阿波罗进阶版-6-地图的生产和采集

生产

在城市道路环境下，高精地图生产分为数据采集、数据处理、元素识别、人工验证四个环节。

数据采集

百度采取的是激光雷达和Camera二者相结合的制图方案。Apollo2.5版本中，百度已经发布了其地图采集方案。

其中，64线激光雷达用于道路路面采集。由于其扫描高度比较低，还需要一个斜向上装的16线激光雷达，用于检测较高处的红绿灯、标牌等信息。其他传感器有GPS、IMU、长焦相机以及短焦相机。

数据处理

传感器采集到的数据分为点云和图像两大类。

L4级自动驾驶汽车对地图的精度要求非常高。Apollo在制图过程中处理的数据也以点云为主。

采用RTK的先决条件，即在开阔无遮挡的情况下，才能取得相对准确的信号。

在城市道路中采用RTK方案，由于高楼遮挡或林荫路等场景无法避免，它们仍会对信号的稳定性产生影响。

因此，我们在拿到点云之后需要对其进行拼接处理。

点云拼接：采集过程中出现信号不稳定时，需借助SLAM或其他方案，对Pose进行优化，才能将点云信息拼接，并形成一个完整的点云信息。

反射地图：点云拼接后，可将其压缩成可做标注、高度精确的反射地图，甚至基于反射地图来绘制高清地图。其生产过程与定位地图的制图方式一样。

元素识别

bai元素识别包括基于深度学习的元素识别和基于深度学习的点云分类。

基于点云压缩成的图像进行车道线的识别，我们可得出准确的车道线级别的道路形状特征。

除此之外，我们还需要提炼道路的虚实线、黄白线、路牌标识等，来完善道路特征。

通过对收集到的图像等进行深度学习，即可提炼出道路相关元素放到高精地图中。

数据采集、数据处理、元素识别三个流程是高精地图自动化的必要环节。不过，从目前来看，自动化仍无法解决所有问题，仍存在信息补齐和逻辑关联的缺陷。

一方面，无人驾驶车辆无法处理没有车道线的道路。这一步需要离线并用人工手段补齐相关信息。

其次，涉及到逻辑信息的处理时，无人车无法判断。例如在某一路口遭遇红绿灯时，车端应该识别哪个交通信号灯，也需要人工手段关联停止线与红绿灯。

人工验证

人工验证的环节包括识别车道线是否正确、对信号灯、标志牌进行逻辑处理、路口虚拟道路逻辑线的生成等。

采集

进行地图采集的两个先决条件：传感器工作状态正常和传感器已被标定。

其次是保证各个传感器已经被标定过。

采集过程中，无人车需要双向车道全覆盖3—5遍，最好是5遍。