武汉大学教授李必军：高精地图与感知融合定位

9月28日—29日，“中国车谷2021智能汽车产业创新论坛”隆重召开。本次论坛由武汉经济技术开发区和东风汽车集团有限公司联合主办，由武汉市智能汽车产业创新联盟与盖世汽车联合承办，会议主要围绕智能汽车的创新发展这一主题展开，涉及人机共驾、地图定位、人工智能与芯片、仿真测试等多个热门领域。以下是武汉大学教授、博士生导师李必军在此次论坛上的发言：

武汉大学教授、博士生导师 李必军

各位专家，各位领导，各位来宾，大家下午好！

我今天跟大家分享的主题是《高精地图与感知融合定位》。今天上午李院士已经说了测绘遥感能够为智能驾驶做些什么？这里我着重介绍一下在高精地图与融合感知方面的情况。

我从1998年开始做移动测量，用激光雷达做高精度地图的采集，在国内也是第一个用激光雷达做移动测量的。2006年做工业领域自动驾驶，2008年做汽车自动驾驶。早期在自然基金委组织高校科研院所搞的中国智能车未来挑战，我们当年也是第一个把地图用在自动驾驶领域，因为以前比赛时不允许用卫星导航，只能用感知定位。

今天主要从四个方面跟大家进行分享。大家知道国家是把智能驾驶作为重大战略，特别是去年中国科协提出的十大重大科学问题和工程技术难题里面谈到两块：第一个就是数字交通基础设施如何推动车路协同和智能驾驶？从我所在专业角度来讲，数字交通基础设施实际上就是高精地图。第二个是无人车如何实现在卫星不可用条件下的高精度智能导航。去年11部委又提出了智能汽车创新发展战略，并明确提出实现智能汽车发展的中国标准。

总的来说，地图与定位是目前高精度或者高级别自动驾驶落地的关键，也是目前的难点。特别是李院士也说了，如何把定位成本降下来，这是目前一个难点。我们说感知不准确，首先是定位不准确，如果定位准确，周围的场景感知才是比较准确的。现在汽车上的传感器非常多，比人的感知能力强很多，但为什么没有做好？是算法的问题，算法没突破。

从最近三年的事故来看，对于L2、L3、L4，精准感知和可靠定位感知仍然是自动驾驶需要解决的长尾问题。我们能不能把最后5%、10%的问题以较小的代价解决，而不是花95%的代价去解决，这是我们面临的难点。

从感知来说，有几大痛点。第一，怎么高可靠地感知。主要是在复杂场景下，比如武汉有一句口号“每天不一样”，道路也是这样，每天不一样，那采集、更新、维护怎么办？一方面因为难度太大，另一方面成本太高。第二，高精度定位在高架桥下、树林里面会出现精度退化。第三，快速再定位。在高精度和低精度中间会有短暂的过渡，这个过渡问题怎么解决。

公开测试环境里大家都做的很好，因为都是已知环境，那么全场景下怎么来做？是不是能像人一样，不管什么气候都能凭感觉把感知做好？这也就是在复杂道路下要做定位增强，包括通过其他定位手段。

地图安全标准的提出对发展导航电子地图起了关键作用。还有在生产环节，高精地图人均生产大概一天20公里左右，如果全国30多万公里高速公路和400多万公里公路靠人工来做，这个生产效率没法接受。包括还有很多其他工作要靠人工来做，比如更新环节，这是最头疼的，大家都不愿意干这个事。众包更新行不行？目前来说从技术、法规、管理等层面都需要提升。总之一句话，怎么快速、简单、精细化，这是地图重要的内容。

在这个背景下，我们业界怎么样多学科结合，测绘行业怎么跨界和通讯行业、汽车行业融合来提高可靠性，使自动驾驶尽快的落地？

我们知道人的定位方式有很多，有声光电等，最早就是看天象，看日落日出，这是传统的定位。现在的机器人定位方式非常多了，它们的感知能力比人强很多。卫星从地球来讲是提供了绝对指标，但是放在更大的宇宙来讲，也是相对的定位，惯性导航是提供相对的定位。

环境感知，这里有视觉方案，雷达方案，包括毫米波雷达、超声波雷达、激光雷达。传统的视觉没有人这样的感知能力，都是定焦的，能不能通过自然环境进行纠正，这需要大量探讨和学习。

高精地图现在大概有20多家企业在做了。高精地图与高精度不一样，还包含控制决策信息，这需要比较多的数据处理手段或者专业上的合作，比如说怎么把汽车动力学和感知进行结合。

从地图和感知的基本关系来看，现在是割裂的。高精度定位是辅助手段，通过定位对环境进行感知，感知相对定位是很高的，比如说到厘米，甚至更高。

另外在高精度地图上面，有专业设备采集，但现在主流方案都是松耦合，通过定位把地图调出来，看周围环境是不是匹配，基于匹配的结果来看控制怎么做，规划怎么做。规划包括近距离的，全局的规划，中间地图和感知之间基本是割裂的，而且分工也很明确，图商是图商，车企是车企，自动驾驶是自动驾驶，这是目前的现状。

有些问题怎么解决呢？第一，传统的图像匹配定位方法，使用图像检索地图的方法得到位置信息。第二，基于点云匹配的定位，利用3D-2D的特征点匹配得到自身位置与姿态，使用三维重建的方法获取三维点云，从查询的图像中抽取特征点，将它们与三维点云匹配。第三，基于融合的方案，目前这块还是割裂的，成果还比较少，不像人一样，看到形状、看到颜色就可以快速的判断。第四，小目标识别，远距离靠激光雷达，现在最好的激光雷达能看50米，最高80米就不错了。人很简单，对运动目标敏感，所以把人的注意力机制引入到识别上，快速捕捉小目标，通过相关的特征提取。

变化检测对自动驾驶非常重要，特别是对运动的目标和对静止的目标的检测，应该区分，静止的目标不是关注的重点，对运动目标是特别要小心的，要知道它的运动态势，才可能避免冲撞，这里面也有基于视觉的方法。

在车路协同里面会有很大的问题，在路侧看的和车上看的两个时空基准不一样，两者信息交互的时候要统一时空基准，这里不仅是通讯问题，还有是不是基于统一卫星信号基准确定。

目前我们是怎么解决的？第一，增加数据量，建大数据，现在数据是很多企业的核心竞争力。第二，数据质量问题。第三，多源数据融合，这个涉及到技术问题和管理问题，因为我们很多数据来自于不同的部门。视觉传感器可以比较准确的定位车道，这个代价很低，如果通过卫星定位或者惯导定位，代价很高。这样大数据通过算法迭代就可以找到定位的基本规律，知道里面的定位规律之后，算力就不需要那么多了。

这是我们和东风现在正在做的，就是深融合，这是感知和定位的发展方向，也是目前必须进行突破的。深融合之后，就不会出现隔离的情况。我们看到一个标志大概就知道在什么位置，看到入口就知道大概在什么位置，哪里要转弯。自动驾驶在路口最重要，路段不重要，只有到路口才有决策，要不要转弯，要不要加速。

现在数据量太大，如果做高精度地图，数据量是非常非常大，这个数据怎么简化？必须在数学模型上做一些优化，把重点找出来，解决最核心的问题，而不是构建全国的高精度地图就解决了自动驾驶，这不现实，而且代价也太大了，也赶不上数据的增长速度。

接着跟大家汇报一下我们团队做的工作。自动驾驶肯定离不开地图，但是是不是需要高精度地图，这个两说。有高精度地图一定有利于自动驾驶，这是肯定的。有些人认为地图是传感器，我觉得这个表述不太清晰，地图像基础设施一样，在数字孪生或者平行系统里面，高精地图或者高精地图应该是信息基础设施，所有信息在这里汇聚，指导机器人和自动驾驶。

高精地图获取手段有三点：1、激光雷达+全景，这是典型的专业设备。2、AI+视觉，怎么样通过人工智能手段和视觉手段形成高精度采集。3、基于轨迹众包高精地图方案，Tesla在中国也在收集地图，很多车也都在基于简单的设备收集地图。自动驾驶车本身也是采集车，自动驾驶车也是移动测量车，我们能不能用自动驾驶车作为地图采集器，这个应该是可以解决的。

目前众包地图有几个方面的问题：1、什么样的设备能够实现众包？这是我们团队做的瑶光定位系统。2、众包地图数据如何整合？精度不一样，语义表达也可能会有差异。3、众包地图如何评判置信度？如果数据不准确，用在自动驾驶行不行？置信度多少是满足要求的？多少是不行的。4、众包地图信息安全等非技术问题。

下面做一下总结与展望。首先我的一个基本观念，我们不能单纯的讲高精度地图.有专家认为自动驾驶一定离不开高精度地图，我觉得这个话不一定对，像高速公路上就不太需要高精度地图，但是它一定是需要精细化地图。地图可以提供什么呢？第一，通过地图就知道怎么走了，而且它是先验知识。第二，决策，通过地图知道红绿灯在什么位置，也知道路口在哪里，在路口哪些传感器工作，哪些传感器不工作。第三，识别，像交通标牌、信号灯等信息在地图里是已知信息，所以地图可以把感知的难度降下来，把感知的能力提升。

因为有感知，车道线是知道的，这个车道该左转还是右转地图里是有的，所以这里需要充分融合，通过高精地图、导航地图甚至是不是可以通过开源地图来解决。

最后我有一个观点，智能驾驶首先在小特慢领域进行落地，包括矿卡、室内、园区、特定环境。这里有我们跟东风合作的，有跟移动合作的，就是复杂场景下，比如说室内外，包括跟东风在领航项目也做了很多研究。

谢谢大家！