智能駕駛發展的關鍵技術要素
01 融合定位：面向未來的智能駕駛關鍵設計要素
智能駕駛大時代，汽車變革新未來。汽車軟硬件以及內部架構、行業競爭 格局、產業鏈價值分配也將發生深遠變化。在此變革浪潮下，我們認為智 能駕駛將相繼歷經輔助駕駛利用率提升、自動駕駛方案成熟、自動駕駛生 態完善三個階段，并分別帶來硬件、軟件系統和商業化運營三波機會。
其中，高精地圖(HD Map=high definition map ）作為其導航和定位的關鍵因素，也將發生重大的設計變革。這主要體現在如下幾個重要的方面：
- 高精地圖與導航地圖
導航地圖提供的是一段車道的長度和相關路程的大概路況。而高精地圖提供的是非常詳細的道路情況。比如路標，傾斜度，車道線還有車道線所處的位置。這些都會在高精地圖上標記。高精地圖中連某個交通燈的位置都有高精度的GPS數據標注。所以在無人車在道路上行駛的時候只要有全局路徑規劃中做出來的路徑，再把這些路徑轉換為每個車道線級別的路徑的時候，無人車就可以根據高清地圖上標記的每個車道線的中心線行駛。
- 高精地圖與其他模塊的聯系
高精地圖和無人車的其他模塊都有聯系，定位，預測，感知，規劃，安全，仿真，控制，人機交互，這些都需要高精地圖幫助。有的模塊倒不是說沒有高精的圖就不可以實現這些功能而是有了高精地圖的幫助他們可以獲得更準確的信息同時也能做出更加適合當時路況的決策。這里不對更詳細的技術東西進行闡述， 只是對他們大體的思路進行一個解釋
- 高精地圖和定位
高精地圖在定位的主要作用就是，它為定位提供了已經確定好的靜態物體的信息。那么無人車就可以根據這些靜態物體的信息，反過來找到自己在整個地圖中的相對位置。如果這些靜態物體有自己本身標注好的高精度的經緯坐標的時候，無人車就可以根據這些經緯度坐標來反向求自身的經緯度坐標，從而實現基于高精地圖和激光雷達攝像機等傳感器融合的定位方法。通過這種方式就可以擺脫依賴GPS的數據。因為GPS的數據在有數據阻擋的情況下他的噪音是非常強的。當然現在這個階段基于雷達跟視覺的傳感器融合的定位方法的精度沒有差分GPS提供的數據準確，但是也不失為一種定位方法。畢竟在沒有GPS信號的時候，車輛不可能是在沒有自身定位信息的情況下行駛， 這時候只能依賴其他的定位方式。
- 高精地圖和決策
那高精地圖跟決策模塊的關系就更簡單了。因為車輛如果知道以后自己要走的路線和自己要走的路線相關的路標交通燈道路信息，那么決策模塊就可以做出更加匹配當時路況的決策。就相當于我們如果知道未來會有什么事情的時候，就可以及時調整現在的行為以應對未來會發生的情況。
- 高精地圖和仿真模塊
高清地圖和仿真模塊的關系就比較好理解因為我們只要在有高精地圖標準的地圖上，對車輛進行定位或者是其他算法的驗證的話，那么在實際應用當中車輛獲取的信息跟我們在仿真中獲取的信息是一樣的。也就是說我們在仿真環境中搭建的代碼，很大程度上在現實環境中也可以使用。
- 高精地圖和感知模塊
無人駕駛當中感知模塊是一個比較復雜的模塊。因為它涉及到很多很多現實中的問題。但實際上我們感知的大部分環境里很多東西都是靜態的。那么在這種靜態的環境中我們不需要用額外的計算能力去計算可以事先存在數據庫中的東西。就比如某一個大樓他在某一個位置那么不管車輛行駛到這個位置多少次，每次看到的大樓都是在那一個點上。不管感知方式是什么這大樓的位置都不會隨著車輛的感知發生變化。那么這種東西就可以由高精地圖采集車先采集它的具體位置，然后把這些數據存到無人車的本地硬盤上。那么無人車就可以根據這個數據庫，每次行駛到那個大樓面前的時候，不經過識別就知道那邊有一個建筑物。跟定位模塊一樣，如果我們知道這個建筑物的高精度坐標的時候，我們可以根據這個坐標反求自身所在的位置。而且也可以根據事先做好的大樓的形態還有它的物理特征， 集中計算能力去識別除了這個大樓以外的動態的物體。
- 高清地圖和控制模塊
控制的具體內容很多詳細的內容，我也不是很清楚。但是如果是為了控制轉向角的話，那么高精地圖所提供的車道線的中間線的數據是必不可少的。因為雖然會基于攝像頭來識別車道線，然后根據這個車道線來識別中心線的位置。但是這些東西還是沒有高精地圖提供的數據準確。畢竟基于攝像頭的車道線識別都是實時的， 肯定會偶爾出錯 。或者車道線因為長時間沒有維護而變得看不清的時候，那么攝像機就不能識別到相應的車道線信息，這時候就需要高精地圖。車道線是人駕駛中非常重要的一個數據，所以現階段的基于攝像機的自動駕駛只能在高速公路上實現。因為只有高速公路上的車道線的保養狀態比較好。可以比較容易被識別出來。相反，在城市環境中的車道線維護的就不是很好。所以在城市道路當中基于攝像頭的自動駕駛方式暫時還不可取。
- 高精地圖的制作工藝
這邊說實話我也沒有涉及過但是聽老師說是這樣的。高清地圖是先由裝有的各種傳感器的車輛進行掃街。這種車輛在掃過每一條街之后，他可以獲取相關的點云信息和攝像機信息還有其他高精度的經緯度信息。之后工作人員會基于這些信息，線下對它們進行進一步的編輯。這里涉及到的就是點云拼接，攝像機識別的道路信息，比如車道線，比如斑馬線，比如交通信號燈。這些靜態物體都是要由工作人員進行進一步確認并標注好的。雖然采集車輛上的攝像機會進行初步的特征識別提取這些道路相關的特征。但是畢竟是基于計算機視覺的，提取的并不是100%正確的信息，也有可能是錯的，也有可能是某些標注沒有標好。所以最后一步還是要有工作人員進行最終確認并標注的。
- 高精地圖的制作工藝支持邊緣計算的V2X高精度地圖服務
未來自動駕駛的發展主要走向智能化、網聯化兩大方向，其重點是從車端智能化逐漸過渡到路端甚至云端智能化的方向。而針對高精地圖部署來說，最重要的幾個點是其云端、路端和車端上所產生的一系列升級和變革。其中，云端變革主要涉及高精度地圖服務、分片數據聚合、數據接邊、數據分片幾個方面。而路側端主要涉及分片地圖眾包更新、地圖版本管理、地圖分包、路側動態信息優化、地圖消息服務等幾個方面。應用到車端時，要求在分包數據融合、V2X場景還原、高精地圖引擎也隨之更新。
地圖的如上迭代更新過程可應用于實現L4/L5級無人駕駛功能，生成相關的機器人控制模式，也可在商用車的實現中發力，最終實現無人駕駛甚至遠程駕駛。
02 面向量產的高精度融合定位解決方案
很顯然，高精地圖要實現精準定位和不斷向前延展提升其功能性能就必須通過不斷的優化自身的融合定位方案來獲得。這一過程包含兩個主要的軟件算法。其一是通過全狀態-擴展卡爾曼濾波進行車輛位姿的動態最優估計；其二是使用視覺傳感器獲取道路環境的語義信息，通過精確地圖匹配算法獲取精確位置。此外，需要提高經濟性、適配度及整體性能。通過選擇配置工業級車載終端RTK：采用高性能工業級32位處理器，內置高精度RTK板卡；通過3G/4G/5G與千尋平臺建立通道，把GGA信息發給差分服務器，同時接收差分信息后，再通過 RS232輸出精準位置信息。
高精地圖最重要的過程是包含地圖眾包的采集與分發。關于眾包式地圖數據的采集，實際上可以理解為用戶通過自動駕駛車輛自身的傳感器，或其他低成本的傳感器硬件，收集的道路數據傳到云端進行數據融合，并通過數據聚合的方式提高數據精度，來完成高精地圖的制作。整個眾包流程實際是包括物理傳感器報告、地圖場景匹配、場景聚類、改變檢測與更新。
04 基于地圖開發的自動駕駛的全新架構
將面向何方？
當前自動駕駛系統的高精地圖架構仍然面向分布式方式，其重點關注項包含地圖眾包采集，地圖盒子對于高精地圖原始信息的解析，地圖如何對其他傳感器輸入數據進行融合等方面。這里我們注意一點，未來的自動駕駛系統架構中將不斷的從分布式的開發方式進化為集中式。集中式的方式可以被看成分三兩步走：
Step1：智能駕駛域全集中式控制方案
即，將智能行車ADS、智能泊車AVP系統進行全集中控制，采用一套中央預處理裝置將兩大系統中索要處理的信息進行融合、預測、規劃等處理方式。而與智能行車和智能泊車相關的所有傳感及數據單元的處理方式（高精地圖、激光雷達、全分布式攝像頭、毫米波雷達等）都會相應的被融合進入中央域控制單元。
Step2：智能駕駛域與智能座艙域全集中式控制方案
這種方式是實現全集中式分布方式的第二個階段，即將智能駕駛域控制器所涵蓋的所有功能開發（如自動駕駛、自動泊車）與智能座艙域所涵蓋的所有功能開發（包含駕駛員監控DMS、影音娛樂系統iHU、儀表顯示系統IP）進行融合覆蓋。
Step3：智能整車域全集中式控制方案
這里是實現包含智能駕駛、智能座艙與智能底盤域的全融合控制方式。即三大主體功能并入整車中央控制單元，后期對于該數據的處理將對域控制器產生更多的性能（算力、帶寬、存儲量等）需求。
這里我們所關注的高精地圖定位開發在未來將更多的面向集中式的設計方式。我們將進行詳述。
如上圖表示了針對高精地圖在未來自動駕駛系統控制中的架構發展趨勢。未來自動駕駛系統將致力于將感知單元、決策單元及定圖定位單元等全部并入中央域控制單元，意在從底層減少對于高精地圖盒子的依賴。其域控制器的設計中充分考慮對于AI運算芯片SOC、邏輯運算芯片MCU、高精地圖盒子的充分融合。
如上圖表示了整個云端控制邏輯下相應的高精地圖傳感數據采集、數據學習、AI訓練、高精地圖服務、仿真等方面的業務，同時在車端的移動和驗證過程中會通過物理感知、動態數據感知、地圖目標感知、定位、路徑規劃等內容不斷更新地圖數據并進行OTA上傳至云端更新整體的眾包數據。
前文所述了關于高精地圖數據如何生成可以為自動駕駛控制器處理的相關數據方式流程，我們知道高精地圖所處理的原始數據為EHP數據。該數據實際包含如下主要的數據支撐：
1：接收的外部GPS位置信息；
2：位置信息匹配到地圖；
3：建立路網拓撲信息；
4：通過CAN發送數據；
5：融合部分導航數據；
該數據一般是通過千兆以太網從HDMap感知端直接處理完成后輸入至高精地圖中央處理單元的，該中央處理單元我們稱之為“高精地圖盒子”。通過地圖盒子對數據的進一步處理（這個實際的處理過程我們將在后續的文章中進行具體說明），可以轉化為可以滿足自動駕駛控制器處理的EHR（實際為CanFD）數據。
對于下一代自動駕駛系統而言，我們致力于將高精地圖的信息綜合接入自動駕駛域控制器進行整體處理，這一過程意味著我們自動駕駛域控制器需要接續地圖盒子所要進行的所有數據解析工作，那么我們需要重點考慮以下幾點：
1）自動駕駛域控制器AI芯片能否處理包含高精地圖所需要的所有傳感器數據？
2）高精定位地圖的邏輯運算單元是否具備足夠的算力執行傳感器數據信息融合？
3）整個底層操作系統是否滿足功能安全需求？
4）AI芯片與邏輯芯片采用怎樣的連接方式可以確保數據傳輸的可靠性，Ethernet 還是 CanFD？
為了回答如上問題我們需要分析如下圖所示的控制器處理高精地圖數據方式。
為自動駕駛系統的AI芯片，在未來高精地圖數據處理中主要承擔傳感數據的基礎處理，包含攝像頭數據、激光雷達數據、毫米波數據等。在應用的處理方法上除開基本的數據點云融合、聚類外，還包括了常用的深度學習算法，且一般采用ARM核進行中央運算處理。
MCU作為自動駕駛域控制器邏輯運算單元后續會承擔將原來高精地圖盒子需要的全部邏輯計算量。包括前端的矢量聚合、傳感融合定位、建立路網圖，以及最為重要的替代原來的地圖盒子功能，將EHP信息轉化為EHR信號（對于中央處理器MCU如何有效的將EHP信息轉化為EHR信息將在后面的文章中進行詳述），并通過Can線進行有效的信號傳輸。最終利用AutoBox這一邏輯運算單元進行路徑規劃、決策控制等操作。
05 總結
未來的自動駕駛將傾向于將高精地圖所處理的所有數據信息從原始地圖盒子中融入到自動駕駛域控制器中，旨在建立真正的以整車域控制器為集成單位的中央處理大融合。這樣的方式不僅能夠節省更多的計算資源，也能夠使得AI數據處理算法更好的應用到高精定位中，確保兩者對于環境認知的一致性。我們后續需要更多的關注高精度傳感數據大融合這個重要的方向，在芯片算力、接口設計、帶寬設計及功能安全設計上多下功夫。
