• 采购项目
  • 配套企业库
  • 销量查询
  • 盖世汽车社区
  • 盖世大学堂
  • 盖亚系统
  • 盖世汽车APP
  • 2024车身大会
  • 2024第二届汽车人工智能大会
  • 走进北汽2024
  • 2024第七届智能驾驶与人机共驾论坛
  • 2024智能车云一体化大会
当前位置:首页 > 智能网联 > 正文

百度佘党恩: 高精地图更新,应采取专业测绘结合众包更新的方式

盖世直播 2019-08-15 16:26:20
核心提示:高精地图接下来该怎么去做,唯一的主张是专业测绘结合众包更新。

自动驾驶,2019自动驾驶地图与定位大会,自动驾驶,高精地图

百度智能汽车事业部高精地图业务负责人 佘党恩

今天我讲的是百度正在做,或者将要做的事情。大家知道百度不仅做高精地图,从自动驾驶整体解决方案视角来看,都有比较完整的产品布局,例如阿波罗等等。高精地图是其中非常重要的一个产品,或者是提供给自动驾驶的一套核心的产品。这次主要讲一下我们在高精地图业务上我们自己的进展和思考。

百度从2013年开始做高精地图相关的技术调研,我本人在2009年加入了百度,之前在2009年,我们一直在做百度地图这个产品,传统的导航地图的产品。在2013年,敏锐的察觉到自动驾驶以及自动驾驶依赖的地图可能是一种新的形态,就做了相关技术的调研,同时相关的采集车的技术、生产、处理以及最终产品化,交付出来的数据等等这些技术都进行了重新的梳理,也是完全自研的基础产品。

这是产品的总揽,在数据层面我们有三种形态,包括导航地图、辅助驾驶地图和高精地图,三种地图数据的形态。云端同时提供OTA服务和RRS服务,OTA解决地图数据更新的问题,RRS是百度提出的,提供道路可靠性服务。用自动驾驶开启条件的判断,是安全性的服务,在地图上每一个车道、道路上的可靠性,道路是不是可靠,静态的数据加上动态的信息,比如施工、事故,给自动驾驶应用提供道路可靠性的服务。加上云端的服务,跟硬件方合作,以EHP自动驾驶标准协议输出相关应用,目前百度在项目里实现了V3的调试等等工作,是量产的状态。 

高维图给高业务方,包括高精地图自定位的功能,包括环境建模,自动驾驶可能是超级的环境建模容器的作用。还会结合车做车道解决路径和车道导航,相关的指标,高精地图首先精度是非常高,百度厘米极技术,我们确实有相关技术依据充分证明。 

这是对百度高精地图统一的架构,首先百度输出所有地图数据,是基于相同的一套架构输出的,这套架构有什么好处?都提到相关的数据之间,可能会联动,联动需要整体的设计框架出来之后才能支撑用户层的体验。最底下导航地图,像传统的有道路路网、POI、背景、相关名称等等数据。上一层到高精地图这一部分,就会到车道,像车道的图谱,相关的车道的属性,70多种不同的线型,包括标牌,精度做的非常高,在高精地图里充分的表达。

道路和车道之间用这样的关联,保证两套图是可以联动的。道路级别上,是一条路,车道可能是两条或者三条,路中间会存在关系,是多对多的关系,在这里要做相关的表达。上层是动态数据,包括路况、施工、路面的积水等等路面情况。再上层会把自动驾驶应用需要的数据在上面做一层,包括驾驶行为,包括点云模型放在上面,这是一个统一的路网架构。

一套统一的路网架构,即使在一个公司做,也可能会出现两套不同的数据,即使是在一个公司做,也不一定能保证两套数据很好的关联。那么怎么去保证?一定首先你的采集车具备一套采集做不同数据的能力,同时采集资料在生产环节,做出两种图,两种之间关联关系怎么保证最大限度的效果。百度地图的做法,在采集上就是一套设备,这个设备加点云就采高精地图,这个数据同时会反哺到导航地图的生产,本身对导航地图的接入也会有修正。采集出来的内页是一样的制作要求,内页的环节把关联关系做保证。道路级和车道级会有多对多的影射关系,很天然的保障。

目前我是非常有信心的,目前我们覆盖了全中国高速和城市快速路,覆盖最全。右侧是详细的属性和要素属性,可以看到车道线举例,有车道周期线,车道虚线,边线,还有护栏,车道线的颜色和样式,加上右边的箭头,还有桥区桥上、桥下的路,都表达的非常清楚。因为这个要素非常复杂,我准备了一个视频看一下百度高精地图到底有哪些要素。(VCR)视频展示会直观一些,从北京上五环的路,把数据里能展示出来的我们做出要素,做了一个很直观的展示。

再往深走,就是数据怎么做出来的,这是整个制作流程,最开始数据的采集,包括车上的装备、GPS、惯导,GPS会有轨迹的数据,点云的数据,摄像机里面会得到设想,采集的技术完全自研。早在2013年开始调研,2014年做采集车的技术,这是第一个门槛,这里有非常深的技术门槛,百度最开始是自研的采集车。采集完了第二步就是相关的资料,我们会进入到自动化的处理,自动化的处理就体现了自动化程度。 

我们有一种原生的自驱力,百度技术见长,在公司里,所以在相关的点云的识别提取,图像的识别提取,都是AI的领域,AI的技术用到地图上,其实是有一个门槛的,不是说很普通的投入就能把这个做的很好,其实这是有门槛的。百度还是有信心,并且持续投入,这是很重要的,用技术方式解决这个问题。本身点云要做点云的融合,因为一套采集下来,不会把所有的数据都收集到,往往要多套采相同的一条路,这样点云用技术的方式融合到一起,这是很关键的。

像这里各种要素,基于点云反射回来的反射率,我们要提取不同的要素、护栏,还有杆。图像也是一样的,我们要去识别相关的车道线的要素。同时图像里还有语义的一致性,包括线速60还是70,还是80。这两种信息还要做一个融合,融合之后,两种东西是一种东西,怎么判断这个问题,这是很难的技术问题。

再进入到内页制作环节,也有相关工具,300人同时做一张图,工具性能表现是什么样的也会影响效率,可以看到是一个双屏,左侧是点云,右侧是图像,对照制作的编辑工具。对于所有的生产人员工作的分配,有相关的平台来保障,我们在平台上发任务,不断提取任务做相关的制作。最后我们把数据做一个编译然后发布,目前我们在2017年加入了NDS协会,高精度地图发布,我们还支持了很多标准格式以及百度自己是有自己的数据格式。 

这是技术的处理,在底层相关算法都是基于深度学习的神经网络,有CNN、RCNN深度学习的算法,上面有点云的识别,图像的识别和最终柔和。每一个里面都有详细的技术,比如说点云里有运动补偿,有3D的建模等等这样一些技术,包括图像,最后这两种我们还要做一个融合。

这是我们在自动化这块的识别,如果用一个指标去衡量它,我们就用准确率,在不同的要素上,有不同的表现,但整个都是在95%以上的识别率。识别是整个自动化环节里的一环,通过这些环节,保障了最终生产线的自动化率到90%的比例,自动化率和质量是不是有一个平衡的关系,这个也不是,自动化保障我在前面原材料的加工上是有很多自动化的方法,但是最后数据产出的时候人还是要全力做保障的,哪怕机理处理9成,达到90%的成果,人还要一锤定音,要判断这个数据是不是跟现实情况直接对应的,还是要保障。 

在全流程每一个流程都是有质量保证的环节,整套流程也是通过16949过程的认证,说细一点,在数据采集,我们对外界采集回来的资料会有很严格的准入的质监,包括完整性,覆盖的是不是够,一个城市采的到99%以上的覆盖度才认为符合要求,如果没到要打回去重新再采。除了覆盖度,然后对采集回来的数据质量会有相关的验证,我们对采集回来的图像,对点云的清晰度,对天气,有雨水等等都会在这个环节做保证,符合的才会进入到后面,不符合的在这个环节直接打回。

自动化我们会用对于每一个自动化处理的方法,就会有对应的对它的质量进行保障的处理,这边有一个动作是要做自动化,接下来做完自动化的结果,就会有自监的东西来对应,从而保证自动化处理是有监督的。在人工制作这块,人肯定是最后环节,人除了有三轮检查,除了自己做的,要做自检,还有互检,就是交叉检,加上有专门的质量保证团队,大面积的抽检,保障最终的人工做出来的制作的环节的质量。最后就是做出发布的环节,相关数据的格式里会有很多逻辑性的检查,包括内容的准入范围、相关的逻辑性等等。 

这里讲的比较多,我们做数据怎么做里面细节的技术,大家认为精度怎么去保障,这三个点我认为是最重要的:第一个,大家知道GPS消费级的,5-10米的进度,采购高精地图肯定不行,用地基去保证到厘米级,没采的范围内,首先会提前一到两天架设基站,一般覆盖50公里,50公里范围内采集的数据,结构是有保障的。基站有一个曲线,精度会到两个厘米级别,有很严格的要求。这是我们最开始保障最原始的采集车上设备的精度的方法,静止一天,50公里范围内去采,能保证两个厘米以内原始的素材。

到了第二步,采集之后的关键技术,点云和图像这两个传感器标的,这也是为什么现在如果一整套采购高精度采集车是一千万甚至以上的成本,最核心的就是标的技术,百度从2014年做采集车的时候,一开始就是下决心做一个资产自研的产业设备,最核心的技术是解决这么一个难题,所以采集车因为自研,成本降的非常低,大约是百万规模的成本。标的解决的就是不同的传感器,看到的东西,最终采出来要保证是一个东西,我看到相同的东西,在点云的线和图像里面是一个东西,如果一开始就有偏差,后面是没有办法的。

采集车每次采集之前都会重新做一个标的,另外定期对所有采集车,40辆高精度采集车,定期做一个标的,每次采集的时候车本身会有颠簸,会抖动,对刚性的传感器多多少少会有误差,每次重新出去,重新做标的,才能保证这次的精度。

第三个环节需要多次采集同一条路,怎么保证做一个融合,融合里就体现相关的算法能力,怎么把多套融合在一起,变成一套数据。对于精度的评估,是不是这么高的精度,一方面会有第三方的评测,传统的测绘方法去评估一个精度,做控制点平衡解读。另外一个方面,用移动测量车,有一个很高精度的最新版本的车,去大规模的验证高精地图质量,要去测一个东西的精度,找一个精度的尺子去量,就能知道大概进度。

第三方测评优点是测的很准,缺点是一定测不了多少,用移动测量的方法,问题是说尺子本身有精度的问题,但是可以做非常大规模的测试,车在SOP之前一定要做大规模预测,地图数据要做各种场景的功能,移动测量车就是可以实现进度的保障。

前面讲了很多数据做出来,数据做出来之后,百度是一个互联网公司,百度做服务上本来很有优势,我们也有百度云的产品,高精地图还要解决不断更新的问题,高精地图在我们的视角是是一个服务,5G网络环境车数之后,高精地图肯定是一种服务,服务会涉及到服务端和车端之间的交互,在车端我们预装基础数据,它会和车厂、必读做一个交互。可以探讨有不同的模式,像有一合作主机厂,希望自己控云,希望只是做简单的权限管理,期望百度下发数据以及做相关的地图,这个非常复杂。所以这些模式都可以做一些讨论。

关于RRS服务,它是保证自动驾驶安全使用,RRS也是自动驾驶里有功能安全要求的功能之一,自动驾驶什么时候能开启,什么时候要用户结果,这是很重要的功能点。百度在这块的思考是我们能提供这么一个RRS服务,首先静态数据上,包括道路级和车道级的RRS,包括道路级在施工区域,比如说很小的暴露,在匝道、隧道、收费站等等这些场景,目前自动驾驶还不太放心去开启这个功能,可以在这里做相关的配置或者是标准的版本。

车道级别,数据里有车道磨损,类似于非常器具形状路标的标线,可以在数据里解决问题,一些计算可以下传到数据帮你来做,这时对静态RRS的作用。同时动态的数据,包括有的车看到了事故,或者看到了积水,以及积雪,服务可以共享到云,云端把服务提供自己的自动驾驶车,就形成了动态的服务。 

接下来讨论一下高精地图接下来该怎么去做,唯一的主张专业测绘结合众包更新,如果打球赛,一般上半场、下半场,我们认为这个阶段刚好上半场结束,因为有能力的基本上可以做出全国的高速和城市快速路,或者在今年或者在明年。做出来之后这个数据如果不维护它,质量会一直往降,现实世界一直在变,怎么解决他去做现实世界绩效的数据,以一个目标为要求,一定解决给新的问题。百度的主张以专业测绘加众包,如果说一直用自己的产业车做更新,成本会非常大,一定要调入更多车,社会化的方式做转型。刚刚展示的是我们做的众包三维图片的技术,可以看到呈现的和阶段是非常高的,整个过程是全自动的三维重建,现在做城市级别的认证,如果城市的数字化采集车达到一定规模,可以落实更新的规模。 

我们也有技术实现的过程在众包,我也想跟大家分享一个视频。(VCR)取这里的图像,大部分图像做三维重建,可以看到生成三维点云的效果,可以用它更新高精地图。

另外我们在政策方向取得的进展,今年3月底,百度做的全车道的高精地图获得了自然资源部通过的,这是中国第一个全车道高精地图,有别于凯迪拉克CT6,审图号的获得意味着自动驾驶量产,地图这块的政策已经不再成为瓶颈,为量产进一步做保障。另外除了政策跟北京的冬奥会,科技冬奥专项,在2022年冬奥会提供高精地图,这也是跟清华大学一起联合做的项目。 

最后在商业化方面取得的进展,取决于我们对这个方向非常早期的探索,我们非常紧密愿意跟车厂、零部件供应商一起做这件事,我们也获得了很多合作伙伴的认可,除了做很多大量的论证,我们也出了很多技术的依据,来表明高精地图的质量是符合目前产品形态要求的规格。早期的合作伙伴愿意把订单给到百度,非常感谢合作伙伴、主机厂和供应商。

做一个简单的总结,百度做高精地图,,先数据层面一套路网架构,不断提升自动化率,质量一定是全流程,质量是生命线,先做好质量,再去提别的事。在服务上,如何运用好百度核心服务能力,做出更符合自动驾驶要求的相关服务。更新上,我们是专业测绘结合众包更新,最后在政策上,商业化上做好了进展,未来希望做的更多,谢谢大家。


敬请关注盖世汽车“2019自动驾驶地图与定位大会”直播专题!

PC:http://auto.gasgoo.com/NewsTopic/199.html

移动:https://m.gasgoo.com/news/topic/199

本文地址:https://auto.gasgoo.com/News/2019/08/150426202620I70121891C601.shtml

文章标签: 自动驾驶
 
0

好文章,需要你的鼓励