與專業測繪車相比，眾包更新的優勢和劣勢有哪些？激光和視覺兩大主流眾包方案的區別是什么？基于端、管、云構建的數據生態系統各有什么作用？眾包更新技術存在的技術瓶頸有哪些？中海庭常務副總經理羅躍軍給你答案。

中海庭常務副總經理羅躍軍主講，主題為《眾包模式下的高精地圖測繪技術》。本文為羅躍軍的主講實錄。下面一起了解下羅躍軍的主講提綱：

1、高精地圖的未來發展趨勢

2、眾包測繪的理論及實施現狀

3、眾包更新關鍵技術與實現路徑

4、眾包模式下所面臨的難題與突破

在瀏覽正文之前，可以帶著以下4個問題：

-與專業測繪車相比，眾包更新的優勢和劣勢有哪些？

-激光和視覺兩大主流眾包方案的區別是什么？

-基于端、管、云構建的數據生態系統各有什么作用？

-眾包更新技術存在的技術瓶頸有哪些？

主講實錄

羅躍軍：大家好，我是中海庭的羅躍軍。第一次用這種方式跟大家交流，如果有講得不好的地方，大家多多包涵。

今天跟大家交流的是眾包模式下高新技術的測繪技術。主要圍繞四個方面來闡述，第一：高精地圖的技術發展趨勢；第二：眾包更新的理論基礎和實施現狀；第三：眾包更新的關鍵技術和實施路徑；第四：存在的一些問題。

首先我們來看一下自動駕駛。在自動駕駛時代最核心的觀點是要實現零碰撞的理想交通社會，車輛可以安全移動、環保節能，同時人類可以舒適愉快地移動，這里包含了三個維度：安全、環境和舒適。為了實現這個理想的交通社會，從上世紀90年代開始，汽車企業不斷發展，包括倒車雷達、360度環視、車道維持以及自動巡航等功能，最終的技術形態就是自動駕駛。

對于自動駕駛的實踐，在業內比較公認有價值的實踐路徑，就是SAE的分級定義：從輔助駕駛到部分自動駕駛再到高度自動駕駛以及完全自動駕駛。業界廣泛預判2020年將是一個重要的時間節點，在這個時間節點會實現部分自動駕駛的量產，同時高度自動駕駛開始進入市場，這是一條主線，但是在局部上可能還會實現分場景的實施，比如場景優先的高級自動駕駛功能。貫穿自動駕駛實踐的技術核心是感知、認知和控制，不同級別的自動駕駛，對這三個核心技術的需求是不一樣的。

圍繞著自動駕駛，可以看到自動駕駛對時空的感知需求催生了高精地圖的問世。高精地圖一般具有以下四個特點。

第一，它提供了先驗的知識，它的感知范圍比現有的傳感器感知范圍要遠很多。視覺和激光最多能達200米，但更遠的地方以及視距范圍外的情況，傳感器是無法獲得的，而地圖具有無限遠的數據感知。

第二，地圖可消除傳感器的一些誤差。有些傳感器會判斷錯，雖然現在這種情況越來越少了，但還存在。當傳感器無法識別像金屬這些狀況時，通過地圖可以解決，同時地圖可以告知該地區誤差范圍可能是多大，通過一系列AI算法，可消除傳感器的一些誤差。

第三，地圖不受惡劣天氣的影響，在雨雪天氣的情況下，幾乎任何傳感器都失效。但只要有位置信息和地圖，完全不可視的環境中，也能完成一些自動駕駛功能。

第四，地圖能夠表達傳感器無法獲得的部分知識，通過數據積累、挖掘獲得部分駕駛經驗的載體，可集成在地圖中作為一種相應的知識傳達給每一個自動駕駛終端，補充其他傳感器的一些功能。

前面講了自動駕駛和地圖，相信業內朋友都很清楚，這里再多談一下地圖的發展趨勢，地圖的產生必須經歷從現實世界到采集加工處理、數據發布多種表達形式、用戶使用，再到數據發生變化，最后回到現實世界，形成地圖的在現實世界的一個閉環。隨著軟硬件的不斷發展，在地圖的各個環節中，地圖的采集、加工、存儲、表達和應用這幾個環節都不斷會有技術引進和更新。

技術不斷的變化可以使每個環節不斷演變，進而導致新地圖發生變化。在采集端，從最開始人眼獲取數據，通過各種采集終端、采集設備、傳感器系統來獲取數據，同時從基礎測繪和遙感技術變成社會化大眾化采集；在加工環節，從開始純人工處理，到AI做多元自動化的處理；在數據存儲和表達上，從開始紙質載體到各種多媒體載體，從二維到三維，從靜態到實時動態，從圖紙記錄到本地數據庫，再到云端，技術在不斷演變。在應用端，除了基本的導航、自動駕駛的決策規劃，還會擴展到智慧城市的更多其他應用。

上面講了地圖發展趨勢，高精度地圖發展趨勢會從專業測繪向眾包更新發展。上圖有幾個的采集方式，最上面是專業測繪車，這是我們幾個圖商按照功能制作，它的成本和精度都很高，但是可以做到這種專業測繪車的很少，它通過自主采集半自動化以及全自動化生產的方式獲得了高精度的矢量地圖，矢量地圖包括車道級拓樸、車道邊線、道路區間以及ADAS數據信息，它能夠滿足車道級的導航功能的自動駕駛，精度和可信度高，問題是成本非常高。

在這些專業的測繪車采集高新技術基礎上，我們認為可以出現一種Low Cost采集車，它的成本和精度比較低，它的數量可以多一些，它會通過采集一些精度稍低的數據，通過人工驗收、數據的差分融合等技術手段來不斷地更新高精度的矢量地圖。最下面是眾包車，成本最低，精度也很低，我相信未來自動駕駛車很多會采用同樣的設備來去做自動駕駛，優勢在于數量非常大。

通過數量大彌補單個數據質量精度低的問題，可通過大數據分析獲得動態交通情報。對地圖比較了解的人會知道，高精地圖實際上分靜態地圖、動態地圖，很多動態信息是來自于眾包車輛的數據獲取，包括擁堵、交通事故、天氣等，還可通過多視幾何、攝影測量、深度強化學習以及云霧計算等方式生成語義地圖和特征地圖，另外也通過大量數據共享、挖掘、分析和融合來提升精度和可信度。

眾包車輛生成的數據，除了生成動態的信息能夠更新一部分高清地圖外，還生成了一些感知地圖，用于自動駕駛輔助定位。

簡單小結眾包更新的創新和優勢，首先眾包更新是實現實時更新的低成本和可量產化的方案，具有一些非常顯著的優勢，中國大概600多萬公里的道路數據，如果按照專業測繪的方式采集，將是個天文數字，因此如果有一個基礎的高精度地圖網，通過眾包的方式來更新地圖獲得城市細道路數據，它將是低成本可量產的方案。

第二，在商業模式上也有新的吸引力，數據的使用者同時也是數據的提供者，在未來商業模式上可能會發生一些變化，隨著區塊鏈技術的發展，可能會看到新的商業模式出現。在技術上，它的難度在于精度和可信度都比較低，但是隨著大數據技術的發展以及AI技術的突破，這些技術門檻會逐步降低，同時精度和可信度將逐步提高。

第二部分講一下眾包更新的理論基礎。實際上，眾包的概念很早就已提出，講三種形態，第一是UGC，用戶原創內容，這個概念來自于互聯網，用戶就是網絡內容瀏覽者，也是網絡內容的創造者，也得到了非常廣泛的應用，比如維基百科、豆瓣、知乎以及抖音，每個人都可以上傳和分享自己的作品，都可以作為自媒體在網上活躍起來。

第二是劉經南院士提出的泛在測繪的概念，傳統測繪是利用測量的儀器測定地球表面形態的地理要素以及地表人工設施形狀、大小以及空間位置等屬性。根據觀測到的數據，通過地圖制圖方法，向地面的自然形態人工設計繪制成地圖，而泛在測繪是在任何地點、任何時間為認知環境和人而使用和創造地圖的活動，可以理解為所見即所測繪，使用即測繪。

第三個是群智感知，是將普通用戶的移動設備作為基本感知單元，通過通訊的方式形成群智感知網絡，從而實現感知任務分發和感知數據收集，完成大規模復雜的社會感知任務。

接下來我們講眾包更新的數據來源和分類，可以分為四大類。第一是軌跡數據，眾包、自動駕駛或其他的輔助安全駕駛有相通的功能，首先定位必須是一個高精度的定位來源，一般來自于GNSS+慣導的位置感知數據以及通過SLAM或相關技術把視覺定位、高精度定位、激光雷達定位、毫米波雷達定位等定位方式進行融合得到一個融合定位的高精度軌跡數據。但在軌跡數據中，單一的軌跡信息價值非常低，必須形成規模效應。我們要形成的產品主要是拓撲網和拓撲網的更新，同時還包括一些動態的交通信息。

第二是圖像數據，圖像數據包含的信息量是非常大的，大部分是非結構化的數據。實際上，這些非結構化數據要處理成結構化數據，是要通過標定和AI算法把圖像數據變成矢量化數據。

第三是雷達數據，雷達包括激光雷達、毫米波雷達、一些超聲波雷達。激光雷達的精度非常高的，成本也非常高，這是最大的缺點。而毫米波雷達也能夠覆蓋所有應用，在一些場景重構方面，對數據精度的提升很有價值。通常，激光雷達精度是足夠的，如果使用毫米波雷達，需要跟圖像數據等其他的數據進行融合才能得到比較好且能使用的數據。

第四是CAN數據，包含車內各個零部件在毫秒級層面上輸出的數據，這些數據的挖掘對做無人駕駛的決策算法有非常好的作用。

圍繞剛才的眾包數據分類，目前國內外出現了不同方案的眾包公司，這些初創企業都做得非常不錯，主要有兩大方案，第一是以視覺為主，比如有Mobileeye、IvI5以及國內的寬帶科技等企業。以IvI5為例，左上角是IvI5的制圖樣例，制作視頻APP應用，向目標鎖定到Uber等平臺的司機用戶上，使用者可以將手機固定在汽車儀表盤上方，下載該應用并在駕駛室的啟動，會開始錄制視頻，同時收集加速度GPS數據，駕駛員每駕駛十英里大概可得到幾美分報酬，這些數據最終將幫助IvI5團隊創建高精地圖。

另一種方案是以雷達為主，比如DeepMap和Civil Map等公司，主要是將激光雷達獲取的點云數據利用AI識別道路特征，把道路邊線、車道線以及一些看板的特征識別出來，建立起地圖更新或直接構建感知圖層。由于激光雷達價格遠高視覺傳感器，所以它在數據規模上是不及以視覺為主的傳感器的規模，但它精度更高，因此這兩種方案各有利弊。目前如果能把這兩個方案融合在一起進行取長補短，可能會是比較好的方案。

這張表展示了對激光和視覺兩大主流眾包方案的比較。激光為主的方案有成本高、精度高的特點，核心傳感器是不同線數的激光雷達，眾包數據源包括激光點云數據或者一些數據照片等數據，核心處理算法包括三維建模、計算機視覺等方面，輸出成果有三維模型、車道模型和地面相關要素。在以視覺為主的方案中，成本低，精度也相對低，核心傳感器有全景相機、單目相機、雙目相機等，甚至手機相機和行駛記錄儀都有可能作為它的輸入，它的眾包數據源是照片、視頻、軌跡數據，核心算法包括多視幾何、深度學習、多元語義分割等，輸出成果具有高精度的拓撲關系及能識別出的交通標志牌。

實際上，眾包是未來地圖更新的必經之路，所以在各個領域都有不同的廠商在發力。從技術路徑上講，有激光和視覺兩大方向。第一，有很多整車廠以及OEM廠商已經開始在做；第二，互聯網巨頭如Google、百度、阿里已經在關注并開始發力；第三，很多出行和物流服務商也在做，Uber、滴滴、京東等；第四，典型的圖商，如here、四維、百度、高德，包括我們在內及新型初創公司，大量的新初創的技術，都貢獻不少，包括civilmap、deepmap、lvl5等等。

我們來看一下眾包更新的關鍵技術和實現路徑。我們認為基于端、管、云構建的數據生態系統，終端主要是傳感器、本地的計算能力以及高精度定位。通訊主要是管，負責數據傳輸和信息安全；云端需要有AI大數據處理、地圖生成和構建。高精地圖的眾包主要是分為兩個部分：智能感知終端，即端的感知能力，還有高精度地圖云，在云端做高精度的融合和更新處理。

在終端層面上會有哪些工作呢？這幅圖主要展示了汽車所能應用的絕大部分傳感器，激光雷達、差分GPS、慣性導航、一些其他的傳感器，包括路側單元傳感器、身體生理傳感器（如檢測疲勞駕駛）及溫度、濕度、風向傳感器等，這些傳感器能完整地獲取人體以及車輛的自身狀態，不僅可以挖掘自車狀態的數據，也能用于自動駕駛，還是未來動態地圖眾包更新的一個來源。比如通過測量車輛雨刮的使用狀況以及頻率，能夠間接了解該區域天氣情況。在終端方面，我們的主要任務首先是高精度的融合定位，如果我們需要軌跡數據，那么我們希望這個軌跡數據至少是分米級的定位精度，通過差分GPS和慣導能夠獲得一些位置，再通過融合定位的方式，去生成精準的軌跡。

傳感器除了獲取軌跡數據和相關的車輛數據之外，算力也非常重要。它要將傳感器所獲得的數據進行計算或識別成我們通過眾包云端能夠使用的一些語義地圖，傳感器實時產生的數據量非常大，在現在的通訊狀況下，把這些數據傳給云端，通訊壓力很大，同時大量的數據在云端將會被浪費。因此終端需要一定的計算能力進行初步的數據對齊和處理，例如感知特征識別和地圖要素矢量化，這些處理需要同步傳感器的時間以及合理的調度和優化資源。目前世界上比較好的終端開發平臺是NVIDIA的Jetson TX2，搭載代號Parker的Tegra處理器、6核CPU架構、256核Pascal架構GPU核心，整體模塊功耗低于7.5W。

終端最開始核心是定位，還需要感知識別，它首先需要圖像數據的感知，最好的方法是利用AI深度學習的處理方法，實質就是將非結構化圖像數據轉化為結構化數據，包括識別的特征、物體的種類、位置和姿態等等。非結構化數據，比如行車記錄儀的視頻數據，包括數據采集、數據壓縮和數據存儲；而最終的結構化數據，包括了初步識別的結果，如交通標志的識別結果、車道線等。

對于轉化的過程，都是深度學習來做的。我們所需要樣本的訓練過程以及針對性的樣本模型，相信大家都比較熟悉這些工作了，我就不展開講了。

這里也簡單地說明一下，在做深度學習時，首先需要標注，需要一些標注的數據來進行最后的推理和使用。這些標注的工作是由大量的人工和半自動化的方式來實現的，有的可以利用開源的數據集來訓練，也有模型能夠自動地生成部分的數據，包括人工的篩選用來表示對錯的一些標識。這些工作在業內也有專門的公司會幫我們來做。

同時，標注的類型我們可以分為物體級別標定、物體屬性標定以及物體像素級別的標定，可以根據實際的需要來進行選擇。

接下來我們看一下管端，眾包數據不可能都在終端完成，因此它需要把數據傳到云端，在管端主要是通訊，通訊方面我們可以看幾個數據,首先是原始感知數據，如果要把原始數據全部傳到云端，在高速公路經過SLAM或其他特征提取后大概是50兆/公里，如果要將非常完整的激光點云往上傳，一公里大概都需要一個G的數據，而整個全國高速估計得要TB級了,因此云端是不需要這么龐大的數據的，我們只需要將矢量化的數據往上傳，矢量化的數據在高速公路基本上每公里可以做到10KB的數據量。

在管端，除了通訊，還需要關注數據傳輸的協議。目前主要流行的協議是ADASIS協議，同時還需要關注它的信息安全，未來的5G和V2X的發展也會給通訊帶來革命性的變化。

上圖的下面有兩幅小圖，可以看到車跟車之間的通訊、車和路以及車和人之間的交互的數據，這些都會成為我們未來新眾包數據的來源，可以用于實時交通信息的數據獲取。

接下來我們要看看云端要。在云端，主要利用AI機器學習以及大數據處理等技術，從海量眾包數據中獲得有效的信息，為高精度地圖的生成和構建做準備。對不同類型的眾包數據，處理方法會不一樣。對軌跡數據我們要遵從經典的數據挖掘的方法，包括數據清洗、配準、挖掘等過程。挖掘的算法也有很多，在左邊我們也寫了很多算法，大家可以去了解一下，包括相似定義算法、以時間聚焦的軌跡聚類。

在進行機器學習和大數據清洗處理之后，就可以進行構建地圖了。上圖是地圖生成和構建的基本流程。我們將得到識別出的道路邊線的形狀以及地物類的位置屬性，這是我們的輸入，但是這并不是我們所說的高精度地圖，我們還要進行專業化的地圖生成和構建，其中包括點線融合、形狀點一次構建、拓撲構建，在這個基礎上，再進行形狀點二次構建，增強它的幾何形狀，使二階更加光滑，并計算出它的坡度曲率，然后再構建出車道的模型以及靜態標志融合等多個步驟。

其中拓撲構建指的是道路和車道間的連通性關系。車道模型構建中需要根據形狀的信息生成高精度的坡度、曲率和ADAS數據。

接下來我們談一下眾包測繪存在的一些問題。主要是以下幾點：

第一是傳感器數據來源和標準；

第二個是眾包測圖與更新的行政許可，也就是政策門檻；

第三是眾包數據的質量和精度。

首先，傳感器數據融合還存在著很多問題，傳感器的種類很多，性能的差異非常大，傳感器的數據格式不統一，多傳感器數據融合技術仍存在著一些技術壁壘。而在技術壁壘方面，可以有以下幾個問題。

第一，還沒有建立起統一的融合理論和有效廣義融合模型及算法；

第二，對數據融合的具體方法，目前的研究還在初步階段，雖然有一些比較好的成果，但我覺得它還有很大的發展空間；

第三，還沒有很好地解決融合系統的容錯性和魯棒性的問題，雖然大數據融合包括深度學習是概率性的問題，但是我們還無法量化它的魯棒性。

第四，關聯的二義性是數據融合的主要障礙以及數據融合系統中的設計也還存在著很多實際的問題。

第五，在上傳協議方面，目前會針對已有的車聯網車輛數據上傳協議，主要用于車輛間動態信息的交互，需要針對眾包制圖方面擴展協議內容。

雖然here在國際上也有一個Sensoris是相關的協議，但是這并不是一個統一的標準，國內也在做一些標準化工作，在標準化組織方面，我們幾個圖商在國家的指導下，將會形成一些標準化的工作。

另外一個問題是政策問題。實際上，眾包數據的搜集是有一些政策的。雖然沒有明確的行政許可，但是根據測繪法對策行為的定義：企業性質的大范圍帶GPS和不帶GPS的地理數據搜集都屬于測繪行為，數據需要由甲級導航電子地圖資質的圖商來收集處理。

可以看到，通過定義，對眾包數據的搜集有著極大的限制。導航或自動駕駛汽車搜集車端帶GPS數據都屬于測繪行為，如果GPS數據需要加工成圖，需要有資質的企業來進行數據的搜集和加工；如果GPS數據用于對接監管平臺，需要通過有資質的圖商對數據進行管理和監管。對于不帶GPS的數據，比如影像、視頻等，如果是大范圍的、企業性質的采集也屬于測繪行為，因此這并不是所有的人、圖商或者車廠能夠采集的領域。

還有更加嚴格的政策監管，包括基礎地圖生產、地圖數據存儲、地圖更新、地圖出版銷售等等各個環節都需要有資質的限制。通過資質可以看到，對眾包更新會有很大的限制，但是這對未來的自動駕駛以及眾包更新來說是一個大的趨勢，國家將自動駕駛作為一個戰略發展方向，我相信在未來的政策限制方面，國家會有一定的考慮的。

最后來看眾包更新存在的一些技術上的瓶頸，主要在于眾包的制圖能力，它是不是真的能夠達到我們所期待的眾包更新。第一，數據質量與覆蓋范圍終端設備數量是密切相關的，我們要想獲得眾包更新的數據，前提是有大量的、可以完全跑的相關眾包車輛。從采集端來看，為了保證精度，每條車道上最好能夠有一定的覆蓋，一般情況下10遍左右，當然有更多是最好的，因此在眾包地圖中，它一定要有足夠大的用戶量，這可能就會出現雞生蛋和蛋生雞的過程。

在數據內容上，我們需要一個完整的車道系統網絡，不光只是一個車道邊線和中心線，還需要得到它的拓撲關系，包括虛擬連接線；眾包數據在精度屬性上還有點欠缺，在右下角的圖上，我們可以看到有些地方的虛實線有斷裂、有些地物的標識不精準以及路口內虛擬連接線有交叉等等，這些問題都會導致在精度方面的問題。

雖然未來我們會獲得一些精度和屬性上有點欠缺的數據，但我們希望能夠像之前說的，以專業的采集數據為基準，與眾包數據通過在精度方面的融合以及貝葉斯過濾算法等等技術去提高精度。隨著技術的發展，精度也會逐步提高，在未來，通過這種方式肯定能夠滿足我們數據更新需求。

以上就是跟大家分享的內容，大家有什么相關的問題，我們可以一起來討論。謝謝大家。