高精动态地图基础平台众源更新技术路线研究 | ![]() |
2. 武汉大学资源与环境科学学院,湖北 武汉,430079;
3. 武汉大学地理信息系统教育部重点实验室,湖北 武汉,430079;
4. 自然资源部数字制图与国土信息应用重点实验室,湖北 武汉,430079;
5. 地球空间信息技术协同创新中心,湖北 武汉,430079
2. School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China;
3. Key Laboratory of Geographic Information System, Ministry of Education, Wuhan University, Wuhan 430079, China;
4. Key Laboratory of Digital Mapping and Land Information Application, Ministry of Natural Resources, Wuhan University, Wuhan 430079, China;
5. Collaborative Innovation Center of Geospatial Technology, Wuhan 430079, China
发展智能网联汽车是中国重要的战略方向,工业和信息化部表示要坚持单车智能和网联赋能并行发展路径。作为智能汽车产业中“车、路、云、网、图”的五大关键要素之一,高精动态地图是智能网联车路协同的共性基础技术及重要基础设施。国内外车企在2021年均释放了自动辅助驾驶高速场景,有车企提出,在基于环境匹配的定位中,如果高精动态地图无法保证持续更新,由信息滞后引起的安全风险将不断增加,最终影响驾驶的安全性[1]。
目前国内主流图商因高成本的专业采集方式以及车、路感知数据的缺乏,无法实现大范围的高精动态地图实时更新。因此,国内外研究机构及图商均开始开展众源更新技术路线研究。陈龙等[2]提出了“基于边缘计算和多智能体强化学习的高精地图更新方案”,但是该方案也面临多智能体多源海量数据的安全问题以及融合更新关键技术问题;李月华[3]针对自动驾驶高精度地图更新的复杂性,提出了车端、云端和路侧单元(road side unit,RSU)的更新匹配方案,有利于提升众源更新的可用性;侯翘楚等[4]提出了一套利用高分辨率遥感影像对高精度地图静态图层的车道级要素进行大范围、快速提取的方案;訾璐等[5]利用多粒度时空对象数据模型,对高精度地图的交通要素进行分析和描述,提出一种高精度地图交通要素对象化建模方法;张攀等[6]针对高精地图的数据模型和表达方式,提出了一种通用的,具备大规模应用能力的高精地图模型Whu map model,推动了高精地图在生产和应用阶段的数据模型标准化。同时,国外Mobileye公司的Road Experience Management(REM)数据服务、HERE公司的Open Location Platform(OLP)、丰田公司的Automated Mapping Platform(AMP),均提出基于车辆数据上传云端实现众源更新的技术路线,国内主流图商也在进行地图众源更新技术的研究,已建立众源发现、更新机制及自动化数据生产流程。众源更新作为实现高精动态地图快速更新的低成本和可量产化方案,是高精动态地图产业化的重要环节[7]。但是行业仍然面临数据源分散、众源方式存在安全隐患、行业缺乏相关标准等问题。
本文提出了众源更新技术路线,基于该路线搭建高精动态地图基础平台,平台将配合行业主管部门监控监管,在全面保障国家地理信息数据安全的前提下,满足智能汽车对高精动态地图的快速更新需求。
1 高精动态地图定义高精度地图可以帮助自动驾驶汽车进行地图匹配定位、实时路径规划导航以及环境感知、决策和控制等,为自动驾驶汽车安全、高效运行和乘客舒适提供保障[3]。高精度地图包含道路静态和动态环境信息,能够以云端协同、车路协同等方式实现信息加载[8]。按照更新频率可将高精度地图分为静态地图、准静态地图、准动态地图和动态地图[9, 10],这4个层级包含的内容如下:①静态地图包含道路网、车道网及道路设施的几何、属性信息;②准静态地图包含交通标志牌、路面标志等道路部件信息;③准动态地图包含道路拥堵、施工、交通管制、天气等信息;④动态地图包含周边车辆、行人、交通事故等实时性较高的信息。
本文将高精度地图的4个层级称为高精动态地图,并将静态地图和准静态地图称为静态图层,准动态地图和动态地图称为动态图层。按照更新频率要求,静态图层需达到天级,动态图层需达到分钟级甚至秒级,对数据的时效性要求较高。基于众源数据可以解决高精动态地图更新时效性问题,并有效降低数据生产成本[11]。
2 众源更新技术路线在智能网联车路协同场景中,自动驾驶车辆通过激光雷达、摄像头等多传感器融合实时感知周边信息,以保障自动驾驶车辆行驶安全;路侧设备从“上帝视角”实时感知道路情况,帮助自动驾驶车辆弥补盲区,提高车辆行驶的安全性。两者在正常运转的情况下,感知语义信息的精度高、实时性高,能为高精动态地图提供重要的数据源。由于上传的是结构化语义数据,数据传输带宽要求低,在不额外增加车辆、路侧成本的情况下,为高精动态地图众源更新创造了丰富的“众源”条件。
众源更新是指通过获取多源海量非专业测绘的社会车辆和路侧感知设备感知的道路及其周围环境数据,利用大数据处理技术与高精基础地图匹配,发现并挖掘变化信息,将变化信息进行多源数据融合更新,将高精动态地图下发给车端应用,从而实现数据采集、数据处理、地图更新、地图发布、地图应用的数据闭环[12]。本文涉及的众源更新技术路线如图 1所示。
![]() |
图 1 众源更新技术路线图 Fig.1 Roadmap of Crowdsourcing Update Technology |
2.1 众源数据汇聚与预处理
众源数据汇聚类型包括车端数据、路侧端数据、第三方平台数据等多源数据。由于数据的类型、精度、标准不统一,为方便后续环节应用,在数据接入时需要对源数据进行评价,并经过解析、清洗、标准化和质检后入库。
2.2 数据处理1)静态图层数据处理。数据处理环节的目的是生成可用于地图更新的语义信息。针对不同源数据的特性,研发相应的算法处理技术,如图像处理需要对图像进行标定、目标检测或图像分割、三维重建,生成高精语义,对高精语义进行融合处理,输出最优语义成果。对高精融合语义成果与库中的基础地图数据进行匹配差分[13],将高精变化成图结果更新到现实认知库,利用变化的信息更新高精基础地图[14],见图 2。
![]() |
图 2 静态图层更新流程 Fig.2 Update Process of Static Layer |
2)动态图层数据处理。首先基于众源数据挖掘出可疑事件,再利用图像识别技术或设定规则对事件类型进行自动划分,并针对不同源的数据指标研发相应的算法处理技术,如三维重建、轨迹推断和几何位置纠偏等技术,确保数据精度和时效性要求。要对不同源数据生成的成果进行融合处理,以确保动态数据成果表达的唯一性、准确性和可靠性,包括几何融合、属性信息融合和信度数据融合。如图 3所示。
![]() |
图 3 动态图层更新流程 Fig.3 Update Process of Dynamic Layer |
3)成果数据入库。成果数据入库是对高精动态地图成果数据进行入库,为确保成果数据满足质量要求,入库前应进行自动化质量检查。
4)出品发布。对最终成果数据进行合规、编译等处理,形成最终产品数据后可对外发布高精动态地图数据服务。
5)更新应用。高精动态地图应用主要分为两个部分:一是服务自动驾驶,为自动驾驶车辆提供感知和决策辅助,进行全局/动态路径规划等;二是服务于智慧城市、智慧交通建设或道路养护部门等。
3 高精动态地图基础平台高精动态地图基础平台通过汇聚“车”“路”“云”众源数据,在数据安全合规的基础上,构建大数据治理、地图匹配、数据聚类拟合、信度评价等流式分析过程,实现高精动态地图数据的规模化、自动化生产与更新,满足自动驾驶车辆高精动态地图快速更新需求。
高精动态地图基础平台由基础设施、系统软件、应用服务三层构成,辅以数据安全合规体系与系统运营运维系统支撑,实现高精动态地图数据更新流程,其平台架构如图 4所示。通过汇聚车端、路侧以及第三方信息源,可实现静态数据天级更新,动态信息分钟级更新。
![]() |
图 4 高精动态地图基础平台架构 Fig.4 Architecture of HD Dynamic Map Basic Platform |
基础设施主要由存储、算力、网络虚拟化构成,为系统提供最基础的存储、算力以及网络资源。系统软件包括操作系统、容器设施以及各种中间件等,为应用服务提供相应的运行环境。应用服务为数据处理核心业务层,主要包括数据接入、数据治理、数据分析、数据质检、数据成果转换以及数据发布相关服务。安全体系主要包括安全管理流程和制度、用户数据及地图数据的安全管理体系及核心技术。系统运营运维为系统稳定运行以及数据统计报表提供了相应工具和流程制度。
4 应用实践本文在复杂的城市道路场景下选取测试路线,获取源数据并进行实际道路测试,快速验证高精动态地图基础平台的众源更新技术路线。
4.1 选择测试路线基于北京市亦庄城市道路,选取约5 km的路段作为静态图层的测试路线,该路段处于施工后期,存在变化情况;选取1 km的路段作为动态图层的测试路线,该路段交通流较少,支持模拟动态事件,可以用于高精动态地图更新验证,见图 5。
![]() |
图 5 高精动态地图测试路线 Fig.5 Test Routes of HD Dynamic Map |
4.2 获取源数据
基于多台采集车辆,在静态图层的测试路段进行10次以上原始数据采集,在动态图层模拟交通事故,在其测试路段进行3次以上绕行。车端搭载自研图像识别算法进行静态图层目标检测、实例分割与三维重建,并将语义感知结果和车辆轨迹等数据上传到云端,同时获取太和桥智慧园区路侧感知数据。图像识别结果如图 6所示。
![]() |
图 6 图像识别结果示例 Fig.6 Example of Image Recognition Results |
4.3 实际道路测试
在静态图层,基于车辆语义感知数据进行语义融合,如图 7所示,并将变化结果加载到生产平台进行轻量化的更新作业编辑,通过图像对比核实确认现场变化的正确性,如图 8所示。
![]() |
图 7 车道标线语义融合结果示例 Fig.7 Example of Lane Marking Semantic Fusion Results |
![]() |
图 8 车道标线实线变更为虚线的更新作业 Fig.8 Update Operations of Lane Markings Changed from Solid Lines to Dashed Lines |
在动态图层,基于车辆轨迹和路侧感知交通参与者数据进行轨迹挖掘,依据轨迹挖掘结果按需获取车端图像,通过图像识别算法对事件进行分类以及生产几何和属性信息。交通事故图像识别结果示例如图 9所示。最后进行多源交叉验证,并发布最终动态更新成果数据,交通事故更新结果如图 10所示。
![]() |
图 9 交通事故图像识别结果示例 Fig.9 Example of Traffic Accident Image Recognition Results |
![]() |
图 10 交通事故更新结果示例 Fig.10 Example of Traffic Accident Update Results |
在测试路段静态图层共更新地图要素5处,与现场核实一致,在动态图层共模拟10起交通事故,准召率在80% 以上,并能达到横向车道级精度,时效性为分钟级。测试结果表明,基于高精动态地图基础平台的众源更新技术路线能够满足L3/L4自动驾驶车辆高精动态地图快速更新需求。
5 结束语本文基于智能网联汽车产业面临的高精动态地图快速更新的需求以及行业面临的诸多难点问题,提出了一种高精动态地图基础平台众源更新技术路线,能更好地整合行业资源,并保障地理信息数据的安全[15]。
目前,为保证地图品质,在高精静态图层的众源更新过程中,需要人工核实更新结果,无法实现高度自动化生产。为了实现天级更新目标,地图更新生产高度智能化可以分几个阶段实现,从“自动化+轻人工”到“自动化+少量人工核查”,最终实现高度自动化的静态图层生产更新。同时,高精动态图层需要分钟级甚至秒级的更新频率,而全自动化流程无法处理所有场景,引入人工核查将会带来时效性损失,因此,仍要不断探索来解决此问题。
未来高精动态地图基础平台将不断为智能汽车安全运行、智慧交通管理、智慧城市应用服务等提供高精动态地图数据支撑,并配合主管部门监控监管,助力产业高效发展。
[1] |
刘建平, 郑阳, 郑望晓. 高精度地图的应用和更新方案[J]. 汽车实用技术, 2021, 46(12): 27-29. |
[2] |
陈龙, 刘坤华, 周宝定, 等. 多智能体协同高精地图构建关键技术研究[J]. 测绘学报, 2021, 50(11): 1 447-1 456. |
[3] |
李月华. 基于自动驾驶众包地图更新技术方法[J]. 北京测绘, 2022, 36(5): 629-635. |
[4] |
侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021(3): 38-43. |
[5] |
訾璐, 张江水, 杨振凯, 等. 高精地图交通要素对象化建模方法[J]. 测绘科学技术学报, 2020, 37(6): 636-642. |
[6] |
张攀, 刘经南. 通用化高精地图数据模型[J]. 测绘学报, 2021, 50(11): 1 432-1 446. |
[7] |
秦志嫒, 黎宇科, 刘宇. 高精度地图众包更新合规问题初探[J]. 汽车与配件, 2020(16): 62-64. |
[8] |
刘经南, 詹骄, 郭迟, 等. 智能高精地图数据逻辑结构与关键技术[J]. 测绘学报, 2019, 48(8): 939-953. |
[9] |
杨殿阁, 李庆建, 王艳, 等. 高精动态地图基础平台参考架构和技术路线[J]. 智能网联汽车, 2021(1): 74-83. |
[10] |
CAICV自动驾驶地图与定位工作组. 智能网联汽车高精地图白皮书(2020)[R]. 北京: CAICV, 2021
|
[11] |
冯剑红, 李国良, 冯建华. 众包技术研究综述[J]. 计算机学报, 2015, 38(9): 1 713-1 726. |
[12] |
CAICV. 2022年度智能网联汽车十大技术趋势[R]. 北京: CAICV, 2022
|
[13] |
曾之泰. 高精度地图在自动驾驶技术发展中的应用[J]. 中国高新科技, 2018(24): 28-30. |
[14] |
王淼, 薛宇飞, 葛君霞, 等. 一种改进的高精度地图自动配准方法[J]. 测绘通报, 2019(12): 26-29. |
[15] |
刘经南, 吴杭彬, 郭迟, 等. 高精度道路导航地图的进展与思考[J]. 中国工程科学, 2018, 20(2): 99-105. |