一、高精地图 HD Map

---

1、高精地图定义

高精地图 ( HD Map , High Dimensional Map ) 是一种 包含 海量 地理空间数据 ( 包括 静态 + 动态 物体 的 数据信息 ) 、精度达厘米级的 数字化地图 , 不仅记录 道路的几何拓扑结构 , 更能 精准描述 道路 及 周边环境 的 " 微观细节 " , 相当于为 自动驾驶 车辆配备 的 环境数据库 ;

2、高精地图在自动驾驶中的地位

高精地图 ( HD Map , High Dimensional Map ) 在 自动驾驶 中 ,

• 是 定位系统、感知系统、预测系统、决策规划、实时控制 等 模块 的 数据支撑 ,
• 是 自动驾驶 环境感知 与 决策 中枢 ,
• 为 自动驾驶 车辆 提供 厘米级 精度的 环境认知 、实时动态信息补充 及 全局路径规划 依据 ,
• 是 L3 及以上级别 的 自动驾驶 的 核心 基础设施 ,

高精地图 在 当前 的 L3 ~ L4 自动驾驶 中 是必须的 , 目前的 自动驾驶 底层原理 就是 在理想情况下 根据 高精地图 和 定位系统 进行导航驾驶 , 中间加入 感知系统 和 预测系统 规避道路中间的障碍物 , 以及遵守交通规则驾驶 ;

在 封闭区域 , 如 : 露天矿、封闭厂区、港口 等场景 , 仅需要 高精地图 即可实现 一定程度 的 自动驾驶 ;

可能到 L5 自动驾驶 中 , 实现 无图智驾 , " 图 " 指的是 高精地图 ;

3、高精地图 特点

高精地图 特点 :

• 超高精度 : 而高精地图 水平、垂直 平面精度 普遍达到 0.1 ~ 0.5 米 , 部分场景 甚至达到 厘米级 , 如 : 高速公路、停车场 ; 可根据 高精地图 结合 RTK 定位信息 精准定位车辆 在 车道内的具体位置 , 如 : 车道中心线 左侧 30 厘米 ;
• 全要素覆盖 : 数据维度 远超传统地图 , 涵盖 " 道路本体 + 周边环境 + 交通规则 " 三大类信息 ;
  • 道路本体 : 车道数量、车道线类型 ( 如 : 实线 / 虚线 / 双黄线 ) 、车道宽度、坡度、曲率、转弯半径、路面材质 ( 如 : 沥青 / 水泥 ) ;
  • 周边环境 : 交通信号灯位置及高度、交通标志（限速 / 禁止超车 / 让行）的坐标与含义、护栏、路缘石、井盖、树木、电线杆、建筑物轮廓 ;
  • 交通规则 : 车道功能（左转 / 直行 / 右转）、限速区间（分段限速）、禁止停车区域、路口让行规则、潮汐车道切换逻辑 ;
• 静态、动态 数据融合 :
  • 静态数据 : 上面介绍的 " 道路本体 + 周边环境 + 交通规则 " 等静态数据 , 更新频率较低 ;
  • 动态数据 : 实时接入 , 实时更新 , 如 :
    • 实时 交通流量、拥堵情况 ;
    • 临时施工区域、事故占道信息 ;
    • 交通信号灯实时状态 , 如 : 红灯 / 绿灯 / 黄灯倒计时 ;
    • 突发障碍物 , 如 : 抛洒物、行人横穿 ;
• 数据结构化 : 所有信息都是 自动驾驶 系统 可读取 解析 调用 的 结构化数据 , 无需人工参与解读与识别 ; 如 Autoware 的 Lanelet2 高精地图 , Apollo 的 基于 OpenDrive 规范 的 高精地图 ;
• 动态更新 : 高精地图 可以 根据环境变化 实时 或 准实时 更新 , 如 : 道路临时改道、交通标志损坏、突发事故等 , 均可以通过车辆 crowdsourcing（众包）、路侧设备（RSU）、卫星 等 多渠道 快速同步至 高精地图 数据库 ;

4、高精地图中的静态物体信息

高精地图 提供了 道路中 静态物体 的 准确信息 , 如 : 信号灯、隔离墩、路肩、道路宽度 等 ;

根据 定位系统 获取的 精确坐标 , 参考 高精地图 中 的 静态物体 , 与 激光雷达、摄像头 获取的 静态物体 形状和位置 进行对比 , 可以 计算出 当前车辆 的 相对于 高精地图 中的 静态物体 的位置 ;

缩小 传感器 感兴趣区域 ROI : 高精地图 可以 减少 传感器 的 检测范围 , 如 : 车辆行驶 需要 在 车道线 中形式 , 不能压线行驶 , 直接在 高精地图 中标出车道线 的位置即可 , 这样就不需要依靠摄像头拍摄照片 , 再通过 机器视觉 识别出 车道线 , 节省了 车载计算单元 的 算力 ;

5、高精地图 与 导航地图 对比

高精地图 与 导航地图 对比 : 最大的特点 就是 高精地图 的 高维度 和 高精度 ;

• 维度对比 : 高精地图 给出了 更多 高维度 信息 , 如 : 道路本体 + 周边环境 + 交通规则 等 信息 , 导航地图 仅有 道路本体 信息 ;
• 精度对比 : 导航地图 精度 是 米级 的 , 高精地图 的 精度 一般都是 厘米级 的 , 一般是 自动驾驶 车辆 , 使用 RTK 定位进行采集的 ;
• 信息对比 :
  • 导航地图 包含 道路网络、兴趣点 POI 、限速、红绿灯位置等 信息 ;
  • 高精地图 在 导航地图 基础上 增加了 车道线、路缘、坡度、交通标志、红绿灯朝向、三维结构等 信息 ;
• 更新频率 : 导航地图 每隔几个月更新一次 , 高精地图 每天 或 每周更新 , 或者 实时更新 ;
• 用途对比 : 导航地图 只能给出 两点之间的大致路线 , 高精地图 可用于 自动驾驶的 环境感知、辅助定位、辅助决策 等领域 ;
• 使用者对比 : 导航地图 使用者 是 人类驾驶员 , 高精地图 是 自动驾驶系统 使用 ;
• 坐标系对比 : 高精地图 使用的坐标系 一般是 WGS84 和 墨卡托坐标系 , 一般不使用 导航地图 的 GCJ 火星坐标 , 坐标系来回转换 会 损失精度 ;

6、高精地图常见格式

① OpenDrive 高精地图格式 : 是 ASAM 的 OpenX 系列标准之一 , 采用 XML 文件格式 , 允许使用与真实道路相同的元素来精确描述道路 , 如 : 直线、曲线、高程剖面、车道和标志等 ;

该格式主要用于 仿真测试场景 , 不过 百度的 Apollo OpenDrive 是在其基础上结合自身技术经验扩展修改而成 , 更适用于无人驾驶场景 ;

② Lanelet2 高精地图格式 : 是 自动驾驶领域 高精度地图 的一种高效表达方式 , 它 以彼此相互连接的 lanelets 来描述自动驾驶可行驶区域 , 不仅可以表达车道几何 , 也可以完整表述车道拓扑 , 同时可以集成交通规则和人的驾驶习惯 ;

Autoware 使用该格式的 高精地图 ;

Lanelet 读法 : [len let] 楞莱特 ;

③ Apollo 高精地图数据格式 : Apollo 平台的 高精地图 采用二进制协议缓冲区格式存储 , 是在 OpenDrive 基础上发展而来的 , 具有分层数据结构 , 包含基础层、语义层和动态层 , 基于车道中心的表达方式 , 支持厘米级精度定位 , 包含丰富的语义信息 ;

7、高精地图采集制作流程

高精地图采集制作流程 :

• 数据采集 : 使用 专业采集车 ( 配备专业采集工具 ) 或 众包采集车 ( 量产自动驾驶汽车 ) , 采集 点云数据 ( 激光雷达生成的三维环境点集 ) 、图像数据 ( 摄像头拍摄的道路场景 ) 、定位数据 ( 北斗 / GPS 采集 的 经纬度、海拔 ) 、IMU 数据 ( 车辆姿态、加速度 ) ;
• 数据处理 : 数据预处理 -> 特征提取 -> 人工校验与结构化 ;
• 动态更新 : 通过 云平台 向汽车下发 增量更新 , 仅将变化的部分更新进去 ;
• 地图应用 : 云平台 通过 5G/6G 网络 , 将 高精地图数据 ( 静态基础数据 + 动态增量数据 ) 传输至 自动驾驶车辆的 域控制器 , 自动驾驶系统 实时读取地图数据 , 与传感器数据融合 , 最终输出 线控控制指令 ;

专业采集车 : 安装了专业采集工具的 数据采集车辆 ;

众包采集车 : 量产车 ;

二、定位模块 Localization

---

自动驾驶汽车 通过 定位模块 知道自己在哪 , 一般通过

• RTK 定位
• 惯导定位
• 几何定位

多种方式 , 进行定位 ;

1、RTK 定位

实时动态差分定位 ( RTK , Real-Time Kinematic ) , 是 自动驾驶系统 最核心 的 定位方式 , 其它的一切定位都要以 RTK 定位为基础 进行拓展 ;

RTK 定位 是 基于 GNSS ( Global Navigation Satellite System , 全球导航卫星系统 ) 的 高精度定位技术 , 通过 " 基准站 + 移动站 " 的 差分计算方式 , 将 GNSS 的 定位精度 从 " 米级 " 提升至 " 厘米级 " , 这是 是自动驾驶 " 绝对定位 " 的核心技术之一 ;

上述 涉及到的 定位系统 包括 北斗、GPS、GLONASS ;

RTK 定位 核心原理 :

• 基准站部署 : 在已知 提前测绘 的 精确坐标 地点 , 建立 固定 " 基准站 " , 实时接收卫星信号 , 并 计算 当前区域 的 卫星信号的误差 , 如 : 电离层延迟、对流层延迟、卫星钟差 等误差 ;
• 移动站接收 : 车辆上的 GNSS 接收机 , 也就是 " 移动站 " , 同时接收 导航定位卫星信号 和 基准站 发送的 " 误差修正信息 " , 该信息可以 通过 4G/5G 网络 或 专用电台 传输 ;
• 差分计算 : 移动站 结合 自身接收的卫星信号 和 基准站 的 误差修正 , 消除共性误差 , 最终输出厘米级精度的绝对位置 ;

差分计算 消除误差 的 核心算法 是 卡尔曼滤波 ( Kalman Filter ) 算法 ;

RTK 基准站 一般设置在 道路两侧 , 十字路口 等位置 , 是 自动驾驶 基础设施 建设 的 重要组成部分 ;

2、INS 定位

惯性导航系统 ( INS , Inertial Navigation System ) , 是一种自主式定位技术 , 不依赖 外部信号 , 如 : 卫星、地面基站 , 仅通过 内置传感器 测量车辆的运动状态 , 推算出位置和姿态 ;

INS 惯性导航系统 的 核心组件 是 惯性测量单元 ( IMU , Inertial Measurement Unit ) , IMU 的 本质是 " 加速度计 + 陀螺仪 " 的集成模块 ;

惯性导航系统 ( INS , Inertial Navigation System ) 定位核心原理 : 基于 " 牛顿运动定律 " 通过两种核心传感器实现定位 :

• 加速度计： 测量车辆在 三维坐标系 下的 线加速度（如加速、刹车、上下坡的加速度）；
• 陀螺仪： 测量车辆绕三维坐标轴的 角加速度（如转向、倾斜的角速度） ;

INS 通过 对 " 加速度 " 进行两次积分 , 第一次积分得到速度 , 第二次积分得到位移 , 结合初始位置 , 实时推算车辆当前的位置、速度和姿态 , 初始位置 一般是由 RTK 定位获得 ;

惯性导航系统 ( INS , Inertial Navigation System ) 应用场景 :

• 作为 " 定位冗余 " : 当 经过 隧道、地下车库、高楼遮挡 区域时 , GNSS 信号丢失时 , INS 可 短期 维持定位精度 , 避免定位中断 , 通常 10 ~ 60 秒 , 时间越长 定位误差越大 ;
• 辅助姿态测量 : 为 激光雷达、摄像头 提供 高精度姿态 , 辅助环境感知的坐标转换 ;

3、几何定位

几何定位 是一种 相对定位技术 , 不依赖 GPSS 定位 或 INS 定位 , 通过 激光雷达、摄像头 等 感知传感器 提取环境中的 几何特征 , 与 高精地图 或 历史感知数据 进行匹配 , 推算车辆的相对位置 ;

• 基于 激光雷达 的 几何定位 ( LiDAR-Based ) : 激光雷达 发射激光束 , 扫描周围环境 , 如 : 路灯、护栏、树木、建筑物轮廓 , 生成 实时点云地图环境 , 将 实时点云 与 预建的 高精点云地图 进行 特征匹配 ，计算车辆在地图中的相对位置 ;
• 基于 视觉 的 几何定位 ( Vision-Based ) : 摄像头拍摄周围环境图像 , 提取图像中的特征点 , 如 : 车道线、交通标志、建筑物角点 , 将 实时特征点 与 高精地图 中的 " 视觉特征库 " 匹配 , 结合 视觉里程计 ( VO ) 推算车辆位置 ;

几何定位 特征匹配 常见算法 :

• 迭代最近点算法 ( ICP , Iterative Closest Point ) : 用于 激光雷达 点云数据 , 通过 " 迭代寻找对应点→计算最优变换矩阵→最小化点云距离误差 " 的循环 , 实现 实时采集的点云数据 与 高精地图中的目标点云 两组点云数据 进行对齐 , 最终输出 车辆的位置 ( 经度、纬度、海拔 ) 和 姿态 ( 航向角、俯仰角、横滚角 ) ;
• 正态分布变换算法 ( NDT , Normal Distributions Transform ) : 用于 激光雷达 点云数据 , 将 目标点云 转换为 概率分布模型 , 通过 最大化 实时采集的点云数据 在该模型中的概率密度 , 实现位姿优化 , 该算法更适用于点云密度不均、有遮挡的城市道路场景 ;
• 直方图滤波算法 ( Histogram Filter ) : 可用于 点云数据 和 图像数据 , 是一种基于环境特征分布的概率定位方法 , 核心逻辑是 通过传感器观测环境特征 , 构建特征直方图 , 与地图中的特征直方图对比 , 计算车辆在每个可能位置的概率 , 最终输出概率最高的位置 , 该算法常用于 视觉定位 或 低成本激光雷达定位 ;