原标题：自动驾驶（二十四）---------基于视觉的高精地图制作

原文来自：CSDN      原文链接：https://blog.csdn.net/zhouyy858/article/details/100171445

      高清地图，在自动驾驶领域很重要的部分，如何制作高精地图一直是难点，目前主流要两种制作方式：

      1. 传统地图厂商基于激光雷达高精GPS制作高精地图，如百度、高德，相对成本较高，本人曾经在百度地图部门任职，见过庞大的地图制作外包团队。

      2. 新兴的公司一般采用低成本的基于视觉的方案，此类方法成本较低，主要在技术要求较高。

      本文统计了目前现有的一些基于视觉的解决方案，目前都没有很好的推广。

1. Mobileye

      首先，Mobileye本身不涉及高精度地图的制作，地图商是做高精度地图的基础。而Mobileye做的是对高精度地图数据的实时更新。Mobileye 视觉制图叫REM（Road Experience Management）为例，也称路书（roadbook），标注的是通过视觉提取的landmarks，如下图，包括车道线，道路边界，交通标志，路上标记等等：

      REM地图服务技术有一个端到端的共享和本地化引擎，该方案由三层设备组成：绘制设备（任何配备Mobileye摄像头的汽车）、云端数据融合器和使用设备（自动驾驶汽车）。Mobileye REM技术配备的摄像头成本与能耗都很低，可感知几何路径和其他静态场景语义（如交通标志和道路标记），还可保持高频的刷新率，与激光雷达相比，摄像头是更合理的选择。

2. 高德视觉惯导

       高精地图由高精度的地图要素矢量信息组成，获取这些高精度的地图要素信息，一方面是通过识别视觉图像获取地图要素目标，另一方面通过惯导信息获取车辆高精度的位置和姿态，两方面融合得到对应的矢量地图要素。       

       目前主流的视觉惯导融合框架分为两部分：前端和后端。前端提取传感器数据构建模型用于状态估计，后端根据前端提供的数据进行优化，最后输出相机的位置、姿态和全局地图，架构如图所示：

       生成地图示例：             

       基于视觉的高精地图发展可能是朝着多源数据融合的方向，即同一道路多次采集，不同设备多次采集获取的数据源融合在一起，提高精度的同时提高地图更新的时效。

3. Road Lane Semantic Segmentation for High Definition Map

       这里提出一个基于车道语义分割的高清地图自动构成方法：采用单镜头，通过FCN检测车道线，然后提取车道特征，用来检测闭环。最后基于图的SLAM生成地图，流程如下图。

       关于特征提取见下图：主要是每个道路线段的key point。

       关于闭环的检测参见下图：一般停止线比较适合做定位的landmark，并估计车辆的姿态。

       下图是一个多种颜色表示的语义分割结果：(a) 输入，(b)ground truth，FCN(c)，SegNet(d), PSPNet(e) 和 颜色意义(f).

       下图是高清地图的例子：依次是最终地图，以及蓝色和红色部分的细节放大。

4. "LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban Environments".

       我们知道摄像头可以透视变换成俯视图，如果把这些俯视图都拼接起来会是什么样呢？

       把俯视图都拼接起来在全景图片商加上车道线检测:

       对应的制作工具：https://github.com/mapillary/OpenSfM

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com