图所示。
其中:
(1) 车端承担主要的感知以及全部定位，规划决策、运动控制等功能，通过感知停车场的特征和环境，与高精地图匹配实现精确的定位。
(2) 云端除了承担用户通过手机召车泊车的指令传输外，将集合高精地图导航引擎实现车辆在停车场内的调度。
(3) 场端为分布在停车场内的摄像头，部署在停车场路口，弯道等盲区及遮挡比较严重的区域，其将自身感知的情况结合自己在高精地图中的位置，将超视距感知到的障碍物准确的提供给车端，用于辅助。
(4) 图端作为整个系统的核心，为其他端在地理位置上做统一，同时提供导航功能。
综合而言，停车场高精地图对于自主泊车而言有如下重要作用：
(1) 提供基础高精地图数据，包含了丰富的地图要素，支持自主泊车运行；
(2) 进行危险隔离，能够为自动驾驶车辆隔离停车场危险环境实现车辆调度，调度自动驾驶车辆运行。
3.2.3. 高精地图应用的特点
百度不仅与威马、广汽等车厂在自主泊车技术上进行了高精地图 应用的合作，同时积极与大型商超合作，在提供自主泊车服务的同时，不断扩大室内高精地图采集范围，共同打造繁荣的高精地图市场，如:
华润-五彩城项目：五彩城作为海淀区的大型商业购物中心，位置级佳，客流量大，在海淀区具有标杆意义，百度与华润五彩城合作 打造，向往来商圈购物的客人、双方重要客户提供 L4 级自主代客泊车服务，通过功能试用、随车体验，感受自动驾驶为出行生活带来的便利。百度开发的自动驾驶车辆，将在华润五彩城-东区-停车楼 F1-F3，实现有效工作场景及限定工况范围内的代客泊车功能。
翠微-印象城项目：翠微印象城坐落于北京市海淀区翠微路，是百度、阳光海天、AiBEE 三方强强联合的结果。通过翠微印象城的示范效应，打造国内自主泊车在商业化停车落地的标杆。
3.3. L3 级卡车自动驾驶解决方案(四维)
3.3.1. 项目介绍
长期以来，物流行业困扰于驾驶员参差不齐，人力成本高利润微薄(据行业统计约 5%)，疲劳驾驶事故多发。目前，四维图新和国内一线的自动驾驶重卡公司合作研究 L3 级的卡车自动驾驶解决方案， 为物流终端客户提供安全、高效、更低成本的自动驾驶卡车网络。事实上，此前四维图新与 OEM 合作的 L1 和 L2 级的智能卡车成功案例证明物流市场对自动驾驶技术接纳程度高，ACC(自适应巡航系统) 和 PCC(预测性巡航系统)等功能帮助驾驶员减轻负担，提高了卡车的功能安全且降低了油耗。与 L1\L2 级自动驾驶卡车相比，L3 级自动驾驶卡车司机可以 Hands OFF 不用时刻把手放到方向盘上准备随 时接管，将更大限度的将驾驶员从疲劳驾驶中解放出来。该款重型自动驾驶卡车在高速下主要有自动跟车、变道超车、主动避障、自动掉头、交通标识识别等多项自动驾驶功能，几乎涵盖了所有高速公路场景下所需要的所有自动驾驶功能。
3.3.2. 功能和实现方案
在该重卡自动驾驶解决方案中，四维图新主要提供中国全境高速公路、城市高速公路和高速连接匝道的高精地图(HD Map)数据的 SDK，全国的标准导航地图(SD Map)数据的 SDK，HD 与 SD 匹配数据的 SDK。目前，四维提供的高精地图要素包括车道类型、限速信息、坡度、曲率、车道中心线、交通指示牌、交通指示灯、地面交通标识等几何和重要属性。该项目对绝大多数高精地图要素的相对精度要求小于 0.2m，绝对精度小于 1m。
四维提供的高精地图主要为重卡是否按照既定条件开启自动驾驶功能提供依据并辅助定位模块融合定位。除此之外，四维图新提供的高精地图支持重卡高速自动驾驶、辅助变道通行、自动掉头等重要功能。
3.3.3. 高精地图应用的特点
3.4. 高速公路领航(highway pilot)(博世)
3.4.1. 项目介绍
该项目是为用户提供在结构化道路上(高速公路和城市快速路) 实现自动驾驶功能，主要包括自动跟车，自主超车，匝道切换等功能，设计时速 80~120km/h。但是驾驶员仍需对车辆进行监控，以备随时接管车辆。
当车辆进入到功能限定的结构化道路后，系统功能会提示驾驶员开启，在系统即将超出设定的工作区域的边界或者遭遇无法处理的驾驶工况时，系统会请求驾驶员的接管，如果驾驶员持续不进行接管，车辆会完成安全停车。
本车辆借助车身传感器，例如摄像头，毫米波雷达，激光雷达，高精地图等传感器可以实现自动控制车辆的功能。其中高精地图不仅仅可以提供车道级的地理围栏功能外，还参与到构建车辆实时的环境模型中，为自动驾驶功能的车道选择提供更多的支持。
3.4.2. 功能和实现方案
为实现车道级的定位的基本区别，在本案中高精地图根据功能的
不同分成了高精度定位地图和高精规划地图两个部分，其中高精度定位地图是用来做定位使用的，而高精规划地图是用来做环境模型的输 入的，两者需要在线下做对齐处理。
高精度定位图层跟实时的传感器数据相结合，包括摄像头输出车道线，毫米波雷达输出的静态物体等，实现精准定位，此部分成为特征定位。
高精规划地图跟高精度定位的结果一起，搭建静态的环境模型，同样需要地图匹配，数据提取，截取出规划图层的车道模型建立环境模型。当然如果有些功能需要长距离的地平线信息，则需要读取更长 的高精规划地图为规划提供参考。
3.4.3. 高精地图应用的特点
高精地图作为静态环境模型的主要提供者，跟线上的传感器探测到的静态环境模型进行融合，尤其是在线上传感器被遮挡的部分可以 完美的补足，形成完成的静态模型，然后将线上传感器感知到的动态物体叠加到静态环境模型上产生完整的环境模型。在这个过程中，高精地图的车道模型发挥着很重要的作用，其中车道线，车道中心线以 及路边的护栏等都是很重要的输入，同时车道中心线还能作为车辆行驶路径的参考。
3.5. 基于视觉众包数据进行高精地图建图更新(momenta)
3.5.1. 项目介绍
(1) 众包数据建图更新的必要性
随着智能车辆的自动化进程逐步加快，高精地图也需要不断地添加新的特征层，来帮助解决智能驾驶过程中遇到的各种外部环境感知问题。但是新构建特征信息的建图更新过程在传统的高精地图构建方法中十分耗费成本以及人力资源，主要表现在：一方面，传统方式必须在所有道路上重新驾驶专业的测绘采集车辆来获取到新的特征数据，因此需要大量的成本投入。另一方面，对于新获取的特征信息也 需要大量的人力成本来实现对于新特征层的标注、质量检测等工作。
基于视觉众包数据进行建图更新的方案，则是充分利用丰富的众包数据源实现高精地图中特征要素的迭代，可以达到节约大量人力、设备成本的目的。由此可知，利用众包数据来进行高精地图建图更新，对于推动 L4 级别自动驾驶发展起着至关重要的作用。
(2) 众包数据建图更新的可行性
高精地图行业数据量要求极大，更新频度要求很高。随着科技的进步，车载相机设备越来越普及，4G、5G 等网络服务也得到不断的升级，这使得移动终端具备了高效收集数据和传输数据的能力。同时，AI 算法、视觉算法的逐渐成熟和广泛应用，以及更强算力的计算芯片的产生，都为众包数据建图更新提供了保障。
从成本、时效、人力等方面考虑，充分利用用户反馈进行数据更新与迭代，打造“用户使用-反馈-地图更新-价值提升-吸引用户”的正反馈链条，不仅是极具性价比、也是被业界经验证明极具市场拓展优势及落地可行性的方案。
(3) 众包数据建图更新的优势
高精地图作为无人驾驶领域的刚需及稀缺资源，在整个领域扮演着核心角色，可以帮助汽车预先感知路面复杂信息，如坡度、曲率、航向等，并结合智能路径规划，让汽车做出正确决策。
在自动驾驶启航的前夜，通过低成本、广覆盖、智能化、规范化的众包数据建图和更新，可以显著提升用户贡献数据的价值量和价值比重，进入用户与产品相互反馈、适应、改善的交互循环，形成以点带面的网络效应。同时，未来行业赢家在聚集用户后，能够形成颗粒度细、更新及时的高“鲜度”产品数据，逐渐拉开竞争对手。高精地图行业有望呈现出赢者通吃的局面，数据壁垒将构筑强者恒强的护城河。
3.5.2. 功能和实现方案
(1) 众包自动化建图与更新平台
主要分为两大部分：车端与云端。车端，完成数据采集，采集系统包括硬件设备与车端软件。设备是 Momenta 自研的低成本的众包采集设备，配置摄像头，低成本 GPS 和 IMU，通过众包运营的方式 来采集；也接入 TSS/TM/translog 设备，以及预装在 OEM 车辆上的 momenta 采集设备，实现海量数据的获取。车端软件，perception 实现了实时感知，包括车道线、交通牌、路杆、边缘线等要素的实时识别检测；mapping SDK 借助高精同步到的 camera，IMU，GPS 数据进行在线的实时轨迹解算与单包建图，把二维的车道线感知信息转换成有地理坐标的三维数据；车端软件还有一个功能是 change detection， 通过单路建图结果与最新的地图数据进行对比，识别道路更新，把更新信息回传给云端。
云端主要实现对车端实时回传的海量数据的存储、管理与并发处理，通过搭建云端数据管理平台，实现对海量数据、多规格数据的处理与转换，转换成能够进行地图自动化生产的结构化数据。另外，云端还搭建了地图自动化生产平台，实现地图的高自动化生产与地图更新。车端回传的数据首先进行聚合，与道路进行绑定，转换成以路段为单位的建图原始数据，mapping brain 实时以路段或者 tile 为单位对各路段进行是否可生产、可更新，采集资料是否达到生产要求，是否达到更新要求，进行计算和判定，自动触发生产、更新任务，实现各路段生产的并发处理。自动化生产线实现增量式路段、分块的路段单元，全自动化生产地图，增量合并到 HD map，形成一个完整的地图数据库。
另外一部分是地图下发与应用，也属于车端。自动化生产完的地图数据要提供给下游应用，通过地图编译和格式转换，以 API、SDK 等 user interface 方式给提供给定位与规控使用。
(2) 基于单包的情报获取
众包数据以包为最小单位，每一个数据包包含了感知结果、轨迹以及语义检测的结果。在车辆的相机、IMU、GPS 等传感器采集数据后，有关道路图像信息经过视觉感知算法转换，得到道路图像中的语义特征，而 IMU 和 GPS 采集的数据用于轨迹解算，以此得到车辆行 驶过程中的轨迹，该轨迹包括各个时间点的定位位姿。之后的语义特征和轨迹可用于语义建图，具体流程如下图所示。
为了更好地利用得到的语义特征的参数和轨迹，在语义建图之前可以对参数和轨迹进行预处理。预处理涉及的主要参数包括：相机的内参 K、相机坐标系和 IMU 坐标系之间的外参 Tci、相机坐标系和车体坐标系之间的旋转矩阵 Rcv，以及相机相对于地面的高度 H。这些 参数在相机设备安装时会通过某些手段标定得到，但是这些参数在相机设备使用过程中，会发生变化。所以在建图之前，还可以再一次对其进行标定。对于轨迹，可以做的预处理包括两个方面：质量和数量。 由于场景难度不同，轨迹解算时输出的轨迹质量是不一样的。对于某些质量不好的轨迹，可以在建图之前将其过滤掉，避免给优化带来不 好的影响。另外，流入建图过程的数据量是不确定的。在数据量饱和的情况下，可以自动过滤掉一些冗余的数据，避免给优化造成过大的压力。 预处理之后，可以对语义特征进行三维重建，即确定语义特征在
世界坐标系中的第三位置；之后进入数据关联阶段，即在各组道路图像的语义特征之间进行语义特征的关联，确定属于同一道路标志的语义特征；将待建图区域划分成子图，针对每个子图中的每个位置区域，对该位置区域中的关联语义特征与各个道路图像的语义特征之间的 重投影误差进行非线性优化，确定关联语义特征更准确的世界坐标系位置，并添加至地图中；对地图中的语义特征进行筛选，去除可信度较低的语义特征，最终输出筛选后的地图信息。
众包数据具有采集时间不确定、采集地点不确定、采集数据不间断的特点，针对这样的数据特征，我们的技术方案是按照路段、对更新情报进行增量式提取，再把提取出来的情报信息输入到更新仓库之中，如下图所示。
获取到的数据包内容由 SOC-Box 车载高性能计算平台分析得到，其中包含了基于计算机视觉的感知分析模块以及基于其他传感器的轨迹解算模块。而后得到的数据通过 4G\5G 网络传输到云端平台，进行单包语义建图。搜索对应的数据包地图，对比新建的高精地图进行分析，对于高精地图中不一致的地方进行情报更新，最后更新数据仓库，具体过程如下图所示。
(3) 基于多路信息的情报统计
数据包通过单包情报获取环节，会将自身所带的信息流更新到数据仓库当中，由于更新仓库中的更新情报都是根据单路的数据包获取而来，数据总量庞大，而且其中存在着较多的错误情报会加大数据仓库更新迭代的计算负载。因此，我们设计了进一步的过滤统计模块，从中提取出更加精准的更新情报信息，如下图所示。Statistics 模块对更新仓库中不同的情报类型进行聚类分析，最后输出不同类别(包含新增、删除、位置改变、无改变、车道属性改变、标志牌方向改变)、不同元素(标志牌、车道线)的更新信息。
(4) 基于众包数据的情报校验
更新仓库中的更新情报，通过情报统计环节，已经输出了可用的更新情报信息。但是考虑到单包建图的绝对精度不如众包建图的绝对精度高。在情报信息中，尤其在位置改变这一类高精度的更新情报中，众包建图可靠性更高。所以利用众包地图的情报结果对单包地图的更新结果进行校验。校验通过的更新情报作为最终的更新结果。校验流程如下图所示。
(5) 基于算法的全自动闭环更新
整个过程是这样的:
1) 当车辆在行驶过程中收集到高价值样本时，系统就会对观测结果进行全自动标注。
2) 数据积累到一定水平，就会自动触发无人工干预的模型训练迭代，完成训练。
3) 模型评测自动启动，研发团队只需阅读由系统所推送的评测报告来决定模型发版，即可完成整个闭环。
3.5.3. 高精地图应用的特点
基于视觉众包数据进行的高精地图建图更新，是一个充分利用了当下车载导航器物及技术越来越智能的优势，并顺应了互联网时代背景下产品与用户交互迭代趋势的解决方案。
首先，该方案大幅降低高精地图数据更新的成本。随着装载有众包设备(极低成本消费级相机和极低成本消费级组合惯导)的车辆不断上市，将会带来大规模的数据回流，这些数据的成本近乎为零。同时，众包数据的生产、更新可以不断循环，并自动消化海量长尾数据，从而低成本、高效率地打通整个链路，而不是依靠传统的人工驱动，耗时耗力标注解决问题。
第二，高精地图数据更新的自动化程度会持续得到提高。在这个众包数据技术框架下，随着量产数据的流入，算法自身会越来越“聪明”，且随着系统不断迭代，自动化解决问题的比例也会越来越高。
第三，该方案有助于加速形成高精地图数据更新的业务闭环。持续的众包采集方式可建立稳定的数据源，从而在数据和算法之间形成快速迭代的反馈闭环，整个过程包括对问题自动化发现、记录、标注、训练、验证等环节。
第四，将用户反馈数据引入高精地图产品的更新与迭代设计，不仅有助于帮助企业取得先发优势，也为未来更多的交互体验提供了更多想象空间，有助于抢占用户心智。
第五，该方案有助于推动高精地图量产早日实现。众包的优势在于厚积薄发，同时通过量产数据、数据驱动的高精算法、闭环自动化的前期大量积累，可短时间、大幅度提升研发效率，跨数量级降低规模化量产高精地图的总成本。
3.6. 自动代客泊车(上海图趣)
3.6.1. 项目介绍
本项目是由国际一线汽车 OEM 发起的在停车场或封闭环境下车辆自动驾驶新技术验证项目，项目起止时间为 2019 年 12 月至 2020 年 6 月。项目要求利用低成本的传感器和车规级平台实现选定的 1~2 个停车场的自主泊车任务，主要验证高精地图以及高精度定位软硬件在自动驾驶环节中功能性和完整性。上海图趣在该项目中主要承担高精度定位图层的采集和制作方案以及基于视觉的融合定位方案。
3.6.2. 功能和实现方案
(1) 总体需求
通过采集符合定位系统要求的高精度的 AVP 地图、开发利用该地图规格实现的算法，并配置相关硬件及服务器环境，使 OEM 能够顺利完成停车场自动泊车实验，具体需求项如下表:
| 序号 |
需求项 |
| 1 |
地图制作，采集南京市高精度停车场(1 个地上停车场、1 个地下跨 层停车场)以及制作高精地图 |
| 2 |
软件开发及测试，高精度定位软件开发及功能测试、高精地图 API 功能开发及测试、WEB 端 API 开发及测试 |
| 3 |
硬件开发及适配，硬件准备、定制开发、适配开发及测试 |
| 4 | 地图服务部署配置，配置并维护地图服务器 |
| 5 | 测试&报告，配合测试并输出报告 |
(2) 高精度定位图层数据需求
高精度定位图层作为高精地图的一部分主要满足高精度定位的 需要，同时考虑应用层使用要求，高精度定位图层必须满足以下需求:
1) 与高精地图坐标系统一;
2) 与高精地图数据格式一致，便于偏转和加密;
3) 数据大小控制在一定范围。
(3) 高精度定位功能需求
| 序号 |
需求项 |
性能指标 |
| 1 |
场景要求 |
地上和地下停车场 |
| 2 |
定位频率 |
不小于 10Hz |
| 3 |
车速范围 |
5~15KM/H |
| 4 |
定位成功率 |
优于 90% |
| 5 |
定位精度 |
优于 30cm(3) |
| 6 |
计算资源 |
双核 Cortex-A53 |
| 7 |
内存资源 |
800MB |
(3) 解决方案
高精地图在自动驾驶多个功能模块都起到关键作用，高精地图的使用流程如下:
1) 高精度定位图层制作方案
高精地图需采用专业的采集设备以保证数据精度，并需要高精度时间同步，SLAM 建图以及加密偏转等多项关键技术，图趣研发的高精度建图设备“创 Tron”满足地下停车场等场景的高精度数据采集。
2) 基于视觉的融合定位方案
基于视觉的融合定位方案通过视觉重定位获得全局定位信息，同时融合 IMU/车身信息融合后通过 CAN 总线发送到其他模块。
3.6.3. 高精地图应用的特点
- 纯视觉定位精度统计