apollo 百度高精地图的产品解析及经验挑战

百度高精度地图广泛应用于各种产品，如现在提供的Robotaxi无人驾驶出租车，还有Minibus这样面向公园的小巴，以及Valet Parkting自主停车提供乘用车。

同时，在整个Apollo在生态系统中，百度还与合作伙伴推出了许多其他与自动驾驶相关的产品，以应用高精度地图。Microcar园区小微物流车，Freight Truck长途货车及Mining Truck矿山、码头等特殊场景的专业用途。

不同的驾驶系统对高精度地图有不同的需求。众所周知，地图可以显著提高自动驾驶的成功率、安全性和驾驶体验。然而，高精度地图本身有一定的生产成本和更新成本，因此不同的产品和场景会选择不同的自动驾驶方案。即使是同一个产品，不同的人在自己的方案选择上也会有一些差异。因此，他们对高精度地图的需求也会有所不同。

以具体产品的不同需求为例。

• 智能辅助驾驶，我们现在能买到的乘用车，比如小鹏和蔚来，都有这样的功能。这些通常被定义为L2或者L2 ，在这样的应用场景中，有些解决方案会选择不依赖高精度地图，甚至声称根本不使用高精度地图。当然，一些制造商会选择依赖高精度地图，但一般来说，它们的依赖性较低，内容相对简化。
• 长途货运，这是在高速范围内使用的，以前更被定义为L3这个级别。这个级别对高精度地图的依赖程度略高，但肯定低于L4级要求。
• 公园的低速配送和连接，这是面向园区的L4级驾驶。针对公园的特殊道路。对地图的依赖也显著提高。
• Robotaxi，无人驾驶出租车全场景开放地图，对地图要求最高。

以上列出了一些典型的场景和典型的自动驾驶产品。由于产品定义的需要，他们对地图的依赖程度和对场景和范围的要求实际上是不同的，因为这两种差异最终会导致地图的内容、质量和成本要求。

• 第一部分，是定位的图层，顾名思义，用于定位。
• 第二部分，是静态矢量层，它是基于生产的矢量信息，也可以称为狭义的高精度地图。 这部分将表达我们每天在道路上看到的所有与交通相关的信息。例如，道路两侧的交通设施、道路本身的车道、道路上的其他标志、道路停车线等，以及基于这些交通设施实际表达的一些语义关系，如拓扑关系、虚拟车道之间的连接关系、红绿灯的绑定关系等。
• 最后，提供了这两层最基本的数据人类经验层以及动态信息图层。

• 首先，百度有一套资源-自主研究GNSS后解算。这样可以帮助我们获得更准确的初始结果。
• 二是百度在点云配准方面，与经典相比ACP准配，我们自研基于深度学习的Deep VCP这种点云配置网络。
• 第三，在整个大规模点云拼接中，几乎没有一套算法和解决方案可以解决所有场景问题，对于一些初始值较好的情况，需要选择一些优化方案，以获得更高的性能比。因此，在这个过程中，我们将选择和优化一些子场景。

高精度地图的大规模生产不仅需要数据量，而且在整个地图生产过程中，每一步都面临着巨大的挑战。

• 例如，在数据处理链接中，每个数据可能通过数百个数据处理模块，这需要生产控制和质量控制的角色。整个生产过程非常长，参与的角色特别多，周期控制和自由部署非常困难。
• 此外，从目前自动驾驶和高精度地图开发的整个过程来看，对不同高精度地图产品的生产线有不同的需求。事实上，对于一个数据，它的需求总是不同的。如何应对这种定制需求？这也是一个必须注意的问题。

在实际过程中，百度将分层解耦设计整个生产线的架构。我们分解了前台、中台和后台最原始的交付需求，这样当我们面对特定的资源时，我们就不必太担心我处于什么过程或链接。所有这些都是通过角色来管理进度过程的。此外，为了更好地缩短交付周期，使整个交付周期更加可控，百度将采集的数据分批生产，在整个环节中，将适应每个环节数据处理的最佳粒度。