转自：https://blog.csdn.net/mabingyao/article/details/104768237
3. Apollo地图采集与生产
3.1业界高精地图产品
- 几个业界高精地图产品：
HERE HD Live Map
MobileEye
Google Waymo
TomTom
百度Apollo
3.2 Apollo地图采集
- Apollo地图采集硬件方案
| 基础传感器配置 | 用途 |
|---|---|
| 64线激光雷达 | 平装，采集道路路面 |
| 16线激光雷达 | 斜向上安装，检测高出红绿灯、标牌等信息 |
| GPS、IMU | 组合定位 |
| 长短焦相机 | 激光雷达与camera融合 |
-
基站搭建：RTK方案
无遮挡情况下效果比较好，在高楼和林荫路的情境下效果不佳。 -
采集方案：
- 采集流程：检测传感器状态->开始采集（Apollo提供了一种一键采集的方法）
- 注意事项：双车道全覆盖3-5遍；车速60公里以下采集效果好；路口不需要特意停留
- 每分钟切分成一个Rosbag，一次采集结束后压缩打包，最终得到一个个包
- 地图数据平台服务
（1）数据管理体系
（2）制图任务创建
（3）制图进度跟踪
（4）制图结果下载
3.3 Apollo地图生产技术
-
地图制作——高精地图生产流程
(1) 数据采集：3.1
(2) 数据处理：
（a）点云为主：点云拼接，采集中信号不稳定，RTK在高楼、林荫路会有些困难。采用一些优化手段，将点云拼接起来到一张图中去
（b）图像：点云压成图像得到一个高精度的地图
(3) 元素识别：
（a）对点云反射图进行一些标注和分类
（b）通过深入学习对道路元素识别标识，整和到高精地图中去
(4) 人工验证
（a）没有车道线，需要人补充车道线
（b）逻辑信息，在路口应该看哪个指示灯 -
全自动数据融合加工效果图
-
基于深度学习的地图要素识别
-
人工生产验证
-
地图成果：定位地图、高精地图、路线规划地图、仿真地图
3.4 Apollo高精地图
-
数据元素：
（1）道路级别的可以识别到道路边界，lane级的可以识别到车道边界，注意区分
（2）路口元素中，对一些复杂路口，没有车道线的，需要虚拟车道的补充
（3）逻辑关系元素，Apollo没有将逻辑赋予到具体元素，而是分出一个元素专门存放逻辑关系 -
车道模型：
Apollo根据一些原则，比如车道数目等，将车道分成几个Section -
Junction模型：路口表述
-
坐标系：
-
UTM，将全球分成60个zone
-
WGS84：高度描述
得到了一个高度的描述，地图中标注的高度就是通过这个坐标系得到的 -
Track System
得到径向和横向的偏移量
-
Apollo OpenDrive规范
Apollo地图格式相对标准OpenDRIVE的改动：
（1）元素形状的表达方式：采用绝对坐标点序列描述边界形状，解决标准规范中可能出现倒刺的情况，更加平稳
（2）元素类型的扩展：新增了禁停区、人行横道、减速带等道路的描述
（3）扩展了对于元素之间相互关系的描述：比如新增了junction和junction内元素的关联关系
（4）其他：增加了车道中心线到真实物理道路边界的距离、停车线与红绿灯的关联关系 -
Overlap
overlap用以描述两个元素的空间关系，比如：空间重叠，不在lane上的停车位等 -
Apollo HDMap Engine
用来从高精地图中提取相关元素
3.5 政府上的挑战：
- 国内地图的数据加偏。
据观察偏转插件对地图偏转的随机抖动幅度最大可达1.7米，如果定位定位依赖于绝对定位，就会导致定位结果跳变，严重影响无人驾驶汽车的安全性。 - 地图关注内容的变化
高程、曲率、坡度这些导航地图不关注的元素对于自动驾驶地图是非常需要的。 - 众包采集的问题
地图采集只能由拥有合法资质的地图采集公司，汽车、手机记录轨迹、采集图像的行为某种程度上都是测绘行为。
