從去年下半年開始，關注自動駕駛領域的人感覺到，這個領域已經從頭幾年的狂熱期逐漸趨於冷靜，無論是融資還是關於技術突破方面的消息不再源源不絕。
另一方面，高精地圖對於推動自動駕駛應用在實際場景來說至關重要，它相當於自動駕駛車輛的“雙眼”+“指揮中心”，決定着自動駕駛車輛的行駛路線，從而也決定了車輛和乘客的安全。本文將通過自動駕駛高精地圖服務公司DeepMap 工程技術總監鄒亮，全面瞭解對於自動駕駛至關重要的高精地圖從生產製作到實踐部署的過程，以及他對於自動駕駛生態的看法。
2016年，在硅谷Palo Alto，前百度無人車部門的首席架構師吳夏青（James Wu）與他的前同事——谷歌地圖引擎創始人Mark Wheeler一同創辦了一家名爲DeepMap的公司，旨在開發能夠幫助無人駕駛車輛在複雜而不可預測的真實世界中自主導航的技術能力，其中高精3D地圖是他們的主打產品。
高精地圖主流技術
首先我們來了解一下高精地圖的概念。高精地圖不是相對於普通的導航電子地圖精度更高的一種地圖，普通的導航電子地圖是面向人類駕駛員使用，而高精度地圖由自動駕駛汽車直接讀取，用於自動駕駛汽車的定位和道路規劃。高精地圖自動駕駛常用的傳感器包括：激光雷達 (LiDAR)、相機 (Camera)、GPS和慣導(IMU)。
（DeepMap 3D定位地圖）
高精地圖對於自動駕駛的重要性不言而喻，它們就像是人類的“雙眼”+“指揮中心”，決定着無人車行駛的路線。現在市面上的高精地圖產品主要有哪些類型呢？它們的優勢和不足有哪些？
鄒亮告訴AI前線記者，目前主流的高精地圖主要分爲兩大類，一是激光點雲融合技術，簡單來說就是用激光雷達掃描，返回場景分佈點的技術；二是基於圖像和GPS的技術。其中，激光點雲融合的技術又分爲兩種，一是基於點雲融合的算法，其應用場景較廣，不僅限於GPS場景，這也是DeepMap採用的技術思路；第二種是基於比較精確的差分GPS和精確慣導（IMU，慣性測量單元），其對場景依賴較強，必須在比較開闊的場景使用，對於高架橋等GPS信號弱的場景效果不佳。基於圖像和GPS技術解決方案精度比較差，主要用來製作L2、L3的ADAS地圖，而激光點雲則可以滿L4、L5的需求。
鄒亮表示，DeepMap生產的高精地圖，精度可達到5cm，定位精度在10cm以內，而市面上的產品精度一般在20cm左右。
高精地圖生產關鍵點
大規模、低成本生產無人駕駛高精地圖是業界難點，解決這個問題的關鍵點是什麼？鄒亮說道，大規模製圖的關鍵點主要包括三點：
- 數據採集的管理，需要有數據採集路線和需要更新的數據，才能合理判斷道路的採集方式和最省時省資源的路線，而這些都需要好的設計才能優化達到最高效率；
- 大數據處理，高精地圖所需要處理的數據量巨大，必須使用數據中心計算機集羣來做處理，並且涉及到很多並行計算和處理，這些對數據處理能力都是極大的考驗；
- 高精地圖的實時更新也相當重要，道路環境有可能在不斷的變化，需要實現快速有效的更新發生變化的區域。
實際應用中的挑戰
目前，DeepMap在高精地圖生產過程中主要有以下應用，但各種應用過程中都還有需要不斷克服的挑戰：
圖像語義分割
圖像語義分割是將圖像中每一個像素劃分在預先規定的幾個類別中，不同類別對應不同的語義信息。用於交通標識的檢測，包括車道線、標識牌、信號燈等，它的難點在於需要生成出不同國家或地區的訓練集。比如在美國，同屬加州的舊金山收集的數據不一定在洛杉磯可以用，不同國家之間差異就更大了。
路牌、信號燈檢測
現在可以做到自動生成路牌和信號的3D位置，但還需要進一步提高檢測的召回率，這很好理解，在真正的無人駕駛場景中，不能輕易漏掉任何一個物體，因爲如果漏掉了會容易產生嚴重的安全事故。難點二是從2D圖像到3D座標中的朝向有時不太準確，需要人工調整。
車輛檢測
高精地圖需要把車輛等臨時存在物去除，所以需要做車輛檢測。車輛是一種很常見的可移動障礙物，可以使用現有的深度學習模型計算出車輛的3D位置，來完成車輛的移除，除此之外還會用到相機和激光雷達得到的數據結果。
3D點雲車輛檢測
（DeepMap 3D點雲車輛檢測）
通過算法，DeepMap使用點雲數據和圖像訓練出的模型，可用於直接去除點雲中的車輛點，並提高點雲匹配的精度。但3D點雲車輛檢測也存在一些挑戰，難點之一在於前面提到的訓練集，高質量的訓練集比較難以獲取，這些數據集獲取時間久、價格高；難點二在於精確率不如2D圖像深度學習結果準確。
除此之外，高精地圖技術和實際應用之間的鴻溝還有很多，在自動駕駛真正上路之時仍然會遇到很多挑戰。比如在地下車庫場景中最突出的完全沒有GPS（+信號）的現象。由於低成本IMU慣導無法獲取精確的初始位置，因此難以進行定位。面對這一問題，DeepMap採用了基於低成本的傳感器，以及點雲融合和ICP的算法成功地進行了車庫地圖製作。而對於其他廠商來說，地下車庫地圖製作很困難，但也不是沒有辦法，一種方案是採用高成本的激光雷達進行精準測量，但是成本較高。在這一問題上，DeepMap的優勢在於可以低成本完成高精地圖製作。
激光雷達不可或缺，高精地圖也遠未完善
關於高精地圖，馬斯克近日來發表的那句引起了很大爭議的言論絕對值得一提：“False and foolish = HD maps and LiDAR”。和很多人一樣，鄒亮也並不認同這一說法。
他認爲，馬斯克說這句話的出發點可能在於目前來說激光雷達的成本太高，甚至超過一輛汽車的價格，如果激光雷達的成本降低，馬斯克也許就不會這麼說了。在他看來，目前激光雷達對於安全自動駕駛是必不可少的設備之一，隨着激光雷達創企的發展，激光雷達的成本將達到廠商可承受的範圍之內。但另一方面，這句話在未來也許會成爲現實，那就是當圖像技術能夠達到人眼的級別時，激光雷達可能就不是必需的了，但這一天何時到來，鄒亮表示至少要在十年之後。
鄒亮認爲，高精地圖技術現在仍然有待開發，遠遠還未達到完善的階段，我們雖然有全國高速公路的數據，但還沒有任何一家廠商能夠製作覆蓋全國的針對L4和L5、採用點雲融合技術的高精地圖，這是自動駕駛領域的一個缺憾和空白。
目前，高精地圖主要面向L2、L3級自動駕駛車輛，但由於國家政策和技術能夠實現的精度不夠，高精地圖還未大規模使用。另一方面，L4、L5級自動駕駛依賴於激光雷達，但是由於需求的數據量太大、場景變化太多，相應的點雲融合技術目前還未實現，未來還需要繼續完善。
那麼，高精地圖的發展究竟受到了什麼限制，才遲遲難以突破近在眼前的問題？鄒亮表示，主要瓶頸在於這幾點：
- 測繪行業政策嚴格，並非所有企業都被允許進入測繪行業；
- 國家還未確定何時開放公共道路無人車測試，只有大規模的需求才能促進高精地圖發展；
- 高精地圖的商業模式還無法支撐整個行業的進一步發展。在DeepMap，商業產品的形式主要包括四種，一是爲無人車初創公司、傳統車企和技術難點無法突破的圖商提供高精地圖定製化生產；二是定位服務，這和高精地圖息息相關；三是多傳感器的標定，實現座標轉換；四是低成本數據收集方案。
自動駕駛領域趨於冷靜是好事
鄒亮表示，高精地圖是自動駕駛不可或缺的技術，Waymo、Cruise等已經證明了其價值。但在技術上，高精地圖廠商亟需解決製作覆蓋全國的點雲融合高精地圖的問題，以及實現地圖的及時更新。
關於自動駕駛趨於冷靜，鄒亮表示，自動駕駛是一個對技術要求較高的領域，市場冷靜下來有利於優勝劣汰，讓真正做技術的自動駕駛公司存活下來，讓一些公司可以做真正有利於這個行業的技術，總體上利大於弊。Cruise剛拿下的天價融資額，也驗證了這個觀點。
而對於繞不開的自動駕駛安全性問題，鄒亮則直接給出了建議，他認爲可以通過多傳感器融合技術來解決，因爲依賴於任何一個傳感器都會存在風險，如果特斯拉不過於依賴攝像頭，使用了激光雷達，也許多起悲劇事故本可以避免，將風險降到最低。
嘉賓介紹
鄒亮，2006年加入Google Earth/Maps，在谷歌工作9+年，2016年作爲創始工程師加DeepMap，現任工程技術總監，負責高精地圖的採集、製作、更新和維護整個流程及大中華地區的工程技術。