自動駕駛高精地圖相對精度驗證方法研究

姜娜娜 湯詠林 黃鶴 于騰飛 孫鵬

摘要用于自動駕駛（Autonomous Driving，AD）的高精地圖（High-Definition Map，HDM）是AD系統(tǒng)的重要組成部分．HDM可為AD系統(tǒng)提供高精度的車道線及道路輔助設施的先驗數(shù)據(jù)，對HDM的合理的精度評估是一項重要的任務，而目前制圖領域對普通地圖相對精度評估的方法并不完全適用于HDM．本研究采用基于點集配準和重采樣的方法評估車道線的相對精度，并基于相關的真實HDM數(shù)據(jù)進行實驗．首先對待驗證曲線上的點進行擬合采樣，然后配準對齊點對，配準完成后再進行重采樣，在此基礎上完成相對精度計算．所驗證的第1組車道線的相對極限誤差為15.9 cm，小于20 cm，滿足相對精度要求;其他3組車道線的相對極限誤差也滿足該要求．實驗結果表明，基于該方法計算的車道線的相對精度比傳統(tǒng)方法更準確、更可靠．

關鍵詞自動駕駛;高精地圖;精度評估;迭代最近點算法

中圖分類號

U463.6

文獻標志碼

A

收稿日期

2022-04-03

資助項目

中國博士后科學基金（2022M710332）

作者簡介姜娜娜，女，碩士生，研究方向為自動駕駛高精度導航地圖.2108160121007@stu.bucea.edu.cn

黃鶴（通信作者），男，博士，副教授，主要研究方向為高精度智能駕駛導航地圖、視覺導航與定位.huanghe@bucea.edu.cn

0 引言

自動駕駛（Autonomous Driving，AD）技術是一種依靠人工智能、視覺測量、雷達技術、全球定位系統(tǒng)等協(xié)同工作，實現(xiàn)車輛自動駕駛運行的技術．在AD技術實現(xiàn)中，高精地圖（High-Definition Map，HDM）是關鍵基礎之一．AD HDM的主要服務對象是AD系統(tǒng)，該系統(tǒng)根據(jù)其自身要求采集數(shù)據(jù)，生成駕駛環(huán)境的特定地圖，并構建環(huán)境與道路模型．同時它還提供大量準確且語義豐富的數(shù)據(jù)，以幫助AD系統(tǒng)更精細地理解周邊環(huán)境，從而保證超視距感知能力，這為車輛決策和控制提供了基礎，滿足了智能時代多級高層應用的需求［1-2］．

按照系統(tǒng)的運行條件與分配給系統(tǒng)的角色，AD技術大致可分為6個等級．不同級別的AD對HDM有不同需求．AD的6（0～5）個級別利用來自傳統(tǒng)、靜態(tài)、動態(tài)和智能HDM不同映射的地圖．一般認為，3級以下的AD并不需要HDM，高級駕駛輔助系統(tǒng)（ADAS）數(shù)據(jù)與傳統(tǒng)導航地圖數(shù)據(jù)即可滿足其對地圖和相關數(shù)據(jù)的需求．從AD的3級開始，環(huán)境感知的主體從駕駛員轉移到AD系統(tǒng)，這種情況下需要HDM［3-4］．由于3級AD只限于特定環(huán)境且需駕駛員隨時干預，因此對AD HDM的要求相對較低，地圖數(shù)據(jù)也不需要實時更新．AD的4級和5級表示特定環(huán)境或任意環(huán)境下的完整AD［5］，不需要駕駛員干預，故對AD HDM要求更高，且需要根據(jù)相關交通事件實時更新地圖．因此，它變成了動態(tài)、智能的HDM．

與常規(guī)電子導航地圖相比，AD HDM具有數(shù)據(jù)量大、要素信息豐富、精度要求更高的特點．關于AD HDM數(shù)據(jù)采集的方法已經有很多研究，例如通過配置了GNSS-RTK的采集車沿特定線路采集數(shù)據(jù)［6］，高成本方案如使用激光雷達與視覺傳感器結合來提取道路信息，再配備高精度GNSS-RTK與慣性導航系統(tǒng)，構成移動道路測量系統(tǒng)采集數(shù)據(jù)［7］，低成本方案如利用高清遙感影像與航攝相片，通過基于深度學習的方法提取道路信息等［8］．但是上述方法生成的HDM存在很多誤差，包括GNSS組合慣導定位誤差、多傳感器時間同步與標定誤差、車載激光與相機傳感器測量誤差、機器識別道路信息提取誤差等．

普通導航地圖的精度在5 m到10 m［1，9］，只能描述道路的位置、形態(tài)及屬性信息，而不能提供更多詳細的信息，如車道線、各種道路標牌，以及路口指示牌的位置、形態(tài)和屬性等信息．用于AD系統(tǒng)的HDM

需要車輛在車道中的準確位置和不同車道的屬性信息，以實現(xiàn)對車輛的精確控制，因此，比普通導航地圖需要更多細節(jié)和更高的精度．此外，目前的HDM數(shù)據(jù)一般都是通過高精度測量獲取的，且地圖數(shù)據(jù)需要經常更新，但由于數(shù)據(jù)量大，頻繁使用高精度測量設備并不經濟，因此出現(xiàn)了很多基于眾包數(shù)據(jù)的地圖更新的研究［10］．HDM服務的AD系統(tǒng)是先進的自動化系統(tǒng)，且系統(tǒng)的運行關系著自動駕駛汽車乘員的安全．目前在AD行業(yè)中，一般認為HDM的絕對精度和相對精度應分別在1 m和20 cm以內［11-13］．由于多源誤差及HDM要求精度高，對地圖精度可靠、準確、穩(wěn)定的評估是必需的．對AD HDM的精度評估尚無系統(tǒng)的理論和方法，通常采用傳統(tǒng)地圖精度評估的方法進行驗證．因此，需要合適的方法來驗證HDM，以確保數(shù)據(jù)質量，并對HDM做出更準確、更可靠、適用性更好的評估．

本研究針對傳統(tǒng)地圖精度評估方法對HDM的細節(jié)描述不足的缺點，提出一種基于點重采樣和配準的方法，以實際道路環(huán)境HDM數(shù)據(jù)為基礎驗證其相對精度．目的是評估HDM細節(jié)描述的相對精度，并與傳統(tǒng)方法進行比較．

1 高精地圖及精度

1.1 準確度和精確度

在測繪領域，精確度是指誤差分布的密集或離散程度，也表示單個觀測值與其數(shù)學期望的接近程度．

當觀測值僅含偶然誤差而不含系統(tǒng)誤差或粗差時，觀測值的數(shù)學期望代表其真值．準確度一般用中誤差衡量，代表數(shù)理統(tǒng)計中的標準差．對某些觀測值，中誤差不能反映測量精度，如單位長度的測量精度用相對誤差衡量，該誤差表示為中誤差與觀測值之比，稱為相對中誤差．與相對誤差對應的中誤差稱為絕對誤差［14］．

我國地形圖精度指標分為平面位置精度與高程精度，中誤差和極限誤差主要衡量誤差分布的離散或密集程度，并衡量可能出現(xiàn)在地圖中的最大誤差《測繪成果質量檢查與驗收（GB／T 24356—2009）》;《數(shù)字地形圖產品基本要求（GB／T 17278—2009）》．

對地圖而言，絕對精度表示點位精度，即地圖點相對地面真值點的偏移分布，而相對精度可視為對幾何形狀變形與保留的度量．圖1展示了幾何形狀的絕對精度與相對精度，其中：實線代表車道線的實際位置，該車道線是包含有多個特征點的曲線;虛線代表包含相應數(shù)據(jù)特征點的待驗證的數(shù)據(jù)曲線．圖1a中各數(shù)據(jù)特征點點位的絕對誤差較大，整體精度較低，但整體幾何形狀保持良好，數(shù)據(jù)特征點間的相對誤差較小;圖1b中各數(shù)據(jù)特征點的絕對誤差比圖1a小，但曲線的整體幾何形狀仍存在失真．這表明即使?jié)M足特征點點位的絕對精度要求，整體數(shù)據(jù)的幾何形狀仍然可能與真實的幾何形狀有較大的失真．此外，HDM的相對精度還有另一層含義，主要體現(xiàn)在曲線的曲率平滑度上．與圖1b相比，圖1a中的數(shù)據(jù)曲線更加平滑，更有利于自動駕駛汽車的運行．

1.2 AD HDM精度

雖然AD HDM沒有嚴格標準，但業(yè)界通常認為AD HDM的絕對精度和相對精度應分別在在1 m和20 cm以內．根據(jù)AD HDM的需求導向分析，絕對精度表示特征點的極限絕對誤差，相對精度表示極限相對誤差．通常，極限誤差取2倍中誤差．驗證HDM精度時，測量結果代表相對于真實估計值的特征點值，故在測繪領域，HDM的絕對精度是特征點相對于對應真值點的點位誤差最大值，一般視其為點位極限誤差;相對精度是2個特征點間采用真距離與真長度產生的偏差值之比的最大值，也表示2個特征點間線段的相對極限誤差，可通過將其歸算至真長度為100 m的值來衡量．絕對精度低表示測量點與真值點間的絕對誤差，即極限誤差大，相對精度低則意味著地圖的幾何形狀發(fā)生變形．

1.3 傳統(tǒng)方法

在傳統(tǒng)的相對精度驗證方法中，需要人工尋找與待驗證元素中實際特征點相對應的HDM點，并使它們構成匹配點對．

但實際驗證中很多車道線是平滑曲線，如圖1所示，很難人工找到曲線中的特征點對．這種情況下，通常是與其他要素特征建立聯(lián)系，例如采用某一段車道線的起點和終點作為特征點，起點是在某個路口車道線出現(xiàn)的位置，終點是在另一路口車道線與車輛停止線相交的位置．上述數(shù)據(jù)中車道線的起點和終點就是用該方法確定的．根據(jù)傳統(tǒng)方法，這條車道線的相對精度由兩條線的起點和終點共4個點來確定．

對于傳統(tǒng)的精度評估方法（ISO 19157：2013 Geographic Information—Data Quality），第1步是獲取n個特征點的觀測值和真值，觀測值是地圖坐標值，真值是用于評估精度的高精度測量值．因此，對于n個特征點，有m=n·（n-1）／2個點對組合，各點在2個坐標軸上的真值分別為x t和y t，測量值分別為x i和y i．2個坐標軸方向上各點的絕對誤差分別為ΔX i=X i-X t，ΔY i=Y i-Y t;相對誤差分別為ΔX relkj=ΔX k-ΔX j，ΔY relkj=ΔY k-ΔY j，其中k=1，…，m-1，j=k+1，…，m．因此2個坐標軸上各點的中誤差分別為

σ X rel=∑ΔX2 relm-1，σ Y rel=∑ΔY rel2m-1．? （1）

由此可計算點位中誤差為

σ H rel=σ X rel2+σ Y rel22．? （2）

該值是平面坐標相對精度的評估指標．與此對應的高程相對精度的評估指標為

σ Z rel=∑ΔZ2 relm-1．? （3）

1.4 傳統(tǒng)方法的局限性

雖然現(xiàn)有的評估相對精度的方法在理論上定義嚴謹，也普遍用于地形圖，但對HDM有一定的局限性，且在實際精度驗證中也會產生問題．

1.4.1 尋找對應的特征點對

AD HDM的要素豐富詳細，但在細節(jié)部分難以尋找特征點．如圖2，車道線的起止點與其真值偏差小，但由于缺少對照物，很難在曲線中找到對應的同名特征點．因此若采用前文介紹的評估相對精度的方法，僅依靠起點和終點的距離偏差值與真實距離值之比來評估，得到的相對精度將很高，但對于曲線上誤差較大的點，這種方法是不準確的．

1.4.2 車道航向和旁向之間的差異

HDM中車道線很具有代表性．從AD HDM的使用需求看，車道航向與旁向的精度意義是不同的，如圖3所示．在車道航向上，自動駕駛車輛需要結合HDM進行定位，但該方向的一段車道線通常以100 m為計量單位，規(guī)模較大，而在車道旁向上，一般車道寬在3.75 m左右，自動駕駛車輛只需判斷自身所處車道及與其他車道的關系，定位規(guī)模范圍較?。?5］．

考慮自動駕駛車輛在航向與旁向對HDM使用需求的不同，在航向與旁向驗證中應區(qū)分上文提及的AD HDM相對精度應在20 cm以內的假定．

1.5 HDM元素的分類和分解

由于相對精度與幾何形狀的變形和保持有關，因此應在至少2個特征之間進行相對精度驗證．為使各類幾何要素驗證方便，將它們進行分解．

AD HDM包含的元素按照幾何形狀和存儲形式，大致可分為點元素、線元素、面元素和體元素．具體來說，點要素包括道路節(jié)點、路網(wǎng)路口、車道節(jié)點、車道網(wǎng)路口、車道線特征點、消防栓、道路傳感設施等;線元素包括道路參考線、道路虛擬連接線、車道參考線、車道虛擬連接線、停車線、道路投影、道路標線、等高線標線、分線設施、線交叉設施和極點;面元素包括人行橫道、地面交通標記、道路交通標志、交通燈、減速帶、收費站、檢查站、地面十字路口設施、停車場、路邊停車位、安全島、立桿無棚公交站臺等;體元素包括一般的公交站臺等．

在點要素的相對精度評估中，將2個特征點連線形成直線要素進行評估;面要素是將其分解為數(shù)個線要素進行評估．將涉及HDM的各類幾何元素分解為2個特征點連線或線要素，再評估相對精度．

由于HDM車道航向和旁向的精度含義、要求不同，將相對精度驗證分為航向和旁向驗證．驗證中，特征點和HDM曲線上的點由高精度測量方法獲得，高精度測量結果作為點的真坐標值，而現(xiàn)有地圖的坐標點值作為參考值．

2 材料與方法

2.1 數(shù)據(jù)及準備工作

由于一些保密政策及協(xié)議，本文所用數(shù)據(jù)的具體坐標無法公開，涉及實驗園區(qū)的展示將省略坐標信息及名稱等，所有點測量也將隱藏其坐標信息．

2.1.1 設備與環(huán)境

用于數(shù)據(jù)采集的高精度測量設備是基于千尋Find CM 服務的 GNSS 接收機．這是一款基于網(wǎng)絡雙頻RTK技術開發(fā)的單測量精度可達厘米級的高精度定位服務產品，可為我國大部分地區(qū)提供全天候定位服務．

實驗環(huán)境為第三方公司制作的AD HDM的實際自動駕駛實驗示范點，其組織結構和要素分類規(guī)則與前文所述相同．園區(qū)總面積約3.8 km2，其中公路總里程約22.4 km，包含各種一般道路、停車場、路口、道路附屬物等，每條車道的寬度在3.5～3.75 m之間．道路標線清晰，有明顯的彎道和直線．但園區(qū)屬于一般城市環(huán)境，整體高程無明顯變化，沒有過于復雜的標線和道路環(huán)境．此外，園區(qū)附近較開闊，對GNSS技術進行點測量不會有太大影響．

2.1.2 數(shù)據(jù)采集

車道線實際上可看作是等寬的幾何面（它有一定的寬度供駕駛員觀察），寬度范圍為10～15 cm．在AD HDM中，是以幾何曲面的中心線作為車道線．因此，評估精度時會測量車道線的中心線．

對每個車道段進行數(shù)據(jù)采集時，需要確定起點和終點．通常起點是車道線在一個路口出現(xiàn)的位置，終點在另一個路口車道線與車輛停止線相交消失的位置（即道路交叉口處）［16］．

在實際測量中，需要儀器在該點進行3～5 s的簡單測量來獲得多次測量值，以便進行實時測量調整．這將最終測量的精度保持在1 cm以內，滿足精度評估所需的高精度測量．除測量起點和終點外，還測量每段車道線中心線上的點．為了更好地反映車道線的具體細節(jié)，將以大約每米一次測量的小間隔進行諸如彎曲車道線等的測量（在較大曲率處更加密集）．

以某公園的AD HDM數(shù)據(jù)為例，驗證所提出的相對精度評估方法．實驗數(shù)據(jù)包括一組包含復雜曲線的車道線．該車道線為地面車道線形狀的中心線，每組車道線包含某一車道的左、右車道線．

2.2 方法

綜合而言，如第1節(jié)所述，在實際HDM驗證中很難找到相應的特征點對，因此本研究采用基于重采樣點的配準方法．首先擬合待驗證曲線，在曲線上采樣多個待驗證點，然后配準多個待驗證點對后再次擬合并重采樣，在此基礎上完成相對精度的計算．經過幾十年發(fā)展，針對不同需求，出現(xiàn)多種配準點對的算法．本研究使用迭代最近點（ICP）算法［17］．該算法計算精度高，可控制迭代次數(shù)，適用于本研究．

ICP算法的基本流程是：

1）計算源點集中每個點在目標點集中的對應最近點．

2）計算最小化上述對應點對的平均距離的剛性變換，并計算旋轉和平移參數(shù)．

3）對于源點集，使用計算得到的旋轉和平移參數(shù)來獲取新點集．

4）確定是否滿足迭代計算停止的條件．若是，則停止計算;若否，將所得新點集作為新的源點集，輸入1）中繼續(xù)進行迭代計算．

常見的迭代停止條件［17］是：旋轉和平移參數(shù)的變化小于某個閾值;變換點集合與目標點集合的平均距離小于某個閾值;迭代次數(shù)達到一定閾值等．

點集變換的ICP算法的結果是輸出變換后的點集和轉換參數(shù)．轉換參數(shù)通常用旋轉矩陣和平移矩陣表示．通過使用旋轉和平移矩陣進行相應的旋轉平移變換，點集可從空間中起始位置位姿變換為任意位置位姿．

2.2.1 車道航向

考慮到實際車道線情況多變，可能包含各種復雜曲線與直線要素，故將所有線要素都視為曲線進行評估．使用圖4所示流程評估線要素的相對精度．

首先提取待評估曲線要素的地面真值點與圖上參考點，它們不必一一對應．分別擬合經過所有地面真值點與圖上參考點的曲線，記為真實曲線與數(shù)據(jù)曲線．再使用合適的采樣間隔分別對真實曲線和數(shù)據(jù)曲線進行采樣，獲取多個采樣點．通過ICP算法將真采樣點與參考采樣點配準對齊．法線與真實曲線的交點代表某一參考點對應的真值點，2點間距代表該參考點的偏差，計算所有偏差相對于真實曲線長度的比值并表示為相對誤差，然后計算所有比值的中誤差，該中誤差即為曲線航向的相對誤差．對整幅地圖，綜合所有驗證要素的相對誤差中誤差，以2倍中誤差作為極限誤差，代表航向相對精度．一般而言，可將該相對精度轉換為每100 m車道線長度的對應值，且數(shù)值在20 cm以內．

2.2.2 車道旁向

驗證涉及一段車道的左、右車道線，即車道的相鄰車道線．分別提取圖上左、右車道線的數(shù)據(jù)點，擬合成2條數(shù)據(jù)曲線．再提取相應的真坐標值并將其擬合為2條真實曲線．使用合適的采樣間隔分別對真實曲線和數(shù)據(jù)曲線進行采樣，以獲得多個采樣點．通過ICP算法將真實采樣點與數(shù)據(jù)采樣點配準對齊．再以其中一條配準后的數(shù)據(jù)曲線，如左側數(shù)據(jù)曲線作為基準，計算該數(shù)據(jù)曲線上所有數(shù)據(jù)點．點a 1沿數(shù)據(jù)曲線法線方向與對應的左側真實曲線和對應的右側數(shù)據(jù)曲線的交點分別稱為對應真坐標點b 1、對應數(shù)據(jù)點a 2．過b 1點作左側真實曲線的法線，與右側真實曲線交于b 2點．點a 1與a 2的間距作為數(shù)據(jù)點a 1處的數(shù)據(jù)車道寬m 1，點b 1與b 2的間距作為a 1處對應的實際車道寬n 1．ICP配準對齊的目的是在真實曲線上找出各數(shù)據(jù)點對應的點，計算對應點處的數(shù)據(jù)車道寬與實際車道寬．計算m 1與n 1間差值的絕對值并表示為數(shù)據(jù)點a 1處的車道旁向相對誤差．再計算所有數(shù)據(jù)點處的相對誤差，以此得到車道旁向相對誤差中誤差，以2倍中誤差作為極限誤差，代表車道旁向相對精度．此相對精度可設置為20 cm．

數(shù)據(jù)曲線與真實曲線擬合后，過各個數(shù)據(jù)點作數(shù)據(jù)曲線的法線，將法線與真實曲線的交點作為各數(shù)據(jù)點的對應點．數(shù)據(jù)點與其對應點的間距表示數(shù)據(jù)點偏差，計算該偏差的中誤差，以2倍中誤差作為極限誤差，代表車道旁向相對精度．

上述方法既避免了曲線要素難以確定特征對應點的問題，又避免了計算過程中曲線部分的失真，使得評估更簡單，結果更可靠．

3 精度評估分析

3.1 車道航向結果

將真實曲線與數(shù)據(jù)曲線擬合后重采樣，通過ICP算法配準對齊重采樣點，對齊結果如圖5所示．右圖為左圖的局部放大．

圖5中黑線表示參考值（地圖數(shù)據(jù)值）曲線，藍線表示觀測值（驗證真值）曲線，紅線表示配準后的擬合曲線．為了更清楚地顯示上述線條的細節(jié)，放大視圖的軸被拉伸．該車道線的第1部分經ICP配準的旋轉矩陣R和平移矩陣T分別表示為

R= 1.000 0.0010.015-0.001 1.0000.008-0.015-0.0081.000，

T=-0.122-0.061 0.150．? （4）

配準后，計算曲線上各數(shù)據(jù)點偏差的中誤差為0.136 m，該段曲線真實長度為166.8 m，計算相對誤差中誤差為0.082％，歸算至100 m車道線長度結果為0.082 m．若以2倍中誤差作為極限誤差，則此段車道線極限誤差為0.164 m，小于0.2 m，滿足相對精度要求．

該車道線的另一部分經ICP配準的旋轉矩陣R和平移矩陣T分別表示為

R= 1.000 0.0010.012-0.001 1.0000.005-0.012-0.0051.000，

T=-0.118-0.057 0.153. （5）

配準后，計算曲線上各數(shù)據(jù)點偏差的中誤差為0.128 m，該段曲線真實長度為166.2 m，計算相對誤差中誤差為0.077％，歸算至100 m車道線長度結果為0.077 m．若以2倍中誤差作為極限誤差，則此段車道線極限誤差為0.154 m，也滿足相對精度要求．

對于某一段車道，相對精度取決于它所包含的兩條車道線的相對精度的平均值．因此，該車道段的相對精度為0.080，極限誤差為0.159 m．

除圖5所示路段外，還研究了其他3個路段，其中包含更典型的直車道和單彎道，結果如表1所示．

3.2 車道旁向結果

方法同3.1，對齊結果如圖6．圖6中顯示了一段車道中包含的左、右車道線．

圖6中黑線表示參考值曲線，藍線表示觀測值曲線．車道線經ICP配準的旋轉矩陣R和平移矩陣T分別表示為

R= 1.000 0.0010.014-0.001 1.0000.007-0.014-0.0071.000，

T=-0.134-0.069 0.144. （6）

配準后，計算真實曲線車道寬與對應點處數(shù)據(jù)曲線車道寬間差值的中誤差為4.5 cm．若以2倍中誤差作為極限誤差，則此段車道線的車道寬偏差極限誤差為9 cm，滿足相對精度要求．

其他與航向相同車道的研究結果如表2所示．

3.3 傳統(tǒng)方法的結果

綜上所述，三維空間點集的相對精度指標分為平面相對精度和高程相對精度．在實驗的每組車道中，只有4個可用點（唯一包含相應觀測值和測量值），則n=4．根據(jù)上述公式計算縱向相對精度為0.091，橫向相對精度為0.002 5．使用傳統(tǒng)方法計算其余車道組的結果如表3所示．

以第1組車道線計算結果為例，可看出傳統(tǒng)方法計算高程方向的中誤差較小，即高程方向測量數(shù)據(jù)的相對精度較高，平面內的中誤差也小于本文方法所得值，即傳統(tǒng)方法也認為該段車道上平面內的相對精度較高．但傳統(tǒng)方法的計算數(shù)據(jù)僅包含2條線的起點和終點共4個點，故傳統(tǒng)方法計算的相對精度實際上只針對這4個點，而這4個點間的相對偏移變形很小，計算的相對精度較高．因此，傳統(tǒng)方法無法提供整條車道線完整且詳細的描述．這一點可通過查看整條車道沿線的點來驗證．

4 結論

本研究基于點重采樣和配準的方法來評估實際HDM的精度．結果表明：在沒有曲率變化的車道線上，本方法獲得的精度與傳統(tǒng)方法相似;在含明顯曲線的車道線上，本方法對HDM細節(jié)的評估比傳統(tǒng)方法更精細、更具體．因此，本文方法可以更好地控制HDM的質量，這對自動駕駛汽車的定位和決策制定至關重要．

由于所獲數(shù)據(jù)有限，本文暫無法對更復雜的路況做出討論．本研究使用的數(shù)據(jù)量較小，且路況相對簡單，只有22.4 km長的平原地區(qū)城鎮(zhèn)道路;本研究道路類型比較單一，在山路、復雜立交橋、涵洞等復雜情況下無法驗證本研究方法的性能．本文最終的相對精度計算與傳統(tǒng)方法不一致，只能確定本文的方法能更好地反映巷道的細節(jié)，但不能確定傳統(tǒng)方法和本文方法計算的數(shù)值是否具有相同的效力．

今后可從豐富數(shù)據(jù)情況和檢驗本文方法與傳統(tǒng)方法的數(shù)據(jù)間的有效性來更全面地判斷本文方法評估HDM精度的能力．

參考文獻

References

［1］ 劉經南，詹驕，郭遲，等.智能高精地圖數(shù)據(jù)邏輯結構與關鍵技術［J］.測繪學報，2019，48（8）：939-953

LIU Jingnan，ZHAN Jiao，GUO Chi，et al.Data logic structure and key technologies on intelligent high-precision map［J］.Acta Geodaetica et Cartographica Sinica，2019，48（8）：939-953

［2] Liu R，Wang J L，Zhang B Q.High definition map for automated driving：overview and analysis［J］.Journal of Navigation，2020，73（2）：324-341

［3] Levinson J，Montemerlo M，Thrun S.Map-based precision vehicle localization in urban environments［C］／／3rd Robotics Science and Systems Conference.June 27-30，2007，Atlanta，GA，USA.Robotics：Science and Systems Foundation，2007：121-128

［4] Guo C，Guo W F，Cao G Y，et al.A lane-level LBS system for vehicle network with high-precision BDS／GPS positioning［J］.Computational Intelligence and Neuroscience，2015，2015：531321

［5］ Heiko G，Seif H X.The key challenge of the self-driving car industry in smart cities-high-definition maps［J］.Engineering 2016，2，27-35

［6］ Sutarwala B Z.GIS for mapping of lane-level data and re-creation in real time for navigation［D］.University of California，2011

［7］ Schreiber M，Knppel C，F(xiàn)ranke U.LaneLoc：lane marking based localization using highly accurate maps［C］／／2013 IEEE Intelligent Vehicles Symposium.June 23-26，2013，Gold Coast，QLD，Australia.IEEE，2013：449-454

［8] 侯翹楚，李必軍，蔡毅.高分辨率遙感影像的車道級高精地圖要素提取［J］.測繪通報，2021（3）：38-43

HOU Qiaochu，LI Bijun，CAI Yi.High-precision lane-level map elements extracting based on high-resolution remote sensing image［J］.Bulletin of Surveying and Mapping，2021（3）：38-43

［9] 蔡艷輝，章煒，閆慶慶，等.導航電子地圖位置精度及檢測方法［J］.導航定位學報，2021，9（1）：10-14

CAI Yanhui，ZHANG Wei，YAN Qingqing，et al.Position accuracy and its test method for navigation digital maps［J］.Journal of Navigation and Positioning，2021，9（1）：10-14

［10] Kim K，Cho S，Chung W.HD map update for autonomous driving with crowdsourced data［J］.IEEE Robotics and Automation Letters，2021，6（2）：1895-1901

［11] Levinson J，Thrun S.Robust vehicle localization in urban environments using probabilistic maps［C］／／2010 IEEE International Conference on Robotics and Automation.May 3-7，2010，Anchorage，AK，USA.IEEE，2010：4372-4378

［12] Fairfield N，Urmson C.Traffic light mapping and detection［C］／／2011 IEEE International Conference on Robotics and Automation.May 9-13，2011，Shanghai，China.IEEE，2011：5421-5426

［13] 劉經南，吳杭彬，郭遲，等.高精度道路導航地圖的進展與思考［J］.中國工程科學，2018，20（2）：99-105

LIU Jingnan，WU Hangbin，GUO Chi，et al.Progress and consideration of high precision road navigation map［J］.Strategic Study of CAE，2018，20（2）：99-105

［14] 武漢大學測繪學院測量平差學科組.誤差理論與測量平差基礎［M］.2版.武漢：武漢大學出版社，2009

［15］ Reid T，Houts S E，Cammarata R，et al.Localization requirements for autonomous vehicles［J］.SAE International Journal of Connected and Automated Vehicles，2019，2（3）：173-190

［16］ 方莉娜，王康.基于車載激光點云的道路交叉口檢測與識別［J］.南京信息工程大學學報（自然科學版），2021，13（6）：635-644

FANG Lina，WANG Kang.Road intersection detection and recognition based on mobile laser scanning［J］.Journal of Nanjing University of Information Science ＆ Technology （Natural Science Edition），2021，13（6）：635-644

［17］ Besl P J，Mckay H D.A method for registration of 3-D shapes［J］.IEEE Transactions on Pattern Analysis ＆ Machine Intelligence，1992，14（2）：239-256

Relative accuracy verification of high-definition map for autonomous driving

JIANG Nana1 TANG Yonglin2 HUANG He1 YU Tengfei1 SUN Peng3

1School of Geomatics and Urban Spatial Informatics，Beijing University of Civil Engineering and Architecture，Beijing 102616

2EMAPGO Technologies （Beijing） Co.，Ltd.，Beijing 100070

3Beijing Baidu Netcom Science and Technology Co.，Ltd.，Beijing 100085

Abstract As an important component of Autonomous Driving （AD） system，High-Definition Map （HDM） can provide highly accurate prior data of lane lines and road auxiliary facilities for AD system.The reliable evaluation of HDM accuracy is extremely necessary，but has been troubled by the evaluation methods used in mapping.Here，a method based on point set alignment and resampling is proposed to evaluate the relative accuracy of lane lines，and experiments are conducted based on relevant HDM data.First，the points on the verification curve are fitted and sampled，and the aligned point pairs are registered and then resampled，based on which the relative accuracy is calculated.The results showed that the relative limit errors of all the 4 groups of lane lines were verified to be less than 20 cm，meeting the relative accuracy requirements，of which the first group has the relative limit error of 15.9 cm.It can be concluded that the proposed method is more accurate and reliable in accuracy evaluation of HDM than traditional methods.

Key words autonomous driving;high-definition map （HDM）;accuracy evaluation;iterative closest point