1、從導航電子地圖到動態高清地圖

動態高清地圖，狹義上講就是面向自動駕駛的3D高清地圖；但廣義上，可以說是在精度、鮮豔度、網羅性等各方面效能都比之前的導航電子地圖有很大提高的電子地理地圖。

從1990年到2000年前半，開始在汽車導航系統和GIS（地理資訊系統）上使用電子地圖。2000年後半開始，隨著手機上谷歌地圖和GPS的搭載普及，電子地圖的使用變得越來越廣泛。現在，在自動駕駛和輔助駕駛ADAS領域，高清動態地圖就變得必不可少。除此之外，高清地圖在AR技術和娛樂運動方向也有很高的應用價值。具體說，動態地圖通常在由鐳射點群資訊、影象資訊和行駛軌跡等3D地圖通用資訊基礎上，以時間單位劃分的以下4個資訊層組成。

（根據博世的定義）

動態資訊（例如更新頻率約為1秒鐘）：

周邊車輛、行人資訊、訊號燈等ITS預先取得的情報

準動態資訊（例如更新頻率約為1分鐘）：

事故資訊、堵車資訊和局域氣象預報等

準靜態資訊（例如更新頻率約為1小時）：

交規預報、道路施工預報和廣域氣象預報等

靜態資訊（例如更新頻率約為1個月）：

路面資訊（防護欄、路肩、路邊地標等）、車道資訊（車道線的位置、型別、寬度、坡度和曲率等）、3D建築物等高清3D地圖資訊。

例如使用以上3D高清地圖資訊，再結合比對車載的GPS、IMU、LiDAR或攝像頭的資料精確實現位置推定，這是比較代表性的應用。

作為自動駕駛系統必不可少的一部分，動態高清地圖可以稱得上是從車載導航的典範轉移。導航系統的使用者是人，目的是儘可能讓人理解地圖上的情報。

地圖比例約是1:2500～1:25000，位置的誤差大概在1.75m左右。地圖的設計上也是從人眼能看清楚的角度出發，重視易懂性和設計感。而搭載在自動駕駛系統上的話，使用者就從人變成了機器，在車輛控制中使用。比例約是1:500，位置誤差必須在0.25m以內，甚至要求釐米級的誤差。其對正確性以及網羅性和資訊及時性有很高要求。

隨著用途的變化，對精度、鮮度及網羅性等方面的需求在不斷提高。

2、為什麼高清地圖在自動駕駛中必不可少？

1.車載感測器的效能邊界與範圍限制。在自動駕駛感知環節中，通過感測器對周邊交通環境資料進行收集和處理。但從目前感測器的效能來看，每一種感測器都有其使用的環境條件和效能的邊界，包括測量範圍以及在不同環境下表現出來的感知缺陷。比如雖然鐳射感測器檢測效果穩定，但在面對大範圍的塵土時，其檢測效果大幅降低；再比如高解析度攝像機能檢測影象中的物體，窄視場的攝像機可以檢測很遠的距離。但是面對暴雨、大雪等惡劣天氣，其很難檢測到正確的車道線、障礙物、路肩等資訊。感測器對周圍環境的檢測也有其固定的範圍。例如，長距毫米波雷達探測距離為1-280m，紅外線感測器探測距離為0.2-120m，視覺攝像頭探測距離為0-80m，中短距毫米波雷達探測距離為0.2-120m，短距毫米波雷達探測距離為0.2-30m，鐳射雷達探測距離為80-150m。

2.感測器的檢測盲區與先驗資訊。先驗資訊是指某些可以提前採集且短時間內不會改變的資訊。僅僅依靠感測器的資訊是很難感知車輛現在是處在高速公路上，還是處在普通城市道路上的；無限速牌的路段，車速最高可以開多快;前方道路的曲率；所處路段的GPS訊號強弱，這些都是感測器遇到檢測盲區，無法實時捕獲的資訊。

3、地圖在自動駕駛中的作用

在自動駕駛中如何使用高精度地圖？在自動駕駛的各個環節裡地圖都起著至關重要的作用。

（1）匹配車輛定位。由於存在各種定位誤差，電子地圖座標上的移動車輛與周圍地物並不能保持正確的位置關係。利用高精度地圖匹配則可以將車輛位置精準的定位在車道上，從而提高車輛定位的精度。

（2）輔助環境感知。對感測器無法探測的部分進行補充，進行實時狀況的監測及外部資訊的反饋 ：感測器作為無人駕駛的眼睛，有其侷限所在，如易受惡劣天氣的影響，此時可以使用高精度地圖來獲取當前位置精準的交通狀況。

（3）路徑規劃。對於提前規劃好的最優路徑，由於實時更新的交通訊息，最優路徑可能也在隨時會發生變化。此時高精度地圖在雲端計算的輔助下，能有效地為無人車提供最新的路況，幫助無人車重新制定最優路徑。

4、高清地圖的採集製作

高清地圖一般都是使用採集車，經過實地採集，再進行處理，並保持持續更新。

高精度地圖採集車的裝備較為複雜，包括多種感測器，來進行道路和靜態交通環境資料的採集。採集車的一般配置情況，例如高德高精度地圖採集車的配置包括：2 個鐳射雷達和 4 個攝像頭，1個陀螺儀和1個GPS接收機等。百度高精度地圖採集車裝置包括：1個32線鐳射雷達、3個360°全景攝像頭、1個前置的工業攝像頭、1個包含IMU和GPS裝置的組合式導航系統以及一個GPS天線。

實地採集：高精地圖製作的第一步，往往通過採集車的實地採集完成。採集員駕駛採集車以60-80km/h的速度行駛，每天至少採集150公里的高精度地圖資料。在車內的副駕駛位置，放有負責控制採集裝置的電腦系統，用於讓採集員實時監控採集情況。在採集過程中，採集員不僅要不斷確認採集裝置是否工作正常，而且需要根據天氣和環境情況來選擇不同的攝像頭引數。

處理：包括人工處理、深度學習的感知演算法（影象識別）等。把不同感測器採集的資料進行融合，即把GPS、點雲、影象等資料疊加在一起，進行道路標線、路沿、路牌、交通標誌等道路元素的識別。對於在同一條道路上下行雙向採集帶來的重複資料，也會在這一環節進行自動整合和刪除。一般來說，採集的裝置越精密，採集的資料越完整，所需要演算法去降低的不確定性就越低。而採集的資料越不完整，就越需要演算法去彌補資料的缺陷；當然也會有更大的誤差。

後續更新：主要針對道路的修改和突發路況。這一方面有較多的處理方式，比如眾包、與政府的實時路況處理部門合作等。