“华为张国龙：高精定位与高精地图众包更新现状、挑战”

9月28-29日， 2021年“东方风起航引导、智能驾驶过渡——中国车谷2021智能车产业创新快速发展论坛”在武汉市召开，会议以智能驾驶为主线，一个主论坛+六个平行。

在9月29日的“地图定位”第六分论坛上，华为智能车处理方案 BU [/S2///]

同行的大家好！ 很高兴有机会和大家进行技术交流。

在高精地图方面，华为企业从2019年开始申请导航电子地图的甲级资格。 我们的团队首要集中在关键技术的开发上，包括工具链的开发，所以今天我要给大家的演讲也集中在地图和高精定位上。

我个人认为，从自动驾驶方面来看，高精度地图和定位是天生结合在一起的技术。 刚才站着的同行也说过，在车道上收集高精度地图数据时，首先依靠的是高精度的融合定位。 但另一方面，自动驾驶车在道路上行驶时，依靠高精度地图进行一点辅助定位。 所以，这两种技术在这里面很强地结合在一起。 但是，高精地图在其他感知、管制等应用中仍有不可替代的作用，是基础性技术。

相对于以前传来的导航地图，高精地图上出现了很多变化。 更重要的是，高精地图是未来用于机械的。 当然，目前业界仍在提倡人-车联合驾驶的概念，因此现在的ICV上面的地图还有一个诉求。 另外，可以认为在精度方面，高精地图从精度方面也有了很大的提高。 另外，在地图要素中，它提供了多维度的新闻，有利于自动驾驶车的相关决策规划控制。

另外，关于领域，高精地图的更新备受关注。 业界形成的共识，高精地图的底图，有着从采集到生产制作的比较成熟的道路，但是更新的问题没有得到很好的处理，刚成立的同行也提到了众包的更新路线。

我们的团队专注于开发高精度地图这一首要技术的工具链，所以我们自己构建收集系统，所使用的传感器与领域内基本相同，但在算法方面我们专注于完全打开我们接收器的算法 为什么会这样呢？ 在进行融合定位的基础上，任何传感器提高最终的定位精度，本质上都是关注其测量新闻的精度和精度，因此，需要对RTK的算法进行完全的自研究，无论在哪个方面，imu和激光 通过明确是否能够进行视觉匹配的定位，可以进一步提高定位的精度当然imu和其他传感器也需要辅助卫星导航rtk全球定位新闻，提高其测量精度

这个流程的框图主要是对比度高的参考底图的制作，需要后解决的算法。 但是，关于车侧，由于是实时融合定位，所以解决的方法又不同，无论是车侧还是后解决，针对各传感器的原始测量数据，如何提高精度都是备受关注的首要方向。

下面的照片是我们在北京的一点场景中制作的激光点云图层，解决融合定位后，在很多困难场景中制作的点云地图，其分层和重影都会得到改善。

目前，高精度地图的绘制存在一点挑战。 目前，高精度地图以覆盖高速公路和城市地区的高速公路为主，一是法规问题，有时采集价格过高，特别是对于城市环境，传感器的配置需要非常高，从而提高了其精度 另一个是解决难度。 大量的数据来到后台，需要成熟的平台、工具链，包括有点特殊的ai之类的算法等。 另外，制作和更新的周期很长。 此外，该方案还在全国复盖。 对客人来说，购买自动驾驶汽车。 他不希望局限于你服务所在的城市或某个地区，或者某条道路。 所以，将来我们将覆盖全国所有城市、与其相关的高速公路和高速公路。

对于众包更新来说，我们的行业已经看到了许多关键点，需要我们共同努力克服。 其中，我首先谈定位这一发展。 其中包括检测变化、更新云、传输新闻等感知性的东西。 在昨天的论坛上，我们谈到了数据的合规性。 在众包更新中，无论是数据传输、存储还是后台解决，数据合规性都仍然是一个重要问题。

这是我们现在构想的众包更新流程，我们最关注的是定位能力和检测能力，后面的检测能力主要涉及很多感知的算法。

我部门在进行通用技术、关键技术研发的过程中，关注国家一点点的政策法规，积极参与一点点的重要项目、标准、领域技术白皮书。 在这一过程中与越来越多的同行探索合作，为华为企业在云、管、端各方面的技术成果做出了贡献。

这是在高精度地图参考底图绘制和车端实时定位时，我们整理的首要挑战之地，关于高精度地图，我们现在关注的城市环境地图数据的解决，高精度定位首要面对的是林荫道、城市峡谷、隧道、隧道。

其中前面提到，我们打开rtk算法后，利用其他传感器数据更好地发挥卫星导航的作用，完成了多传感器后解的融合。 包括香港理工大学、清华大学在内的行业已经关注着这个技术方向。 rtk定位需要载波相位的测量，但通常将各卫星的测量结果汇总后得出定位结果。 评价和清除卫星导航定位结果的操作，其实是关注最后的结果。 但是，实际上，接收器上有很多星星，我们知道每个星星的测量精度有差异。 我们要做的是清除测量误差大的星星，不是否定所有的测量结果。 当然，也会去除测量误差大的卫星，卫星数量变少，不利于定位精度的提高。 那就需要对激光雷达和视觉贫民窟结果进行补充，其测量结果本质上也是测距新闻，可以作为卫星导航测距新闻进行补充。

在实时定位方面，首要的兴趣是相互验证，包括传感器发生故障，满足功能的安全性。 即使在将每个传感器的原始数据拿来进行深度融合时，在车侧应用也会碰到车侧自身的解决方案的能力问题。 后面解决的时候，因为不太关心计算的时间、周期等，所以我们会花越来越多的时间优化算法，提高其实时性以满足车方的要求。 但是，传感器的故障与功能安全有关，仍然是整个行业APP融合定位的重要问题之一。

这是我们在进行车端整体融合定位时利用的传感器、自身受到的环境等挑战，每个传感器都有其特点，但在融合定位时，我们要尽量认识到其劣势。 刚才千寻的同行说，只有认识到这些，才能让客户知道什么时候可以使用，什么时候不能使用，但是这项工作也是提高可靠性非常重要的一个方面。

这是刚才制作高精度参考底图时事后解决算法的整体框图，它包括正向融合定位算法和反向融合定位算法，这两个算法后面还会进行加权融合。 我们引进激光雷达和视觉后，有了灌篮技术的引进，灌篮技术的大家常用的后端优化算法。 因为它是一种比较新的算法，所以增加了多传感器全局优化的算法。 这包括点云的补偿，supmap的构建，以及多轨迹融合，最后形成这个点云地图。 当然，这个点云地图是基础，最后作为生产的一环提供，之后也是这个基础

这是后求解器算法在城市稍环境下的测试，根据测试结果，选择了3公里和4公里两个极限距离以判断其实现精度。 现在，平均值3公斤达到1.09，3倍的西格玛为3.23米，4公斤的平均值为0.45，3，3倍的西格玛为1.94。 从整体精度来看，相对于利用国外的高精度组合定位设备，这一精度有了相当大的提高。 所以我们去自研探索采集设备，是希望用比较便宜的传感器建立采集系统，有利于高精度的整个地图的采集，同时可以大规模配置。 这项技术的探索为我们后面使用更便宜的传感器进行车端实时定位奠定了基础。

最后，从高精度地图绘制来看，整个后端融合定位的难点在于城市道路，它比较多、复杂，难以保证精度，而且多次采集的一致性也是个大问题，还有大范围的制图效率。 对车侧的实时定位而言，难点在于如何实时解决传感器的故障，如何评价传感器的测量值极差，以保证实时的紧急解决，以及功能安全的诉求。 这是对高精度地图制作和高精度定位研究整体的总结。

谢谢大家！