高精度道路導(dǎo)航地圖的進展與思考

劉經(jīng)南，吳杭彬，郭遲，張宏敏，左文煒，羊鋮

（1. 武漢大學(xué)，武漢 430079；2. 同濟大學(xué)，上海 200092；3. 易圖通科技（北京）有限公司，北京 100070）

一、前言

傳統(tǒng)導(dǎo)航地圖在日常生活中主要被用于導(dǎo)航和查詢地理信息，出行的人群是其主要服務(wù)對象?；谌祟愖陨淼囊曈X識別能力和邏輯思維能力，很多道路信息都被精簡[1]。隨著互聯(lián)網(wǎng)時代的高速發(fā)展，更多基于位置的新型服務(wù)和行業(yè)被提出，例如“互聯(lián)網(wǎng)+”智能交通、無人系統(tǒng)等。國家發(fā)展和改革委員會提出的促進智能交通發(fā)展的 “互聯(lián)網(wǎng)+”便捷交通實施方案已經(jīng)正式發(fā)布。這些服務(wù)都是依托互聯(lián)網(wǎng)來開展的，因此地圖的服務(wù)對象不再僅僅是人類，而是慢慢向機器過渡，這對地圖的精度、內(nèi)容結(jié)構(gòu)和計算模式等都提出了新的要求。

（一）地圖精度

普通導(dǎo)航地圖的精度在5 m左右，只描繪了道路的位置和形態(tài)，沒有反映道路的細節(jié)信息，無法準確知道車輛所在位置。而高精度道路導(dǎo)航地圖的絕對精度要求優(yōu)于1 m，相對精度達到10～20 cm，包含了車道、車道邊界、車道中心線、車道限制信息等非常豐富的信息，如圖1所示。

（二）地圖內(nèi)容結(jié)構(gòu)

高精度道路導(dǎo)航地圖更加真實地反映道路的實際樣式，因此包含更多的圖層數(shù)量和道路數(shù)據(jù)，圖層描繪也更加細致。高精度道路導(dǎo)航地圖不僅具有更高精度的坐標，還擁有更加準確的道路形狀。同時，每個車道的坡度、曲率、航向、高程等數(shù)據(jù)也被添加進來。另外，車道之間的車道線情況（虛線、實線、單線和雙線）、車道線顏色（白色、黃色）、道路隔離帶、隔離帶材質(zhì)、道路箭頭、文字內(nèi)容和所在位置在高精度道路導(dǎo)航地圖中都需要詳盡描述。

圖1 高精度道路導(dǎo)航地圖和普通導(dǎo)航地圖對比示意圖

（三）計算模式

高精度道路導(dǎo)航地圖的數(shù)據(jù)量是普通地圖的105倍甚至更多，目前以云計算為核心的集中式大數(shù)據(jù)處理模式已經(jīng)滿足不了需求。隨著物聯(lián)網(wǎng)和5G通信技術(shù)的快速發(fā)展，云端協(xié)同的計算方法——邊緣計算被提出，同時眾包的任務(wù)發(fā)布模式也被應(yīng)用于多個行業(yè)。因此高精度道路導(dǎo)航地圖的大數(shù)據(jù)處理模式可以采用“眾包+邊緣計算”的模式。

二、相關(guān)現(xiàn)狀

隨著智能交通和自動駕駛領(lǐng)域的飛速發(fā)展，現(xiàn)有的普通導(dǎo)航地圖在內(nèi)容、精度和完整性方面都無法滿足高層次的應(yīng)用需求[2]。針對道路的高精度電子地圖被逐步提出并得到了廣泛的認同[3,4]。

目前在輔助駕駛系統(tǒng)和自動駕駛領(lǐng)域使用高精度道路導(dǎo)航地圖數(shù)據(jù)的研究較多。例如根據(jù)高精度道路導(dǎo)航地圖進行信息行為和車輛定位的研究[5,6]，在輔助駕駛和自動駕駛系統(tǒng)中使用高精度道路導(dǎo)航地圖信息并在其上進行自動駕駛車道軌跡引導(dǎo)方法的研究[7,8]。而關(guān)于建立高精度道路導(dǎo)航地圖的方法研究也有很多，例如通過配備GPS-RTK的采集車沿特定線路采集數(shù)據(jù)[9]；使用激光雷達與廣角攝像頭結(jié)合的方法提取道路信息，加上配備高精度全球衛(wèi)星導(dǎo)航系統(tǒng)（GNSS）則能夠達到10 cm精度，但這種采集方案成本較高[10]；也有研究者提出使用低成本傳感器創(chuàng)建車道級地圖的方法，通過全球定位系統(tǒng)+慣性導(dǎo)航系統(tǒng)（GPS/INS）緊耦合進行定位，從正射影像圖中獲取相關(guān)地圖信息[11]。

目前國內(nèi)外從事高精度電子地圖的測繪和生產(chǎn)的單位也逐漸增多。在Google以及Daimler的無人駕駛汽車的研制過程中，高精度電子地圖都是重要的組成部分[12]。2015年，奧迪、寶馬、Daimler聯(lián)合起來斥資31億美元購買諾基亞Here地圖，為研發(fā)高精度道路導(dǎo)航地圖做準備。2015年，高精度道路導(dǎo)航地圖已經(jīng)應(yīng)用于特定場景，2011年寶馬的3系Track Trainer，2014年奧迪的RS7都利用高精度道路導(dǎo)航地圖技術(shù)在Laguna Seca和Hockenheim成功跑完了賽道。從2016年開始，很多互聯(lián)網(wǎng)企業(yè)通過收購的方式獲取地圖數(shù)據(jù)資源，然后結(jié)合自身算法、云計算能力生產(chǎn)高精度道路導(dǎo)航地圖，如Google、Uber、百度、阿里等。同時，車企也開始依賴第三方地圖服務(wù)，2017年初，Mobileye 與大眾、寶馬和日產(chǎn)簽署協(xié)議，前者將為三家汽車巨頭提供地圖產(chǎn)品，而汽車廠商將負責(zé)為 Mobileye 提供更多的地圖數(shù)據(jù)。

圖2 高精度道路導(dǎo)航地圖應(yīng)用分析

三、需求分析與建模

本文從“互聯(lián)網(wǎng)+”智能交通應(yīng)用及未來20年無人系統(tǒng)行業(yè)發(fā)展的典型應(yīng)用場景出發(fā)，將高精度道路導(dǎo)航地圖劃分為6層建立需求模型，如圖2所示。

（一）“互聯(lián)網(wǎng)+”智能導(dǎo)航

隨著城市環(huán)境的不斷建設(shè)，為了提高道路使用效率、緩解擁堵，很多新的交通管理措施不斷被實施。例如多乘員車道（HOV車道）、潮汐車道（見圖3）等。HOV車道僅供乘坐至少某一規(guī)定乘客數(shù)的車輛通行。潮汐車道是指可變車道，即某一條車道在不同時段內(nèi)行駛方向會發(fā)生變化。這些新的交通管理方案的實施主要是通過車道來實現(xiàn)的，而高精度道路導(dǎo)航地圖可以精準反映這些信息，為人們提供智能導(dǎo)航服務(wù)。

（二）“互聯(lián)網(wǎng)+”智能交管

道路交通執(zhí)法管理具有很多難題，尤其是在執(zhí)法取證和事故應(yīng)急處理方面。而高精度道路導(dǎo)航地圖可以提供新的技術(shù)手段來解決交通執(zhí)法管理中的困難。

1. 交警執(zhí)法領(lǐng)域

車道級違法行為執(zhí)法取證是道路執(zhí)法領(lǐng)域的一個難點問題。車道級違法行為指移動目標相對于地面車道或其他移動目標而言，相對位置移動在一個車道級別內(nèi)的、違反交通法規(guī)的行為[13]，如不按規(guī)定車道行駛等。由于數(shù)據(jù)采集困難和現(xiàn)場還原困難導(dǎo)致這些行為目前難以執(zhí)法取證。而高精度道路導(dǎo)航地圖可以精準反映車輛行駛在哪一條車道上，因此可以對車輛是否有車道級違法行為做出準確判斷，滿足車道級違法行為執(zhí)法取證的需求。

2. 保險理賠領(lǐng)域

車險理賠行業(yè)長期受到騙保行為的困擾，耗費了大量的人力物力。這是因為保險人員往往只能查勘事后證據(jù)，無法判斷事故的全過程。高精度道路導(dǎo)航地圖包含豐富細致的車道信息，因此可以精準反映車輛的行駛狀態(tài)，并且在地圖上將事故的全過程進行還原，從而可以幫助保險人員對事故進行準確判斷。

圖3 HOV車道和潮汐車道

（三）“互聯(lián)網(wǎng)+”輔助駕駛/無人駕駛

無人駕駛領(lǐng)域要求地圖在幾何上具有更細的粒度，細致地刻畫道路上每個車道的詳細信息。而在拓撲網(wǎng)絡(luò)上，也要求準確表達車道之間的連接關(guān)系。高精度道路導(dǎo)航地圖包含多個層次的幾何拓撲數(shù)據(jù)，可以滿足面向輔助駕駛和自動駕駛的不同層次的運用需求。除此以外，高精度道路導(dǎo)航地圖還包含動態(tài)要素。動態(tài)要素包括兩種，一種是半實時的動態(tài)要素，它在自動駕駛領(lǐng)域主要用于進行全局的路徑規(guī)劃；另一種是實時的動態(tài)要素，主要指動態(tài)障礙物，它主要應(yīng)用于自動駕駛系統(tǒng)實現(xiàn)局部路徑規(guī)劃。

四、高精度道路導(dǎo)航地圖的結(jié)構(gòu)與計算

（一）高精度道路導(dǎo)航地圖結(jié)構(gòu)

道路地圖是對實際道路進行反映，通過特定圖層來描繪特定類別，然后將圖層疊加進行路面表達。終端上顯示的導(dǎo)航地圖往往由10多層甚至20多層不同分辨率的圖片組成，當用戶進行縮放時，程序根據(jù)縮放級數(shù)，選擇不同分辨率的瓦片圖（用方格來模擬實體），拼接成一幅完整的地圖。高精度道路導(dǎo)航地圖也是如此，只是它在普通電子地圖的基礎(chǔ)上包含了更多的圖層數(shù)量，且每一圖層的描繪更加精細。

高精度道路導(dǎo)航地圖由四個部分的數(shù)據(jù)構(gòu)成，分別是道路網(wǎng)數(shù)據(jù)、車道網(wǎng)數(shù)據(jù)、安全輔助數(shù)據(jù)和道路交通設(shè)施數(shù)據(jù)。這四類數(shù)據(jù)構(gòu)成的地圖結(jié)構(gòu)內(nèi)容根據(jù)地圖精度不同顯示的內(nèi)容也就不同，其基本結(jié)構(gòu)劃分和顯示內(nèi)容示例，如圖4所示。

道路網(wǎng)主要是由道路基準線網(wǎng)絡(luò)構(gòu)成，用于描述道路的幾何形態(tài)、表達與道路設(shè)施間的關(guān)系。高精度道路導(dǎo)航地圖道路網(wǎng)示意圖，如圖5 所示，它包括道路基準線、道路基準線連接點和路口等圖層。

車道網(wǎng)記錄路網(wǎng)中每個獨立車道的相關(guān)屬性，用于車道級的道路顯示、定位、路徑規(guī)劃和駕駛策略輔助。它包括車道級道路、車道級道路連接點、車道級道路形狀點等圖層，如圖6所示。

安全輔助數(shù)據(jù)和道路交通設(shè)施數(shù)據(jù)是對車道安全數(shù)據(jù)和車道上的其他交通設(shè)施進行描述，用于輔助車道級定位和顯示，例如曲率、航向、縱橫坡度等。

道路交通設(shè)施數(shù)據(jù)則包括交通標識、路側(cè)設(shè)施和固定地物等信息。

（二）計算模式

高精度道路導(dǎo)航地圖描繪的道路信息更加豐富，包含的細節(jié)更多，因此它的數(shù)據(jù)量也更加龐大。傳統(tǒng)導(dǎo)航電子地圖每千米的數(shù)據(jù)量約是1 kB，而高精度道路導(dǎo)航地圖每千米的數(shù)據(jù)量大約是100 MB，是傳統(tǒng)導(dǎo)航地圖的105倍。而且高精度道路導(dǎo)航地圖中的數(shù)據(jù)類型復(fù)雜多樣，數(shù)據(jù)量急劇增加，并且數(shù)據(jù)處理的實時性要求較高。所以目前以云計算模型為核心的集中式大數(shù)據(jù)處理方式已經(jīng)不能滿足高精度道路導(dǎo)航地圖的數(shù)據(jù)計算要求，需要建立新的計算模型。本文提出“眾包+邊緣計算”模型作為高精度道路導(dǎo)航地圖計算模式。

圖4 地圖結(jié)構(gòu)內(nèi)容劃分示意圖

圖5 高精度道路導(dǎo)航地圖道路網(wǎng)示意圖

圖6 高精度道路導(dǎo)航地圖車道網(wǎng)示意圖

高精度道路導(dǎo)航地圖的數(shù)據(jù)采集任務(wù)很艱巨，需要采集車跑過每一條道路，然后上傳數(shù)據(jù)繪圖。首先，這需要花費大量的時間；其次，道路上的一些信息會發(fā)生變化，高精度道路導(dǎo)航地圖需要保持周期性數(shù)據(jù)更新，再次采集很多信息又是重復(fù)的，且耗費更多的資源。筆者認為可以采用眾包的方式解決這些問題，高精度道路導(dǎo)航地圖的用圖者同時也可以是繪圖者。通過眾包的方式，將數(shù)據(jù)采集設(shè)備裝在使用高精度道路導(dǎo)航地圖的車輛上，其在行駛時邊用圖邊采集數(shù)據(jù)，并且將獲取到的數(shù)據(jù)上傳。這種方式可以很好地滿足城市街道需要一周更新一次來反映其構(gòu)造和新的交通模式的需求。美國的Mapper公司已經(jīng)采用這種方式來獲取地圖數(shù)據(jù)。

隨著物聯(lián)網(wǎng)和5G通信技術(shù)的快速發(fā)展，有別于傳統(tǒng)云計算的全新計算模式——邊緣計算被研究者們提出。邊緣計算是指在網(wǎng)絡(luò)邊緣執(zhí)行計算的一種計算模型，邊緣計算中邊緣的下行數(shù)據(jù)表示云服務(wù)，上行數(shù)據(jù)表示高精度道路導(dǎo)航地圖服務(wù)，而邊緣計算的邊緣是指從數(shù)據(jù)源到云計算中心路徑之間的任意計算和網(wǎng)絡(luò)資源[14,15]。該計算方法是一種在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力的開放平臺，就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護等方面的關(guān)鍵需求。針對高精度道路導(dǎo)航地圖的情況，在邊緣式計算中，由于數(shù)據(jù)量的增加以及對實時性的需求，需將原有云中心的計算任務(wù)部分遷移到網(wǎng)絡(luò)邊緣設(shè)備上，以提高數(shù)據(jù)傳輸性能，保證處理的實時性，同時降低云計算中心的計算負載。本文研制了高精度道路導(dǎo)航地圖邊緣計算模型參考框架，如圖7所示。

五、思考

（一）標準體系框架

目前國內(nèi)外從事高精度道路導(dǎo)航地圖的測繪和生產(chǎn)的單位逐漸增多，但各作業(yè)單位的技術(shù)水平、采用的儀器設(shè)備、作業(yè)方法、數(shù)據(jù)處理和成果形式各不相同。不同企事業(yè)單位采用的標準也不一致。這對高精度道路導(dǎo)航地圖的管理和共享帶來了問題，因此亟需加強高精度道路導(dǎo)航地圖標準體系框架的制定。高精度電子地圖標準體系框架是形成高精度電子地圖標準體系的基本單元。它包括地圖基礎(chǔ)標準、云整合標準、應(yīng)用服務(wù)標準和檢測評定標準四個部分，如圖8所示。

圖7 高精度道路導(dǎo)航地圖邊緣計算模型參考框架

（二）隱私與安全

出于對國家安全的考慮，許多國家對公共地圖的信息采集與繪制也有諸多規(guī)定，包括精確度、測繪區(qū)域、機構(gòu)和人員等諸多限制條件。因此需要進一步規(guī)范公共地圖信息采集與高精度道路導(dǎo)航地圖數(shù)據(jù)保護政策，在保障信息安全和鼓勵高精度道路導(dǎo)航地圖技術(shù)發(fā)展之間，找到最佳平衡點和解決方案。

（三）坐標體系的開放問題

傳統(tǒng)導(dǎo)航地圖都有約定俗成的電子地圖版本審查和加偏移措施等加密手段，但是現(xiàn)在這些地圖加密手段與高精度道路導(dǎo)航地圖之間存在矛盾。因此，在未來的發(fā)展中要對高精度道路導(dǎo)航地圖懷有創(chuàng)新性思維，實際應(yīng)用的導(dǎo)航定位服務(wù)都是局部的，或許可以嘗試用相對坐標系解決定位精度安全問題。

圖8 高精度電子地圖標準體系框架

（四）及時準確地進行數(shù)據(jù)更新

傳統(tǒng)導(dǎo)航地圖因其商業(yè)地圖公司及時、準確地進行數(shù)據(jù)更新，從而保障導(dǎo)航服務(wù)的準確性。而高精度道路導(dǎo)航地圖的更新過程除了道路/車道的幾何信息外，還包括交通要素在內(nèi)的大量數(shù)據(jù)更新。而且，高精度道路導(dǎo)航地圖本身就包含龐大的數(shù)據(jù)量，如果每次都通過原始采集手段進行數(shù)據(jù)更新，將會導(dǎo)致過多冗余數(shù)據(jù)和過高的成本。因此在未來的高精度道路導(dǎo)航地圖發(fā)展中，采用眾包手段獲得用戶手上的大量及時數(shù)據(jù)，是一種更加便捷、低廉、可靠的數(shù)據(jù)更新手段。

[1] 劉少山, 唐潔. 第一本無人駕駛技術(shù)書 [M]. 北京: 電子工業(yè)出版社, 2017.Liu S S, Tang J. The fi rst book to introduce self-driving technology[M]. Beijing: Publishing House of Electronics Industry, 2017.

[2] Tao Z, Bonnifait P, Fremont V, et al. Mapping and localization using GPS, lane markings and proprioceptive sensors [C]. Tokyo:Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on IEEE, 2013.

[3] Nedevschi S, Popescu V, Danescu R, et al. Accurate ego-vehicle global localization at intersections through alignment of visual data with digital map [J]. Intelligent Transportation Systems, 2013,14(2): 673–687.

[4] 賀勇. 基于高精細地圖的GPS導(dǎo)航方法研究 [D]. 上海:上海交通大學(xué)(碩士學(xué)位論文), 2015.He Y. GPS navigation methods research based on high precision lane-level map [D]. Shanghai: Shanghai Jiao Tong University(Master’s thesis), 2015.

[5] Suganuma J, Uozumi T. Precise position estimation of autonomous vehicle based on map-matching [J]. IEEE Intelligent Vehicles Symposium, 2011 (4): 296–301.

[6] Levinson J, Montemerlo M, Thrun S. Map-based precision vehicle localization in urban environments [M]. Cambridge: MIT Press,2007.

[7] Hao L, Nashashibi F, Toulminet G. Localization for intelligent vehicle by fusing mono camera low-cost GPS and map data [J].Intelligent Transportation Systems, 2010 (9): 1657–1662.

[8] Ress C, Etemad A, Kuck D, et al. Electronic horizon—Providing digital map data for ADAS applications [J]. Madeira, 2008 (3):40–49.

[9] Sutarwala B Z. GIS for mapping of lane-level data and re-creation in real time for navigation [D]. Riverside: University of California(Master’s thesis), 2010.

[10] Schreiber M, Knoppel C, Franke U. Laneloc: Lane marking based localization using highly accurate maps [J]. IEEE Xplore, 2013,36(1): 449–454.

[11] Guo H Z, Meguro J I, Kojima Y, et al. Automatic lane-level map generation for autonomous robotic cars and advanced driver assistance systems using low-cost sensors [C]. Hong Kong: IEEE International Conference on Robotics & Automation ICRA, 2014.

[12] Bender P, Ziegler J, Stiller C. Lanelets: Efficient map representation for autonomous driving [J]. Intelligent Vehicles Symposium, 2014 (3): 420–425.

[13] 彭璇, 王夢媛, 曾潔茹, 等. 高精度北斗定位技術(shù)在交管執(zhí)法取證中的應(yīng)用研究 [J]. 電子技術(shù)應(yīng)用, 2017, 43(4): 21–23.Peng X, Wang M Y, Zeng J R, et al. Application of high precision BDS positioning technology for traff i c management law enforcement and evidence collection [J]. Application of Electronic Technique, 2017, 43(4): 21–23.

[14] Shi W S, Cao J, Zhang Q, et al. Edge computing: Vision and challenges [J]. IEEE Internet of Things Journal, 2016, 3(5): 637–646.

[15] 施巍松, 孫輝, 曹杰, 等. 邊緣計算: 萬物互聯(lián)時代新型計算模型[J]. 計算機研究與發(fā)展, 2017, 54(5): 907–924.Shi W S, Sun H, Cao J, et al. Edge computing: An emerging computing model for the Internet of everything era [J]. Journal of Computer Research and Development, 2017, 54(5): 907–924.