秉承先建圖再定位的思路，在伺服器端（雲端）建圖，在車端定位。

視覺高精度定位依賴於目標檢測演算法的精度和泛化能力。

視覺高精度地圖的適應性還是不足，無法在在照明不足的夜晚和惡劣天氣發揮作用。限定場景下也許可行。

資料關聯怎麼做還不是很確定，特別是在沒有先驗資訊（如GPS）的情況下做重定位。Probabilistic Data Association for Semantic SLAM結構完整

首先介紹一下slam是什麼。

slam是同時定位與製圖的意思，有鐳射點雲slam，有視覺slam，目地是識別自己在區域性（通行過的區域）的精確位置。如果沒有衛星給的絕對位置資訊，slam建的區域性地圖就只有相對資訊。

高精地圖對於無人車來說，具有非同尋常的價值：

第一，高精地圖能夠給無人車很多預判的空間。當無人車透過高精地圖知道前方的路況和交通標識資訊後，能夠提前做行駛規劃，保證了行車的平穩性和經濟性。

第二，高精地圖能夠幫助無人車減少計算量。當無人車需要透過路口時，它需要提前感知前方訊號燈的狀態，這時高精地圖就可以幫助它定位到訊號燈所在的特定區域，從而有效降低了全範圍掃描識別的計算量。

高精度地圖一般都是指slam+衛慣共同製作的區域地圖，只有衛慣只能得到位置資訊，沒辦法得到地物資訊。衛慣給絕對位置，slam給地物、地形資訊和相對距離，然後融合製作等。

目前，大家談論的高精地圖，主要是指給自動駕駛系統使用的自動駕駛地圖，屬於特殊的導航電子地圖。

汽車自動駕駛系統包括環境感知與定位、智慧規劃與決策、控制執行3大核心模組，高精地圖又是各類感知系統中尤為關鍵的一環。高精度地圖一方面是指精度更高（精確到釐米級），另一方面是指高解析度和高畫質，地圖包含了更多的細節。這種高精度地圖主要面向L3、L4級別以上的自動駕駛，就是車輛完成絕大多數的駕駛操作，甚至是完全的由車輛完成自動駕駛。

傳統的導航電子地圖也包含交通事故、擁堵等資訊，但主要是道路級別的。通俗一些說，傳統導航電子地圖只知某條道路擁堵，不知哪個車道發生擁堵，它主要強調道路之間的連線關係。

而高精地圖則包含車道級的關係資訊，比如每條車道線的精確位置、車道是虛線還是實線等。道路上每個紅綠燈和路邊車牌的精確位置也會展現在高精地圖上，幫助自動駕駛系統更好地進行感知和規劃。

高精地圖是虛擬的電子地圖，依賴GPS、北斗等定位系統確定車輛在電子地圖中的位置。但由於目前的定位精度還不夠高，在高樓遮擋等訊號不好的情況下，不能在高精地圖上準確定位。此外，如果僅依賴GPS、北斗等定位系統，則由於對高度資訊的識別精度不夠，在複雜的高架橋等環境下，也會導致定位不夠準確。

這時就需要使用視覺同時定位與地圖構建（Simultaneous Localization and Mapping，簡稱：SLAM）技術。SLAM能憑藉影象感測器對自動駕駛系統周圍的影象資訊進行計算，實時繪製地圖並同時給出車輛的定位。

多年前，SLAM 最流行的應用場景還只是我們家裡的掃地機器人。近幾年，隨著無人機、無人駕駛、服務機器人、倉儲機器人以及 AR 的興起，SLAM 作為其中核心技術的一種，正變得越來越重要。

SLAM是指當某種移動裝置（如機器人、無人機、手機等）從一個未知環境裡的未知地點出發，在運動過程中透過感測器（如鐳射雷達、攝像頭等）觀測定位自身位置、姿態、運動軌跡，再根據自身位置進行增量式的地圖構建，從而達到同時定位和地圖構建的目的。定位和建圖是兩個相輔相成的過程，地圖可以提供更好的定位，而定位也可以進一步擴建地圖。定位和建圖是SLAM的基本要求，而路徑規劃是在此基礎上的高階功能，不屬於SLAM的討論範疇。

鐳射雷達

鐳射雷達能以很高精度測出機器人周圍障礙點的角度和距離，而且速度快，計算量也不大，容易做成實時 SLAM。鐳射雷達一般用於掃描一個平面內的障礙物，適用於適用於平面運動的機器人（如無人車、掃地機器人）。

許多行業分析師認為，鐳射雷達是實現全自動駕駛的關鍵感測器，其產品被以 Google、百度為代表的企業認可。

不過，鐳射雷達製造成本高，價格十分昂貴，比如 Google 無人車目前使用的鐳射感測器單個定製成本在 8 萬美元左右，百度採購一臺鐳射雷達也要 70 萬人民幣。

成本已然成為鐳射雷達普及最大的攔路虎。2016 年 8 月福特和百度一起投資了鐳射雷達廠商 Velodyne LiDAR 1.5 億美元，目的就是幫助 Velodyne 降低鐳射感測器的成本。Velodyne 希望將鐳射雷達的價格降到 300 到 500 美元之間，以滿足大眾汽車市場。

視覺 SLAM

視覺 SLAM 是 21 世紀 SLAM 研究熱點之一。CPU、GPU 處理速度的增長和硬體的提高，讓許多以前被認為無法實時化的視覺演算法，得以在 10 Hz 以上的速度執行。

按照攝像頭的數量和種類分，視覺 SLAM 分 3 個子方向：單目、雙目（或多目）、RGBD。此外，還有魚眼、全景等特殊攝像頭，但是都屬於少數。

單目相機 SLAM 只需要一個普通的 2D 攝像頭，成本優勢大。但普通 2D 攝像頭沒法獲取深度資訊，它捕獲的僅僅是一張 2D 影象。

深度資訊缺失有什麼影響？

如果沒有距離資訊，就不知道一個東西的遠近，也不知道它的大小。它可能是一個近處但很小的東西，也可能是一個遠處但很大的東西。僅僅憑藉一張影象時，你沒法知道物體的實際的大小。

另一方面，單目相機也無法依靠一張影象獲得影象中物體離自己的相對距離。

但這兩個問題都有對應的解決辦法。比如，透過藉助 GPU 和 IMU（Inertial Measurement Unit，慣性測量器件）確定物體的大小，依靠運動中的三角測量，來求解相機運動並估計畫素的空間位置。

雙目 SLAM 消除了單目的很多麻煩。雙目視覺和人眼類似，透過左右眼影象的差異來計算距離——也就是所謂的立體視覺（Stereo）。

但雙目 SLAM 的計算量非常大，通常需要用到可程式設計門陣列 FPGA。而且其其深度量程也受雙目的基線與解析度限制。

RGBD SLAM 的感測器是深度攝像頭，能直接記錄深度資訊。深度攝像頭透過把光投射到物體表面，再測量反射的資訊來計算距離，具體原理有兩種：結構光或 Time-of-Flight。它比傳統相機能夠提供更豐富的資訊，也不必像單目或雙目那樣費時費力地計算深度。Kinect 就是一種比較常見的深度攝像頭。不過，現在多數 RGBD 相機還存在測量範圍窄、噪聲大、視野小等諸多問題。

一個機器人也好，無人汽車也好，其最核心、最根本的問題有四個：定位技術、 跟蹤技術、 路徑規劃技術（Path Planning）, 還有就是控制技術（Controlling）。 而這四個問題中的前三個，SLAM 都扮演了最核心的功能。無人汽車離開了 SLAM ，就好比手機離開了 wifi 和資料網路，無人汽車需要SLAM解決定位、避障和導航的問題。