上週我們開始帶領小白開發者學習“Udacity X Apollo自動駕駛入門課程”，也收到了很多社群開發者的學習筆記，讓我們看到他們熱愛自動駕駛、努力學習的信心。希望有更多開發者在學習課程的同時，記錄下學習要點，更快掌握Apollo自動駕駛知識。

本週我們將介紹高精地圖部分的主要內容，這是Apollo定位、感知、規劃模組的基礎。

與普通地圖不同，高精地圖主要服務於自動駕駛車輛，通過一套獨特的導航體系，幫助自動駕駛解決系統性能問題，擴充套件感測器檢測邊界。目前 Apollo 內部高精地圖主要應用在高精定位、環境感知、決策規劃、模擬執行四大場景，幫助解決林蔭道路GPS訊號弱、紅綠燈定位與感知以及十字路口複雜等導航難題。

1.高精地圖與傳統地圖

當我們開車時，開啟導航地圖通常會給我們推薦幾條路線，甚至會顯示道路是否擁堵以及每條路線將花費多長時間、交通管制，例如交通訊號燈或限速標誌等，我們會根據地圖提供的資訊來決定是在行駛中直行、左轉還是右轉以及對周圍駕駛環境的評估。

而無人駕駛車缺乏人類駕駛員固有的視覺和邏輯能力。如我們可以利用所看到的東西和GPS來確定自己的位置，還可以輕鬆準確地識別障礙物、其他車輛、行人、交通訊號燈等，但要想讓無人車變得和人類一樣聰明，可是一項非常艱鉅的任務。

這是就需要高精地圖了，高精地圖是當前無人駕駛車技術不可或缺的一部分，它包含了大量的駕駛輔助資訊，最重要是包含道路網的精確三維表徵

高精地圖還包含很多語義資訊，地圖上可能會報告交通燈不同顏色的含義，也可能指示道路的速度限制，及左轉車道開始的位置。

高精地圖最重要特徵之一是精度，手機上的導航地圖只能達到米級精度，而高精地圖可以使車輛能夠達到釐米級的精度，這對確保無人車的安全性 至關重要。

2.高精地圖與定位、感知規劃的關係

2.1高精地圖用於定位

高精地圖是Apollo平臺的核心，許多無人駕駛車模組都有賴於高精地圖，有了高精地圖我們就需要在該地圖上進行自定位。這意味，需要弄清我們在地圖上的位置，這就是定位——無人駕駛車輛在地圖上的確切位置。

首先車輛可能會尋找地標，我們可以使用從各類感測器收集的資料，如攝像機影象資料、鐳射雷達收集的三維點運資料來查詢地標。車輛將其收集的資料與其在高精地圖上的已知地標進行比較，這一匹配過程是需要預處理、座標轉換、資料融合

無人車的整個定位過程取決於高精地圖，所以車輛需要通過高精地圖明確它處於什麼位置。

2.2高精地圖用於感知

無人車也可以使用高精地圖來幫助感知，就像人的眼睛和耳朵會受到環境因素的影響一樣，無人車的感測器也是如此。攝像機、鐳射雷達、雷達探測物體的能力，在超過一定距離後都會受到限制。在惡劣的天氣條件下或在夜間，感測器識別障礙物的能力可能會受到進一步限制。另外當車輛遇到障礙物時，感測器無法透過障礙物來確定障礙物後面的物體。這時，就需要藉助高精地圖的幫助了。

即使感測器尚未檢測到交通訊號燈，高精地圖也可以將交通訊號燈的位置提供給軟體棧的其餘部分，幫助車輛做下一個決策。

另一個好處在於，高精地圖可幫助感測器縮小檢測範圍，如高精地圖可能會告知我們在特定位置尋找停車標誌，感測器就可以集中在該位置檢測停車標誌，被稱為感興趣區域ROI。ROI可幫助我們提高檢測精度和速度，並節約計算資源。

2.3高精地圖用於規劃

正如定位和感知依賴高精地圖那樣，規劃也是如此。高精地圖可幫助車輛找到合適的行車空間，還可以幫助規劃器確定不同的線路選擇，來幫助預測模組預測道路上其他車輛將來的位置。

如高精地圖可幫助車輛識別車道的確切中心線，這樣車輛可以儘可能地靠近中心行駛。在具有低速限制，人性橫道或減速帶的區域，高精地圖可以使車輛能夠提前檢視並預先減速。如果前方有障礙物，車輛可能需要變道，可幫助車輛縮小選擇範圍，以便選擇最佳方案。

3.Apollo高精度地圖與構建

3.1Apollo高精地圖

Apollo高精地圖轉為無人車設計，裡面包含了道路定義、交叉路口、交通訊號、車道規劃，及用於汽車導航的其他元素。

高精度地圖可在許多方面為無人車提供幫助，如高精度地圖通常會記錄交通訊號燈的精確位置和高度，從而大大降低了感知速度。

高精地圖不僅可以減少計算需求，還可以通過提供有關駕駛環境的詳細資訊，來確保無人車的安全。保持這些地圖的更新是一項重大任務，測試車隊需要不斷地對高精度地圖進行驗證和更新。此外，這些地圖可能達到幾釐米的精度，這是水準更高的地圖精度。

Apollo高精地圖是最懂自動駕駛的高精地圖，也是業界精細化程度最高、生產率最高、覆蓋面最廣的高精度圖。目前，Apollo高精地圖的自動化程度已經達到了90%、準確識別率達到了95%以上，預計2020年可以覆蓋全國所有的重點道路。

高精地圖有很多種格式，為了方便資料共享，Apollo高精地圖採用了OpenDRIVE格式，這是一種行業製圖標準。同時，Apollo也對OpenDRIVE做出了改進，進而產生了Apollo OpeDRIVE標準，以便更適合無人車。

3.2Apollo高精地圖的構建

高精度地圖的構建由五個過程組成：資料採集、資料處理、物件檢測、手動檢測和地圖釋出。

資料採集是一項龐大的密集型任務，近300輛Apollo測試車輛負責收集用於製作地圖的源資料，以便確保每次道路發生改變時，地圖均會得到快速更新。測試車輛使用了多種感測器，如GPS、IMU、鐳射雷達、攝像機。Apollo定義了一個硬體框架，將這些感測器整合到單個自主系統中，通過支援多種類的感測器，Apollo收集各類資料將這些資料融合，最終生成高精度地圖。

資料處理指的是Apollo如何對收集到的資料進行整理、分類和精簡，以獲得沒有任何語義資訊或註釋的初始地圖模板。

對於物件檢測，Apollo使用人工智慧來檢測靜態物件並對其進行分類，其中包括車道線、交通標誌、甚至是電線杆，手動驗證可確保自動地圖建立過程正確進行並及時發現問題。Apollo使手動驗證團隊能夠高效標記和編輯地圖，在經過資料採集、資料處理、物件檢測、手動驗證之後，高精地圖才能釋出。

除高精地圖外，Apollo還發布了採用自上而下試圖的相應定位地圖、三維點雲地圖。

在構建和更新地圖的過程中，Apollo使用眾包向公眾釋出其資料採集工具，以便任何人都可以參與制作高精度地圖的任務，這加快了高精地圖製作和維護的過程。

更多詳細課程內容，大家可以登陸官網繼續學習！

也可以新增社群小助手（Apollodev）為好友，回覆“課程學習”進群與其他開發者共同交流學習。

自課程上線以來，瀏覽量已超10萬，已幫助全球97個國家約 7000 名學員入門自動駕駛與 Apollo 開源平臺，其中37%為海外學員，本門課程已成為優達學城 (Udacity) 近期獲得關注度最高的免費課程之一。