面向無人駕駛的邊緣高精地圖服務

唐潔 劉少山

摘要：高精度地圖作為無人駕駛應用中輔助駕駛的重要手段，在高精度定位、輔助環境感知、控制決策等方面發揮著重要作用。邊緣計算將計算、存儲、共享能力從云端延伸到網絡邊緣，使用“業務應用在邊緣，綜合管理在云端”的模式，非常適合于部署更新頻率高、實時服務延遲低、覆蓋面積廣的高精地圖服務。結合眾包的邊緣地圖服務已經成為高精地圖更新的主要方式，有著重要的應用前景。

關鍵詞：高精地圖;無人駕駛;邊緣計算;眾包

Abstract： High-precision map plays an important role in autonomous driving， and it is the important foundation for high-precision positioning， environmental perception and control decision. Edge computing extends computing， storage and data sharing from cloud to network edge thus it is very suitable for deploying high-precision map services. With the mode of "deployment in edge， management in cloud"， edge high-precision map service can provide high update frequency， low real-time service delay and wide coverage area. Combined with crowdsourcing， edge high-precision map has become the applicable and promising solution for low-cost and high-precision map updating.

Key words： high-precision map; autonomous driving; edge computing; crowdsourcing

無人駕駛作為目前人工智能行業最受關注的應用場景之一，擔當著革新汽車行業甚至是交通運輸業未來的重要使命。無人駕駛能夠真正地解放人類雙手，提高行車安全，通過更普及的運力共享，在緩解交通擁堵的同時可大大地減少對環境的污染。隨著無人車的普及，無人駕駛將成為未來智慧公共出行的主要方式，是未來智慧城市的重要聯結之一[1]。

在無人駕駛應用中，高精地圖是其必不可少的實現基礎。高精地圖是對物理世界路況的精準還原，通過道路信息的高精度承載，利用超視距信息，和其他車載傳感器形成互補，打破車身傳感的局限性，實現感知的無限延伸。以底層的高精度地圖數據為基礎，在此之上疊加動態交通數據，通過高速通信完成交通信息的實時更新以及駕駛預警推送，為無人駕駛行車決策提供強有力的指導[2-3]。

相比于傳統的電子地圖，高精地圖具有數據高精度、信息高維度以及高實時性的特點。隨著感知范圍的延伸和傳感精度的提高，高精度地圖有能力構建更精確的定位、更廣范圍的環境感知、更完備的交通信息，從而為無人駕駛提供感知、定位、決策等多種支持[4-5]。高精度地圖不僅僅包含對道路靜態元素10～20 cm厘米精度的三維表示，如車道線、曲率、坡度和路側物體等，還包括了駕駛環境中各種動態信息，如車道限速、車道關閉、道路坑洼、交通事故等。此外，高精地圖還發展出個性化駕駛支持，包括各種駕駛行為建議，如最佳加速點及剎車點、最佳過彎速度等，以提高無人駕駛的舒適度。

目前，全球圖商以及無人駕駛車商，如百度、Google、高德、HERE、TomTom等已經組建了自有專業地圖采集車隊，通過配置有攝像頭和激光雷達等設備的高精度地圖采集車掃描獲得街景圖像數據和3D激光點云數據，經過后臺的自動化建圖流程，結合人工糾錯與標注，最終形成多層次地圖數據疊加的高精度地圖，并進行發布。然而，自建專業采集車隊極其昂貴、維護成本開銷大且覆蓋與更新面積有限，難以實現高精度地圖生產的實時更新或修復自愈。地圖眾包是高精度地圖生產與服務提供的新方向。利用（半）社會車輛在行駛過程中完成傳感數據采集，通過邊緣計算節點的數據清理、聚合和壓縮等優化手段，可以將抽取過的關鍵感知數據推送至云端，在利用云端的強大算力使用多源數據完成對地圖數據的更新，最后再把增量更新與動態實時交通存儲在邊緣緩存，根據車輛的駕駛場景，完成對高精地圖數據的推送與預取。由此可見，邊緣高精地圖服務是自動駕駛在邊緣計算場景下的一大典型應用，在減少成本開銷的同時，實現覆蓋更為廣泛的、更高頻的、更實時的地圖數據服務。

通過眾包機制，利用多車傳感在邊緣計算端與云端進行協同，實現高精度地圖的構建與實時更新;并通過邊緣緩存向車輛實時發布高精度地圖的動態層數據與靜態更新，以輔助車輛的無人駕駛。這一未來無人駕駛典型應用需要解決3大方面的問題：（1）如何以邊緣節點為中心，根據邊緣智能感知的車輛動態分布進行感知任務分配，并對匯集的群智信息的時空有效性與數據質量進行評估和控制;（2）多車輛傳感數據如何在邊緣節點自動化地進行過濾、聚合、協商，以得出對交通態勢的動態描述，抽取出對靜態更新的一致性感知結果，其中包括如何通過有序協作對感知數據進行動態融合，從而提高感知準確性、全面性，減少信息冗余度;（3）根據感知數據的時空特征和車輛的分布規律，如何利用邊緣環境中具有時空約束的服務數據緩存與分發，把確認后的地圖更新與實時交通狀況傳播到其他相關車輛中，為無人駕駛服務提供細粒度、準確、高時效的數據基礎。

1 高精地圖

高精地圖是高精度、高維度、高實時的地圖數據綜合。在數據精度上，相比電子地圖米級的數據誤差，高精地圖的相對精度誤差不超過20 cm。相比電子地圖中簡單的道路模型，高精地圖包含了道路標志、車道邊界、車道坡度、彎道曲率等多維度的豐富信息。同時，通過與車聯網以及車到萬物（V2X）等技術的結合，高精地圖還將更新實時交通信息以及天氣狀況等。所有這些路況信息是高精地圖輔助實現 L3～L5級無人駕駛的基礎。如圖1所示，高精度地圖在無人駕駛中發揮著重要作用。通過比對車載傳感環境信息與高精地圖信息，可以得到車輛在地圖中的厘米級精確位置，實現車輛的高精度定位[6]。利用先驗知識，高精地圖信息可以輔助環境感知，從而降低車載環境感知的難度[7]。高精度地圖現已精確到車道模型，可以預知前方多種道路信息，實現提前減速和避讓，完成更有效的局部駕駛規劃。通過5G等通信手段，結合V2X交互支持，可以實現超距離路況感知與預警，完成更智能、更實時的全局駕駛規劃。

1.1 高精地圖數據組織

高精度地圖作為自動駕駛的必要支撐，在維持底層車道數據精確性的同時，必須具備進行動態路況信息實時更新的能力，并發展出基于車主不同駕駛習慣的個性化駕駛支撐能力。因此，高精地圖需分為2個層級：最底層是靜態高精地圖層，需提前進行裝載;上層是動態高精地圖層，在行車過程中不斷更新。

為了提升存儲效率和可讀性，靜態高精地圖在存儲時又繼續劃分為矢量層和特征層。特征地圖是對路面信息的準確刻畫，主要驅動于高精度定位的需求，能夠很好地完成地圖道路匹配與定位。矢量地圖是在特征地圖基礎之上進一步的抽象、處理和標注。它的容量更小，并能夠通過其中的路網信息完成點到點的精確路徑規劃，這是高精度地圖使能的一大途徑。如圖2所示，矢量層包含車道模型、道路部件、道路屬性數據。這些語義元素被簡化和抽取出來，補充到幾何構建的道路結構中，形成新的矢量地圖數據。其中，車道模型中包含了車道線、車道中心線、車道屬性變化等信息，可以輔助車輛完成橫向定位，并且執行交通規則，比如指導車輛在虛線區域內進行并線，在車道分離點前完成變道。通過對比車載傳感數據與交通標志牌等道路部件信息，可以修正車輛縱向定位和航向。即便在沒有檢測到任何道路特征的情況下，也可以通過高精地圖的航位推算進行短時間的位置推算。車道模型中曲率、坡度、航向、橫坡等數學參數，可以決策車輛準確的轉向、制動、爬坡等行為。這部分數據因為道路翻新和維護出現頻繁變化，需要有效地利用邊緣群智感知進行更新。

動態高精地圖層構建在靜態層之上，增加了道路擁堵情況、施工情況、交通事故、交通管制情況、天氣情況等動態交通信息。這些動態要素通過5G等通信手段在車車之間、車與邊緣節點之間、多邊緣節點之間進行收集、處理與發布，將及時地反映在高精地圖上以輔助決策確保無人車行駛安全。

1.2 高精地圖傳感器類型

高精地圖的生產依賴于多個傳感器數據的融合。高精地圖數據采集時使用的傳感器種類不一定與無人駕駛時使用的傳感器相同。為保證L4或者L5無人駕駛的要求，高精地圖生產需要的傳感器主要包括圖3中的幾種類型。

· 光學攝像頭。通過車載攝像頭，可以捕捉車身周圍交通環境的靜態信息，通過對圖片中關鍵交通標志、路面關鍵信息的提取，來完成對地圖的初步繪制。目前，基于圖像的深度學習技術發展遠超過基于3D點云的深度學習，對于各種地物的提取具有較高的精確率和較低的召回率，可以非常清晰地提取道路邊線和交通標識等信息。這些都是攝像頭作為高精地圖感知手段的重要優勢。然而，攝像頭傳感要求外部環境光線充足，因此采集工作只能在白天進行[8]。

· 陀螺儀（IMU）。IMU配備有6軸運動處理組件，包含了3軸加速度和3軸陀螺儀，分別檢測在上下、左右、前后這3個方向上的加速度和角速度信息，以此解算出物體的姿態，提供短時內較為準確的定位。但是，從加速度推算出運動距離需要經過2次積分，隨著時間漂移所產生的誤差將不斷增大。因此，僅依賴IMU無法完成長時間的車輛位置精確預測，高精地圖的生產往往需要精度較高的IMU，所使用的IMU價格一般在數萬到幾十萬之間[9]。

· 輪測距器。車輛的前輪通常配備了輪測距器，分別記錄左輪與右輪的總轉數。通過分析每個時間段內左右輪的轉數、向左右轉動的角度等，可以推算出車輛前進的距離和位置。但是，不同的地面材質（如冰面與水泥地）上的轉數對距離轉換存在偏差。所以單靠輪測距器并不能精準預測無人車位置，但對于高精地圖的制作不是必須的傳感器。

· 全球定位系統（GPS）。GPS作為使用最廣的定位系統，在無人駕駛定位和高精地圖制作中都發揮著舉足輕重的作用。GPS使用4顆或更多衛星的位置（儲存在星歷中）計算出地面接收器與每顆衛星之間的距離，然后利用三維空間的三邊測量法推算出車輛的位置。民用GPS的單點定位精度一般在米級，差分GPS通過增加一個參考基站的方法可提高定位精度至厘米級[10]。但是在復雜環境中，一旦出現信號阻擋的情況，GPS多路徑反射（Multi-Path）的問題會導致幾十厘米甚至幾米的誤差。同時GPS的定位頻率較低，最高僅為10 Hz，目前通常使用GPS和IMU連接組成慣性導航系統，利用低頻率的GPS數據校準高頻率但易漂移誤差的IMU數據，進而完成相對高頻率、高精度的融合數據。

· 激光雷達（LiDAR）。激光雷達通過向目標物體發射一束激光，然后根據接收-反射的時間間隔確定目標物體的實際距離。根據距離以及激光發射的角度和感光測量數據，通過簡單的幾何變化即可推導出物體的三維空間位置信息和光強度信息。使用激光雷達能夠快速獲得道路及周邊環境的三維點云數據和光強度信息，完成對檢測到物體的初步判斷。激光雷達的工作條件基本不受時間影響，白天黑夜都可以工作。但是，激光雷達對環境要求較高，在大雨、濃煙、濃霧、大雪等惡劣天氣里都會受到很大的影響。同時，激光雷達并不能識別和理解交通標志牌、信號燈等內容，需要借助光學攝像頭來捕捉并提取這部分信息。最重要的是，激光雷達價格昂貴，尤其是高線束激光雷達的量產率比較低，價格居高不下，導致激光雷達的部署成本過高，難以落地。

· 多傳感器融合。如表1所示，單一傳感器很難全天候工作，并且在實際應用中不同傳感器有著不同的特性。比如，GPS傳感器能夠直接測量出每個時間點車輛的全局位姿，但是這些直接測量結果通常不會很精確。激光雷達和攝像頭的每次采樣測量結果均是在局部坐標系，但是兩者包含了豐富且準確的局部測量信息，很多相對的位姿信息可以被抽取出來豐富地圖的語義。因此，在制圖中均采用多傳感器融合的方法。多傳感器數據融合就是把所有的車載傳感器數據標定到統一的車輛坐標系（如x軸向前，y軸向左，z軸向上）上，并盡可能利用各種離散時空數據，計算出車輛每個時間點在全局坐標系下的三維位姿。一旦有了全局車輛的位姿信息，就可以完成各類傳感數據局部測量結果融合。

2 高精地圖的制作

如圖4所示，高精度地圖的構建由數據采集、地圖生產、人工驗證、地圖更新發布4個過程組成。

2.1 數據采集

目前主流的高精度地圖數據采集可以分成3大陣營。其一，自由專業采集體系是圖商利用自建的高精專業采集車進行上路采集。其二，行業采集生態是利用如物流車、出租車等車輛上的GPS、攝像頭等回傳實時的道路軌跡和路況信息，這也是現在導航地圖中使用的交通動態信息采集方法之一。其三，眾包模式。在自動駕駛時代，普及后的每輛無人駕駛車上的激光雷達、攝像頭等傳感器無時不刻都在采集道路信息。這些傳感信息可以被用來完成對高精地圖的更新發現與實施。邊緣地圖更新就是利用眾包在提供邊緣地圖服務的同時，收集服務車輛的傳感數據，利用邊緣智能完成對地圖多層級數據的迭代。

第一陣營的代表是谷歌、百度等，他們擁有專業的地圖測繪車車隊，可完成封閉的集中式制圖。目前，谷歌汽車已經完成了累積超過1 931 212.8 km的無人駕駛高精度地圖測繪[11]。然而專業的地圖采集車造價非常昂貴，成本達到800萬元，相對精度在10 cm之內，這顯然是單純依靠攝像頭提供視覺方案的眾包模式所無法實現的。第三陣營的代表是 Mobileye。Mobileye借助不同品牌大量級的車載攝像頭獲取數據來源，并針對自動駕駛情景，將重點放在路上的各種導流標志、方向標識、信號燈等，依靠這些建立的路標，從微觀上在行駛過程中為車輛提供指引。

未來在無人駕駛發展和應用中，3種模式將長期共存。地圖采集車高昂的造價限制了地圖數據大范圍、高頻率的采集更新，因此這部分數據將作為高精地圖基礎數據。在此之上，物流車等半社會化商用車和私用車將以眾包模式實現對高精度地圖數據的補充和更新;而邊緣地圖服務正是基于此種應用需求，在網絡側完成對眾包車輛對道路多源描述的整合。

2.2 地圖生產

地圖生產主要涉及位姿修正、數據預處理、位置檢測和語義生成4個環節[12]。這一過程將會利用激光點云識別技術、深度學習圖像識別技術以及大數據的處理能力等實現多種傳感數據的自動融合、識別、語義標注等。一般來說，采集的設備越精密，采集的數據越完整，需要算法修正的不確定性就越大，像Google、HERE等公司已有低分辨率的母圖做基礎，只需要疊加更多立體圖層和語義層。相反，如果采集的數據誤差越大，就越需要依賴算法彌補數據的缺陷，對算法要求更高。在邊緣地圖服務中，來自不同車輛的傳感信息本身就存在著各自的誤差。同時，不同的傳感數據描述通常是對同一事件的抽象，這就對傳感數據的邊緣抽象、融合、處理水平提出了較高要求。

2.3 人工驗證

人工驗證這一環節由人工完成。自動化驗證的數據還不能達到百分百的準確，需要人工再進行最后一步的確認和完善。

2.4 地圖更新發布

地圖更新發布主要針對靜態地圖層的道路的修改和動態地圖層的突發路況、交通事故等。最終形成的地圖更新可在云平臺決策之后經由邊緣節點和車間通信進行內容的分發。

3 邊緣場景下的高精地圖服務

由于高精度地圖對數據更新提出了很高的要求，實時更新和實時同步是高精度地圖應用過程中繞不開的2大問題。為了解決這2點，云平臺是高精地圖所不可或缺的。但是，云平臺在高精地圖中的直接應用面臨2個難點：（1）實時更新、數據同步的困難;（2）云平臺制圖能力的有限性，包括但不限于數據收集、運算、交互、分發等。因此，高精地圖生產與服務更需要從云-邊緣-端的角度推進，在分散云中心計算壓力的同時，還要強化云-邊緣-端之間的聯系以及網絡側本身的計算、收集與發布能力。

因此，從高精地圖的產品形態和服務方式的角度，通過邊緣計算服務對高精地圖數據進行實時更新與分發是一種可行的方式。根據邊緣計算產業聯盟的定義，邊緣計算是在靠近設備或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的開放平臺，就近提供邊緣智能服務，以滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求[13-14]。基于邊緣計算的高精地圖服務包括地圖生產和地圖發布2部分內容。邊緣地圖生產服務通過實時收集各車的行駛數據來增強交通時態的收集密度，擴充道路情況信息的感知范圍，并通過對感知數據的預處理實現有效的內容提取和無關語義去除等。邊緣地圖發布服務通過邊緣緩存能力進行地圖數據發布，將大大地緩解數據更新的緩存開銷和到達延遲，實現更貼近用戶的數據服務和行車預警。

高精地圖對于地圖數據處理有著特殊的要求：一是低時延，在車輛高速運動過程中，要實現動態地圖中的碰撞預警功能，通信時延應當在4 ms以內;二是高可靠性，高精度地圖服務于無人駕駛，相較于普通數據處理，高精地圖的傳感數據處理需要更高的可靠性。與此同時，車輛的高速運動以及可預見的傳感數據量爆發，對于時延和可靠性的要求也將越來越高。邊緣計算在局域內即可實現對實時傳感數據的聚集、分析與抽取，一方面將分析所得結果以極低延遲（通常是毫秒類）傳送給區域內的其他車輛，一方面將抽取后的信息推送至云端，以便地圖云完成對更新的決策。通過利用邊緣計算的位置特征，地圖數據就可實現就近存儲，因此可有效降低時延，非常適合于動態高精地圖中防碰撞、事故警告等時延標準要求極高的業務類型。同時，邊緣計算能夠精確地實時感知車輛移動，提高通信的時效與安全。在此方面，德國已經研發了數字高速公路試驗臺來提供交通預警服務，該試驗臺用于在長期演進（LTE）環境下在同一區域內進行車輛預警消息的發布[15]。相比集中式高精地圖服務，邊緣高精地圖服務擁有以下的特性：

· 低時延。邊緣高精地圖服務利用V2X 等近距離通信技術來提升行車安全與交通效率。目前邊緣節點有效范圍內的主要通信方式是專用短程通信（DSRC）、蜂窩通信（LTE-V2X）、5G-V2X。5G網絡延遲可以達到毫秒級，峰值速率可達10～20 Gbit/s，連接密度可以達到100萬/千米2，可保障大規模行車場景下的4 ms碰撞預警時間。這使得駕駛反饋更加迅速，改善了用戶安全與用戶體驗。