阿里巴巴高德地圖首席科學家任小楓：高精算法推進高精地圖落地

2020雲棲大會於9月17日-18日在線上舉行，阿里巴巴高德地圖攜手合做夥伴精心組織了「智慧出行」專場，爲你們分享高德地圖在打造基於DT+AI和全面上雲架構下的新一代出行生活服務平臺過程當中的思考和實踐，並重點分享了「高精地圖、高精算法、智能時空預測模型、自動駕駛、AR導航、車道級技術」等話題。

「高德技術」把本場講師分享的主要內容整理成文並陸續發佈出來，本文爲第1篇。

阿里巴巴高德地圖首席科學家任小楓分享的話題是《高精算法推進高精地圖落地》。任小楓從算法出發，介紹了高精地圖製做和落地的挑戰，以及高德如何打磨和突破關鍵技術，把高精地圖作到業界領先。

去年雲棲大會，任小楓給你們總體介紹了視覺技術在高德的應用，主要分享了常規地圖和AR導航、視覺定位方面的工做。今年時間比較短（每位講師只有12分鐘的演講時間），主要介紹高精算法方面的工做。

什麼是高精地圖？主要是給自動駕駛場景用的地圖。它和咱們平時開車時所用到的地圖很不同。一個關鍵就是要精準。高精地圖須要有精準元素，精確位置，精細表示。例以下圖中的杆子、車道線、行駛軌跡等都須要在高精地圖中精確的表示出來。

自動駕駛要成功落地，高精地圖是必須作成的事情。高精地圖有不少用途：給自動駕駛用來定位；靜態目標的建模「識別」；路徑/行爲規劃。這些對於自動駕駛來講是很是重要的功能。

高精地圖落地的挑戰主要在哪裏？

精度！精度！精度！（重要的話說3遍）其餘的挑戰還有規模、成本、時效。

首先是精度。高德對高精地圖製做的首要原則就是要準！要作到很高的精度，百米相對精度10釐米。就是在真實世界中，若是有兩個元素在真實世界中相距100米，那他們的相對位置，跟真實世界比起來的偏差必須在10釐米以內。這是一個很是高的目標。在這樣一個高目標下，生產效率和成本就成了很是大的挑戰，具體細節這裏不展開解釋了，目前高德已經作到了行業領先的水平。此外，還有鮮度和更新，最先期的時候以年爲單位，後來到了月更新，周更新，日更新甚至更快，這樣才能真正作到地圖信息是準確有效的。

算法在解決高精地圖面臨的挑戰中有很重要的做用。算法相關的工做主要有三部分：

• 資料精度與對齊
• 識別和生產自動化
• 變化發現與更新

資料精度

高精地圖的首要原則是精準。高德從一開始就作了很大的投入，使用了很貴的採集車。用的高精度Riegl採集車，高精度激光雷度，它的測距精度能達到5mm，1M/sec；高精度的組合慣導；千尋基站解算…但即便這樣大的投入和採集車配備，也並不意味着採集的數據資料就沒問題了，仍是會出現問題。好比軌跡，靜止或運動的時候都會出錯，出錯的時候並非不少，可能只有0.5%的比例，但出錯的時候就會形成點雲資料出問題，好比點雲分層，工程師們須要作不少算法方面的工做去檢測，在點雲分層的時候把它修復。

通過一系列工做後，能在軌跡錯誤率上有明顯的下降。單趟資料採集精度的問題解決後，很快就會遇到多躺資料對齊的問題。舉例來講，一條路上極可能作屢次採集，屢次採集回來的點雲，若是不作處理的話就會出現很是明顯的重影，它是不貼在一塊兒的，須要用算法的手段把它對齊。這也有很大的挑戰，由於對精度的要求很高，在5cm之內。

各類場景的挑戰不少，好比植被的影響。在不一樣季節的時候採集數據就會遇到這種狀況，這些樹和灌木會形成很是大的影響。同時在對齊的時候須要保持軌跡的剛性。由於原來採集回來的時候，軌跡的相對精度是很好的。在對齊過程當中不能破壞和下降相對精度。而是要在原有基礎上去提升相對精度，包括上下行的場景，若是是一條路，上下行不一樣兩個方向和觀測角度採集到的資料，以及橋上橋下，由於共視區域有限，對齊的挑戰就更高了。

資料對齊

資料對齊怎麼作？分爲前端和後端兩個部分。

前端有一個比較核心的算法就是點雲匹配。比較常見的好比ICP或者GICP算法。但光是注意點雲匹配是不夠的，要把這個題解好，還須要解決不少其餘的問題。好比稀疏點雲特徵提取，快速點雲語義分割，快速車道線分割。這兩塊跟語義相關，在效率上是比較大的挑戰。由於點雲的資料數據量很是大，在計算時間上不能花太多時間。

前端作了不少工做，那對齊後端作什麼呢，後端主要作大規模優化。由於軌跡的修整不能在單點作，須要不少條軌跡，甚至在整個城市的規模上一塊兒去作調整。

高德也花了不少時間在作優化算法。好比作了一條基於樣條曲線的稀疏優化算法。把它稀疏化之後就能達到百倍級的加速。可以比較好的解決在一個城市規模下的點雲對齊問題。

識別和生產自動化

對齊問題解決後就是生產效率，即識別和生產自動化的問題。高精地圖裏元素不少，好比線性元素裏就有車道線、護欄、路緣石、天然邊界，還有所謂的OBJ，即地面標識、桿狀物、交通標牌、橋、龍門架等等。這些都須要製做出來，採用自動化的方法，算法的方法就是很是重要的環節。它的輸入有點雲和圖像識別。能夠經過算法來生成HD地圖元素。能夠用算法來提升人工效率。

舉幾個有挑戰性的例子。好比說下圖的4種狀況：

怎麼解決？ 

輸入主要是點雲和圖像。高德花了很長時間在優化模型能力和提升精度。包括：

• 點雲語義分割(多級隨機聚合網絡)
• 圖像全景分割(檢測/分割深度融合)
• 點雲/圖像融合(前融合+後融合)
• 傳統算法輔助(e.g. 擬合，三維)
• 矢量化及建模(深度特徵+圖模型) 

高德在這些方法作到了很高的水準：高準確度召回>98%；部分實現跳點做業，達到>99.5%召回；部分實現免人工檢查，達到>99.5準確率。

變化發現與更新

在地圖更新方面，高德有兩套方案都在作，應用於不一樣的場景。一種是用激光的方法，一種是用視覺的方法。

激光的方法。由於要控制成本，因此使用了相對低成本的激光和相對低成本的組合慣導。輸入的資料質量比較低，須要作不少事情去提升資料的精度。包括：

• 緊耦合Lidar Slam/LIO
• 實時語義分割
• 定位地圖:多重特徵圖層
• In-the-loop重定位
• 協方差模型
• 全局位姿優化
• 定位圖層更新

上面這些都有相對比較成熟的解決方案。雖然輸入資料差，但在更新場景下仍是能達到很好的精度。

視覺的方法。由極低成本消費級相機和極低成本消費級組合慣導來作，這中間有不少視覺的算法。包括：

• 緊耦合Visual Slam/VIO
• 定位特徵圖層和語義圖層
• 特徵+語義重定位
• 全局位姿優化(融合VIO/重定位)
• 定位特徵圖層及更新

如今已經作到15釐米；在嚴格評測的條件下已是業界領先水平了。後續會繼續提升精度。

視覺更新技術能夠直接應用於構建地圖。下面的圖顯示的是視覺建圖和衛星影像的重疊。

變化發現的問題，高精地圖如何作到更高的精度和更高頻率的更新？

假設有一個極低成本的方案去採集圖像，採集回來的確定是一些質量不好的圖像，在這些圖像基礎上要作對比，和真實世界的變化，好比下圖裏的兩張圖片裏都有個電子眼，實際上是同一個電子眼，但在圖片上看着很不同，須要用算法的手段來判斷這是否爲同一個電子眼。這裏面就有不少圖像算法的工做要作。包括：

這些方面高德都在作，也已經有了比較好的結果。這是高精地圖製做過程當中的一個必需的過程。這也是高德的特點所在，由於使用這些低成本的設備，能用現有的低成本的資料發現物理世界的變化。

高精地圖是高德將來的一個重要方向。它的製做和落地是一個系統性的工程，除了算法之外，還有不少其餘的關鍵工做要作。讓咱們一塊兒努力。