四维图新刘洋：满足高阶自动驾驶需求，高精度地图提供感知和定位

2021年6月17日-19日，由中国汽车工业协会主办的第11届中国汽车论坛在上海嘉定举办。站在新五年起点上，本届论坛以“新起点 新战略 新格局——推动汽车产业高质量发展”为主题，设置“1场闭门峰会+1个大会论坛+2个中外论坛+12个主题论坛”，全面集聚政府主管领导、全球汽车企业领袖、汽车行业精英，共商汽车强国大计，落实国家提出的“碳达峰、碳中和”战略目标要求，助力构建“双循环”新发展格局。其中，在6月18日下午举办的主题论坛“智能网联汽车产业生态的融合与升级”上，四维图新地图产品总监刘洋发表了主题演讲。以下内容为现场演讲实录：

大家好，我是来自四维图新的刘洋，刚才很多整车厂、系统解决商从他们角度介绍了生态链等自动驾驶的体验和实践。我代表图商，从数据服务这块儿，来给大家分享一下我们对自动驾驶整个产业的认知，以及我们的思考和我们的实践分享。

从我们认知来看，自动驾驶的关键是感知和定位，感知和定位的关键是传感器，传感器分物理传感器和在线传感器。在线传感器就是依托于定位和高精度地图提供的，图商的关键在于图商具备精准的测绘和制图能力，能够帮助车端解决大量算力的问题，节省算力。

我们还可以汇聚多种数据源，把各种数据源构成地图，发给车端，提升单车能力。让自动驾驶体验更好，效率更好，更可靠，这是我们地图提供商参与产业的初心。

高精度地图要解决哪些问题呢？

第一是针对物理传感器的感知失效，我们看到很多场景，比如非常复杂的交通路况的场景，对于遮挡天气、不清晰、磨损场景，高精度地图可以为物理传感器的失效进行感知的增强和冗余。

第二点在很多的复杂城市环境里面，包括高架群、建筑物密集、隧道群定位失效场景，高精度地图本身是非常专业化，非常可靠，地图本身品质和精度是远高于其他数据的。总体说高精度地图可以为自动驾驶的车端，提供定位失效的场景补充。

高精度地图本身还是超视距的传感器。我们会发现当车辆进行超车的时候，普通物理传感器是无法知道超车之后的场景，当前面有大曲率的车道或者道路的时候，包括有遮挡的时候，有天气原因看视距不远的时候，这都是可以提供预测性的信息控制参考，提供给车端。包括前方有分流、合流，停止线的时候，我们可以为车端提供速度控制的预测性参考。

总体来说，对于车端，因为之前几位领导提到了预测性控制，对车端预测性控制做得越清晰越安全，信息越准确，整个自动驾驶的体验和安全性就越高。

上面两个我们和合作伙伴一个是基于视觉系统的合作伙伴，做的高精度地图匹配定位，右边是基于激光合作伙伴做的匹配定位，下面是德国做的高精度地图匹配测试。

除了上面的应用型问题，高精度地图本身还要做风险性的控制，比如说常规大家认识的高速场景下，通常认为高速是一个比较封闭，比较规矩的，可以完全信赖的场景，但实际上通过我们这么多年量产地图经验，我们看到现场有很多的不确定信息和不规则的信息，比如说高速场景出现很多平交路口，高速场景有不规则的标线，高速场景有没有隔离带的上下行路线，还有非正常的开口都是对自动驾驶安全非常隐患的地方，所以通过高精度地图可以让汽车提前知道这些不稳定、不规则、不安全的信息，并且可以提前判断。

数据多样性来看，传统上或者大家通常认为两个派系，一个是基于视觉的派系，一个是基于激光的派系。但细分的话，组合还是更多样的。基于纯视觉的派系，对算力的要求非常高，它的应用级别其实还不能算真正的自动驾驶。逐渐基于激光的特征，跟视觉不太一样，视觉通过AI算法来做的，激光是通过特征提取做的，在众包的数据以及形成完整的高精度地图，最高级的玩法现在不仅有高质量的数据，还有概率性数据，还有实时性的交通数据。

比如通过高精度地图，通过历史概率信息和实时路况信息，可以知道当前方车停止的时候，它停止在哪一个车道上，它的停止行为是一个可以正常停车的行为还是前方拥堵的停车行为，以此决定超车还是跟车。

四维图新两年前已经覆盖了全国所有的高速，现在已经处于更新维护的阶段了，已经开始逐渐扩展普通道路。除了地图事情本身之外，我们也在地图的服务端，在线分发、众包任务管理、在线更新、在线传感器的回传等都做得比较成熟。

基于地图的一体化解决方案来说，我们一直想帮助做自动驾驶系统的整车厂或者系统提供商，可以支持更多场景的自动驾驶体验。我们也要支持基于不同系统架构的，因为不是所有的整车厂都会做全链路的自动驾驶，大家针对的方向不一样，开发程度不一样，我们也是基于不同的场景，不同的自动驾驶等级开发了不同的产品，以支持大家系统的开发和量产。

高精度地图本身就是把现实世界一个完整的语义化、矢量化。我们面向L3级别的地图，已经是两年前完成了整体的开发，现在已经在更新、维护，它其中涵盖了一百多个要素，包含基础的现场要素、信息化要素以及逻辑要素和功能安全的要素，这是面向L3级别的，并且已经在几个L3级别的整车厂上，在量产的计划里面了。

作为图商讲，有着专业的采集设备，有着基于点云融合，以及跳变检测的精度控制的手段，有着基于高自动化的要素提取自主平台，还有基于人机交互对信息进行补充的编辑平台。还有比较完整的基于地图评价的质量平台。

四维图新作为地图服务提供商，也过了Aspice level 3，这是我们为了做自动驾驶这件事情，必须从软件方的角度，去做本来是面向汽车硬件商的公共安全体系，这个都是我们必须要提前做好的。

最后，我们也是搭建了基于众包的地图学习平台。

从自动化的角度来说，我们已经从点云特征中，自动提取60多个要素，并且在我们这么多年的深耕过程中，积攒了很多案例、特殊场景，所以我们现在对于整体上激光这一层，特殊场景下的程序鲁棒性是特别优异的。

基于视觉性这块儿，我们现在可以把图像中进行语义分割、要素识别、三维重构，并且根据高精地图进行匹配、差分，找到变化的，然后进行高精的地图更新。

我们整体上来说，有四维空间自研的图像采集设备，我们也和合作伙伴一起共研了采集设备，我们可以把消费级的行车记录仪的图像采集设备全部都适配完毕了，并且可以把主要的要素和语义信息做自动化的提取。

基于快速更新来说，我们已经主车厂和源的数据提供商，把他们的数据接入，进行数据的清洗、匹配、融合、收敛，最终能够在地图中发现变化，更新变化。通过大量的数据，我们可以进行快速的更新，还可以用数据源对车上做置信度的参考。我们还能做交叉验证，交叉验证的目的主要是单数据源本身可能在不同场景产生不同的问题，通过多源的数据就能让系统问题不会做进高精度里面发到车端，进一步让车更安全，对于数据的信赖性更可靠。

我们在车端上的更新，也是在和合作伙伴一起正在开发，我们基于车端前视的车规级摄像头，现场在车端直接识别杆、交通牌、车道线等要素并特征化，与车端的高精度地图进行匹配，匹配发现不一致的地方进行上传到云端系统上，做更新。

我们在整体面向L3级别的高速场景高精度地图已经比较成熟了，我们现在要开始做普通路的场景，已经在量产阶段了。为什么要做普通路的场景？因为从行业调查来看，普通路的场景在中国来说，相比较的成本是更低，对于所有的系统商，解决方案商落地的话，更容易落地，商业化前景也会更好。

请大家看一段视频。我们刚才看到了做自动驾驶的一些场景，为什么做自动驾驶以及它相关非常复杂的规则。这是我们做了两年多了，一个面向于L4级别的定制化自动驾驶地图，这是针对普通路的，这里面所有要素的精确度和复杂度以及对于普通路场景的理解，都是可以对标L4级别的，现在这个属于定制化的开发阶段，还不能大范围的量产，我们已经正在跟很多的，尤其国际车厂还有国内系统合作伙伴做很多测试，这些测试效果还是不错的。

基于量产级的全国普通路场景的路图，我们去年推出了HD Lite的产品，未来两三年的时间我们计划要覆盖中国一二线城市的主要道路，整体上可以支持车道级的速度控制、定位、安全冗余的语义性描述。基于它整体技术而言，在成熟的L3生产线上，结合点云和图像的充分利用，把点云分类、图像分类以及点云矢量一起做了匹配，整体匹配提升基于普通路场景的交叉口、主辅路、环岛、大型交叉口等普通化场景，可以快速量产，覆盖大部分城市的主要目的。

我们也和合作伙伴一起做了自动驾驶，我们可能不是说为了争自动驾驶的商业化，我们主要是测试产品，我们在用自动驾驶的系统不断的迭代普通路的场景，修正地图，提升地图，也是能够为HD Lite全面进入SOP阶段做准备。

面向L4的AVP产品，我们已经完成了整个工具链的开发，今年开始进入量产阶段，整体AVP解决什么问题呢？首先我们做过调查，整体大型陌生停车场，停车时间大概花费18分钟，高精度AVP可以帮助车辆做自主泊车，给大家节省很多时间。找车难也是大家经常遇到的问题，在非常封闭阴暗的，长得都一样的环境下，找自己的车经常找不到，尤其是陌生的停车场，或者严寒酷暑环境下地面停车场找自己的车也是很辛苦的，所以一键召唤，把车辆直接召唤到自己上车点也是很重要的。还有一些思路是在场端直接做传感器，因为停车场管理都是很复杂的，很难落地，所以我们还是通过AVP地图提高车端能力，让车端自己实现全部功能。整体上，我们做这个目的是为了整体用户体验和系统这块儿，能够省时、省心、省钱。

基于高精度地图本身，我们也让它赋予导航新的生命。因为以前所知道的普通导航产品，实际上还是模拟的三维场景。我们首先让驾驶员更有沉浸感，在做自动驾驶以后，人是有更多的时间关注那块儿屏幕，当然也不一定是那块儿屏幕，还有其他的地方，就有可能关注我们的系统，所以沉浸感、体验感会特别好。

我们会通过车的定位传感器，做但真正的车道级导航。高精地图本身会汇聚很多安全信息，包括L3级的安全信息，让驾驶员能够体验到行为预警、路况预警。

除了地图本身，我们也在做云端，做了众包服务、高精度分发服务、仿真，从图商角度来说，我们是积攒了很多现场案例，我们不是标注的很多样本案例。车端也做了基于感知模块、定位模块、路预测模块等等做了整体生态闭环的能力。

V2X，就是两点，现在不管怎么说，集中式存储还是对效率安全性保障还是存在瓶颈的，借助于V2X分布式、分量的，效果可能提升很多，包括基于国家政策性保护和手段的保护，也可以让我们自己图商，自己地图安全性，也可以得到很好的保护。

对专业图商来说，我们有很强大的工具链路体系，我们愿意把工具链体系贡献出来，所以我们做了开放平台产品，我们是基于可以把各个开发者自己的数据进行自己的定制化服务，用客户想要的方式运营，也可以客户自己开发迭代，这是我们做这个事情的初衷。

除了自动驾驶，还有智慧城市的搭建，为养护部门找到养护点，以及资产管理，包括停车位的查找都可以一起贡献力量。

最后，四维图新会一直做各种场景，包括以后未来自动驾驶想要的场景做补充。前面很多嘉宾说了行业上不可能一两家公司把全自动驾驶搞定的，所以一定是大家合作协同的模式，四维图新也想把我们的解决方案，我们的贡献跟各个OEM、系统商、友商一起分享，一起共建产业，更好为自动驾驶产业服务，谢谢大家的聆听！