【PConline資訊】高精地圖對於開發者及測試者來講並非能夠輕易得到的，製做高精地圖須要大量的成本，週轉時間長，在此背景下Apollo2．5推出了基於動態的實時相對地圖（Real－timeRelativeMap）的解決方案。測試
在Apollo1．5和2．0中，規劃模塊和控制模塊依靠的是全球定位和高精地圖。高精地圖中有豐富的地圖元素，能夠幫助車輛規劃，實現複雜路況下的自動駕駛，衆所周知，高精地圖在自動駕駛中的價值所在，它們不只有着較高的精準度，並且適用於任何路況，更重要的是高精地圖對於路測有着重要意義，但高精地圖對於開發者及測試者來講並非能夠輕易得到的，製做高精地圖須要大量的成本，週轉時間長，在此背景下Apollo2．5推出了基於動態的實時相對地圖（Real－timeRelativeMap）的解決方案。spa
該地圖基於車輛座標系，其原點位於車輛自己。衆所周知，車道線是地圖中的重要元素，以確保自動駕駛車輛作出合理的決策並進行安全的軌跡規劃。在相對地圖中，車道線數據是經過基於攝像頭的車道感知而生成的，而且包含基於雲端的導航線（NavigationLine）。設計
下圖闡釋了導航線是如何生成的。開發
導航線在自動駕駛中扮演着多種角色。第一，導航線做爲出發點與目的地點的鏈接線，提供車道級別導航；第二，導航線能夠生成Referenceline用於駕駛決策；第三，爲高精地圖提供載體；第四，導航線是相對地圖的重要組成部分。部署
導航線有如下特色：it
1．導航線是按照駕駛員駕駛路徑設計，因此安全性和溫馨性是有保障的；io
2．更重要的是，基於駕駛數據，導航線能夠自動生成，大大下降了開發成本；百度地圖
3．能夠與視覺感知系統配合生成基本的地圖信息，能夠適用於比較簡單的駕駛場景，好比高速公路、鄉村道路等；class
4．導航線能夠與高精地圖結合，生成複雜的駕駛場景，例如城市道路。
下面咱們舉例說明，相對地圖和導航線在自動駕駛場景中是如何工做的。
1．在以下圖highlight區域部署自動駕駛場景；
2．在實現真正的自動駕駛以前，咱們須要採集導航線，通過對駕駛員駕駛路徑的採集，後期能夠轉換成爲（以下圖綠色線條）；
3．需求：實現從A→B的自動行駛；
4．按照傳統地圖（百度地圖or谷歌地圖）導航，生成的軌跡1（藍色線條）；
5．在接到導航需求時，系統會選擇一條最匹配的導航線（黃色標線）用來導航；
6．系統爲決策模塊提供多條導航線，能夠實現變道功能。
經過使用這種方法，咱們能夠建立一個與高精地圖的數據格式相匹配的相對地圖（RelativeMap），並基於事先錄製好的人工駕駛軌跡和攝像頭實時檢測到的車道線。有的開發者會有疑問：相對地圖與SLAM有什麼區別呢？其實SLAM問題能夠描述爲：汽車在未知環境中從一個未知位置開始移動，在移動過程當中根據位置估計和地圖進行自身定位，同時在自身定位的基礎上建造增量式地圖，實現汽車的自主定位和導航。RelativeMap在基於指引線錄製模式時，會依賴錄製的指引線與實時攝像頭信息生成RelativeMap，同時，依靠GPS定位；在基於純攝像頭模式時，並不進行自身定位和建造增量式地圖，只依賴實時攝像頭生成的車道線信息行駛。
在行駛過程當中，相對地圖數據的計算和更新頻率10Hz，相對地圖數據來源一是基於視覺感知的車道標識，二是基於雲端的導航線，並且相對地圖支持如下三種自動駕駛場景：
相對地圖模式1，僅依靠視覺感知的車道標識
適用場景：
一、定位缺失；
二、只有來自感知系統的車道線識別；
三、車道保持與自適應巡航。
在基於指引線錄製模式時，會依賴錄製的指引線與實時攝像頭信息生成的RelativeMap行駛，此時須要GPS定位。當GPS失效時（好比經過某個隧道），系統將自動切換爲基於純攝像頭模式，此時只依賴實時攝像頭生成的車道線信息行駛。只要有車線能夠辨別，車會沿着車道中心線一直開（LaneKeeping）。若是車道線不可辨別，須要人來接管。
相對地圖模式2，依靠視覺感知與雲端導航線
適用場景：
一、感知系統檢測的車道標識
二、能從雲端獲取導航線
三、高速道路或者車道線不清晰的鄉村道路
此條件下，導航線與感知系統結合生成地圖數據，用於車輛決策。
相對地圖模式3，依靠視覺感知、雲端導航線以及高精地圖
適用場景：
一、車道標識不是來自於感知系統檢測，而是基於歷史駕駛數據以及高精地圖生成；
二、能從雲端獲取導航線
三、城市道路
此條件下，導航線結合高精地圖，能實現城市道路的規劃決策。
相較來說，相對地圖的精度較低，僅限於某些用途。但它卻有着不容忽視的優點，成本更低，週轉更快，而且製做起來更容易，還能夠實現實時更新。