无人驾驶新模范：AI 画地图标注无人车看

提交资料后最快2小时标注成功

在自动驾驶中，无人车需要和传统地图大不相同的“高精度地图”。

供司机使用的传统地图标注，有导航、路径规划、拥堵提示的功能就足够了。但是在驾驶过程中，人脑能轻易完成的联想、识别、判断路况等工作，对于目前的无人车而言却非常困难。因此，供无人车使用的高精度地图就需要具备车道级的引导能力，帮助无人车“上道”。

高精度地图示意图，图源：四维图新。高精度地图不仅需要描述出精细的车道标线、变道参考线以及弯道的起止位置等路面属性要素，还需要尽量完整还原道路现场情况，在三维空间里描述现实世界。一旦地图出现误差，或者更新不及时，就可能直接干扰无人车的行驶安全。

一直以来，为现实中存在的路段绘制高精度地图都是一个耗时耗力的工作，如何利用机器学习框架加速地图绘制，也成了无人驾驶公司角力的重头戏。利用机器学习开源框架 TensorFlow，数字地图提供商四维图新将高精度地图的人工率降低到了 30%，做到了从原始数据中自动识别地图要素，生成地图标注。

什么是高精度地图？

对于无人车来说，地图的精度越高、信息越丰富，就越容易判断路况，行驶也就越安全。高精度地图的精确主要体现在两个方面。

第一，绝对精度高。

普通导航电子地图一般绝对精度在 5-10 米，只要起到辅助驾驶员的作用就足够了，但对于无人车来说，精确度就是生命线，两个车道间的距离也不过几十厘米。因此，高精度地图的绝对精度需要控制在 20 厘米以内，也就是一个车道标线的宽度，这样才能保证不会发生侧面碰撞。

第二，路面属性要素更丰富，更细致。

在传统地图中，道路经常被抽象成宽度无差别的线，然而高精度地图不仅要有准确的定位坐标，还需要采集包括车道边界、交通标牌、护栏、路灯杆、龙门架在内的 100 多种路面属性要素，甚至每一条路路边马路牙的材质和宽窄，都要精确记录在地图中。当无人车上路时，高精度地图标注的每一个属性都关乎自动驾驶的安全：哪些路段周边有防护栏，哪些障碍物的材质偏软安全系数较高，都是行驶中做出判断的重要依据。

高精度地图中的部分属性要素，图源：四维图新。除了更精确以外，高精度地图标注的鲜度也更高。

自动驾驶车辆需要实时掌握车辆周边设施的变化情况和道路的交通状态，因此，高精度地图标注需要提供日更新、甚至小时级更新的高鲜度数据和以分钟、秒为更新频率的动态交通信息。四维图新运用 TensorFlow 检测分割原始数据，大幅提高了地图数据生产的自动化率，保证了地图数据的鲜度。

用 TensorFlow 自动制图

高精度地图的底图制作主要分为原始数据采集和地图标注要素提取两个步骤。

传统地图主要通过轻量级设备，采集车辆 GNSS 行驶轨迹数据，以及周边地物的 POI 点数据，而高精度地图标注需要更专业的采集车。四维图新的数据采集车上集成了激光雷达、惯性导航系统（INS）、全景相机、GNSS、差分基站等多种测绘工具，以绘制详细的车道级地面信息和道路周边详细的道路设施为主。

一种高精度地图标注采集车专业采集设备采集到的海量原始数据经过自动化解算后，TensorFlow 担纲的算法会自动从中提取出地图标注要素。

在 AI 算法开发过程中，四维图新使用 TensorFlow 训练图像（对象检测、分割）以及点云识别算法，对点云自动进行要素分类。

确定有价值的要素点云后，算法会滤除对后续提取有干扰的噪点，自动裁切作业范围外的无效点云。

原始点云图，图源：四维图新。滤除噪点后，算法通过点云分类结果和点云的强度值自动跟踪提取车道标线、路面标志、交通标志、护栏、路牙、杆状物、上方障碍物等路面、路侧、路上的交通设施和对自动驾驶有影响的附着物。提取的矢量数据根据识别结果自动赋属性值，和相邻的其他要素组织逻辑关系，车道之间的位置关系进行准确的定位和和规划，实现车道级别的规划。

在算法训练过程中，TensorFlow 支持大规模分布式模型训练，可以充分发挥硬件资源的集群优势。更多的硬件意味着更大的批次，进一步也决定了更快的训练效率和更好的算法效果。

四维图新地图标注研发工程师郭兆钟告诉 PingWest品玩，使用 TensorFlow 后，同样规模的训练，训练时间缩短了40%。“在相同训练周期的情况下，算法模型的效果也有相当程度的提高。”郭兆钟说。

在 TensorFlow 的帮助下，目前四维图新已经完成了全国高速，包括城市快速路的测绘工作，总地图里程达到 30 万公里以上。同时，四维图新高精度地图生产已经达到 40% 自动化率，30% 半自动化率，这一数据领先全行业。