1. 高精地图定义

高精地图即为“两高一多”的地图，在自动驾驶中常常被称为HapMap，这是自动驾驶汽车中非常重要的一部分

  • 高精度：精度可以达到厘米级别
  • 高动态：高精地图实时性，为了应对各类突发状况，自动驾驶车辆需要高精地图的数据具有较好的实时性
  • 多维度：地图中不仅包含有详细的车道模型、道路部件信息，还包含与交通安全相关的一些道路属性信息，例如GPS信号消失的区域、道路施工状态等

自动驾驶高精地图调研_高精

2. 自动驾驶地图框架

2.1 Apollo OpenDrive（百度）

  • 道路边界是强约束，即自动驾驶的时候，道路边界是永远不能压的。车道线理论上也是不能压的，但是如果在紧急情况下可以压车道线，比如说可以越过虚黄线进行借道超车。
  • 可以通过路口的边界，对感知进行过滤。如果感知识别到的静态物体不在地图的路口边界之内，就可以暂时忽略它。虚拟车道主要是用来路口的行驶引导。
  • 高精地图会为红绿灯提供一个三维空间位置，其次也会提供红绿灯跟车道之间的关联关系，即告知当前所在车道，应该看哪个灯。道路标志主要包括人行横道，停止线以及一些路上的文字信息。
  • 逻辑关系表述。当前，地图中各个元素之间的关系并没有嵌入到元素的表述中，而是使用overlap来表述两个元素之间的空间关系。如下图所示，Lane和Junction在空间上有重叠，它们之间就会有Overlap。

自动驾驶高精地图调研_高精_02

2.2 Lanelet2（Autoware）

  • points由ID，3d坐标和属性组成，是唯一存储实际位置信息的元素，ID必须是唯一的。其他基本元素都是直接或者间接由points组成的。在Lanelet2中，Points本身并不是有意义的对象，Points仅与Lanelet2中的其他对象一起使用有意义。
  • 线串是两个或者多个点通过线性插值生成的有序数组，用来描述地图元素的形状。线串可以是虚线，它可以通过高度离散化实现，来描述任何一维形式，并应用于地图上的任何可物理观察到的部分。与样条曲线相比，线串可以高效计算，并且可以用来描述尖角，最终转化为非线性微分方程的求解问题。

自动驾驶高精地图调研_点云_03

  • 多边形与线串非常相似，但形成一个Area。隐式假定多边形的第一个点和最后一个点被连接以闭合形状。多边形很少用于传输地图信息（交通标志除外）。相反，它们通常用作将有关区域的自定义信息添加到地图（例如，感兴趣区域）的一种手段。
  • Lanelets定义了发生定向运动时，地图车道的原子部分。原子表示沿当前lanelet行驶时，有效的交通规则不会改变，而且与其他Lanelet的拓扑关系也不会更改。
    lanelet可以引用表示适用于该lanelet的交通规则的regulatory elements。多个lanelet可以引用同一regElem。必须始终始终可以直接从车道上确定车道的当前速度限制。可以通过引用SpeedLimit监管元素或标记小车的位置来完成。在这种情况下，假定道路类型的最大速度（例如，如果位置是德国城市，则为最大50公里/小时）。
  • Areas是地图上没有方向或者是无法移动的部分区域，比如路标，停车位，绿化带等。他们由一条或者多条linestring组成的闭合的区域。Area也有相关联的regulatory elements。
  • regElem是表达交通规则的通用方式，它们由适用的lanelet或Area引用。在应用的时候，regElem 会和一个或者多个Lanelets、Areas相关联。regElem是动态变化的，意味着它只是在某些条件下是有效的。
  • 诸如限速，道路优先级规则、红绿灯等，交通规则有许多不同的类型，因此每个regElem的准确结构大都不一样。他们通常引用定义规则的元素（例如交通标志），并在必要时引用取消规则的元素（例如速度区末尾的标志）。

自动驾驶高精地图调研_调研_04

3.制图流程概述

高精地图是一种语义地图，概括地说，就是利用SLAM/SFM等算法融合多种传感器数据，构建高精度的三维点云地图，在点云地图上或者是图像上，对所用到的元素进行分类和提取、之后对不同元素分别进行矢量化并构建路网与车道关联关系，最后进行质量校验，形成一套地图引擎来存储并支撑其他模块的需求。

高精地图制作完成后，其数据量其实是非常小的。地图数据可以存储在云端，也可以直接直接在本地，大地图还有可以用数据库来存储。先暂且不论地图格式是Lanelet2还是OpenDrive以及其他，完整的理解高精地图的元素结构设计，以及数据存储和使用则为重中之重，后续的自定义格式要求可按自己的需求来适配。

小地图手工标注方法

对于3km以内的小地图而言，一般可以采取手工标注点云地图的方法来制图。目前我了解到的以下软件均可，比如

  • RoadRunner
    2020年最新版可直接标注点云PCD文件，添加语义，可直接导出标准Opendrive，缺点就是目前语义类别不太完善，导出格式只支持标准OpenDrive。在使用上，高校等科研单位申请免费，每所学校一个密钥。
  • LGSVL Map Annotation（windows Unity 插件版，需要手动编译）
    支持目前的主流地图格式，可导入导出如Apollo Opendrive/标准Opendrive/Autoware VectorMap/Lanelet2等，缺点是目前只能标注LGSVL提供的一些虚拟环境，使用上是完全开源的。目前2020.03的版本已经开始支持直接标注点云pcd。

在这里插入图片描述

  • Autocore MapToolBox插件
    AutoCore提供的开源工具，用于标注生成Autoware vector map矢量地图，更新速度快，目前可标注车道线，路沿，红绿灯，目前已全面支持Lanelet2 ，项目完全开源，本篇将着重于此。大家可以在issue里面多提bug，感谢作者moelang以及Autocore做出的极大贡献！

自动驾驶高精地图调研_高精地图_05

  • Assure mapping tools
    Github@hatem-darweesh开源的标注工具，格式支持齐全，包括Google Earth、KML、opendrive、Lanelet、Vector Map等，标注上自动Fix height、smooth line，并集成了一些自动化的提取算法和。功能相当齐全，就是性能较差，大地图加载进来很卡，需要配合GPU使用，另外有些功能也可能是目前我还没有研究透彻。

自动驾驶高精地图调研_调研_06

  • 51VR、四维图新等高精地图地图服务提供商（收费）
    一般是图商直接用自家的制图车进行采集数据制作，按次数收费，目前一般城区道路收费5k-1w/每公里。少数厂商会提供高精地图标注软件及相关仿真系统服务，成本较高，目前就试用情况来看也不是十分完善。
4.制图流程实践
构建点云底图

构建点云地图可以用一些主流的激光SLAM算法，结合多种传感器来完成，其中要保证户外场景的建图效果，IMU和GPS是必须的，下面有一些推荐的开源算法，按优先级排列

  • LIO-SAM（紧耦合的激光惯导SLAM算法，速度快）
  • LIO-MAPPING （紧耦合的激光惯导SLAM算法，第一套紧耦合的激光惯导）
  • LEGO-LOAM（松耦合、轻量级，性能不错，配置简单）
  • VLOAM（能找到非官方的代码）
  • ALOAM（仅里程计，可用于学习）

自动驾驶高精地图调研_无人车_07

自动标注

自动标注涉及到的算法相当多，流程大致如下：

  1. 点云地图提取路面信息GroundExtraction（强度图、密度图、高程图）
  2. 路面信息部分，激光点云提取路沿、车道线、各种路标、停止线、人行横道等，非路面部分提取路牌，红绿灯，路灯，灯杆等。（各种多层强度阈值过滤方法）
  3. 视觉语义分割方法，提取各道路元素（在自己标注的数据集上可能表现更好）。将视觉分割得到的像素点反投影转换到世界（通过内参->外参参转换，需要激光雷达相机联合标定），去补充激光提取出来的不完整的部分
  4. 对每一类的线段部分分别进行分段直线/曲线拟合，有序保留端点和均匀的采样点，按位置进行排序。将有序的线段再次分类，比如左车道线，右车道线，中心线（可根据直线截距或者斜率阈值过滤），计算同一条车道线的各段线段的方向，连接端点，完成矢量化。
  5. 对每一类的多边形部分，比如路标，进行轮廓计算，从点云轮廓中提取出矩形或者箭头端点，按逆时针/顺时针存储（有内外圈的区分）。
  6. 用Lanelet2等地图框架，根据之前的各种点云分类，添加语义及车道的关联关系，构建地图索引和数据存储，生成高精地图数据文件，后面的博客有介绍Lanelet2用法。
  7. 用地图编辑软件打开地图并手工修正相应的轮廓，或者补充缺失部分。
  8. 人工校验道路的每一段是否存在质量问题。

自动驾驶高精地图调研_点云_08

手工标注（Autoware）

对比下来发现采用Autoware的地图标注插件更好，Unity + MapToolBox进行标注，插件地址如下：https://github.com/autocore-ai/MapToolbox，这里注意下载的Unity版本需2019.3+，在Windows环境下使用，最新版的priview6已经加入对road mark和crosswalk的支持。目前Autoware社区已经增加了对Lanelet2的支持。

自动驾驶高精地图调研_无人车_09

手工标注（Apollo）

Apollo Opendrive高精地图的话一般存在下面四种思路。

  • 可以根据上面Autoware开源的MapToolbox，这俩都是C#项目，前者可以改写后端，存储标准点的时候按照Apollo Opendrive的格式去存储，由于都是坐标序列描述，改写难度不大。
  • LGSVL Map Annotation，目前支持直接导入PCD点云标注（2020.03版新功能不完善），也可导入已有的Apollo Opendrive/标准Opendrive/Lanelet2，可导出Apollo Opendrvie/Autoware Vector Map/Lanelet2/标准Opendrive等格式的地图。其问题主要在于性能较差，对硬件要求高。

自动驾驶高精地图调研_点云_10

  • 利用RoadRunner标注点云PCD，导出标准Opendrive地图，采用LGSVL模拟器将标准Opendrive转换到Apollo Opendrive地图。此步骤已验证，示例标注的Apollo Opendrive地图如下

自动驾驶高精地图调研_调研_11

由于目前支撑Opendrive的开源lib库很少，虽然自己写也不是特别费劲，可以利用其他的开源地图框架，生成高精地图之后再转换为Apollo Opendrive格式。这里目前可选择的仅仅是Liblanelets/Lanlets2，按照Lanlets2的接口规范可以生成OSM地图，在用开源的JSOM编辑器编辑完OSM地图后，再转换成Apollo Opendrive地图

自动驾驶高精地图调研_高精地图_12

5. Lanelet2地图代码解析

地图格式官方推荐的是OSM格式（XML），开源可编辑。当然也可以是二进制文件，加载速度快，缺点是不可直接编辑。下面的地图文件是按XML形式来存储的，结构十分明朗。关于OSM规范，可以参考其WIKI，https://wiki.openstreetmap.org/wiki/Map_Features。

自动驾驶高精地图调研_高精_13

地图里面的每一个3D点都会用一个node标签存储，包含其经纬度LaLon，id是其唯一标志。后续的way标签存储lineString形式的元素，通过id引用node节点存储的3D点。而和交规相关的relation标签则又引用这些way id。

自动驾驶高精地图调研_高精_14

自动驾驶高精地图调研_点云_15

我们在JOSM编辑器中打开可以看到地图的基本形状，此编辑器的使用方法可查看官网https://learnosm.org/en/josm/correcting-imagery-offset/。下图是一个复杂的十字路口，地图上所有的黄色小框框都是一个3D/2D坐标点。这里红色的线是地图里面的stop_line，在软件界面右侧可以看到其属性是stop line，并且有四个节点。地图上画出来了所有的车道线，路沿，人行横道，绿化带区域等，还有各个road user（比如行人，车辆等）需要遵守的交通规则，以及车辆在十字路口可能的换道路线（现实中是没有的，属性定义为virtual）。

自动驾驶高精地图调研_调研_16


自动驾驶高精地图调研_点云_17

Lanelet2代码的安装可以参考官方文档https://github.com/JokerJohn/Lanelet2，其层级结构如下

自动驾驶高精地图调研_高精地图_18

我们常用的代码在lanelet_core、lanelet_io、lanelet_projection、lanelet_routing和lanelet_traffic_rules这几个模块中。项目采用gtest框架来测试，阅读起来比较容易。

这里我们首先需要知道如何去使用，首先是图元的基本定义方法（增删改查），还有交通规则的定义方法及其与车道和road user的关联关系。之后是如何去构建、加载使用OSM地图，并且根据需求查询相关的车道等信息。最后是如何生成生成路由图，并利用路由图和实际需求进行合理的路径规划。