文章目录
概述
汽车定位技术是让汽车知道自身确切位置的技术。准确可靠的汽车位置和姿态等定位信息是实现自动驾驶汽车导航功能的前提和基础。自动驾驶汽车要求定位系统能准确、实时感知自身在全局环境中的相对位置且定位精度达到厘米级，同时对定位技术的可靠性和安全提出了更高的要求。采用普通导航地图、卫星地位及基站定位等现有的定位方案无法满足自动驾驶对于定位技术的要求。因此，多种感知技术与定位技术的融合定位成为了自动驾驶定位技术的发展趋势。
高精度地图是用于自动驾驶的专用地图，由含有语义信息的车道模型、道路部件、道路属性等矢量信息，以及用于多传感器定位的特征图层构成。在高精地图的辅助下，自车更容易判断自身位置、可行驶区域、目标类型、行驶方向、前车相对距离、感知红绿灯状态以及形式车道等信息。另外，还能通过超视距的感知能力，辅助汽车预先感知坡度、曲率、航向等路面复杂信息，再结合路径规划算法，让汽车做出正确决策。
汽车定位技术的方案越来越多，由不同类型传感器组成的定位系统也变化多样，按照技术原理的区分来看，可将汽车定位技术分为三种：
1. 基于信号的定位：采用飞行时间测距法（Time of Flight，TOF）获取汽车与卫星间的距离，然后使用三球定位远离得到汽车空间的绝对位置。典型的代表是GNSS、GPS、北斗等。
2. 轨迹递推（Dead Reckoning，DR），依靠加速计、陀螺仪、里程计等，根据上一刻汽车的位置和航向递推出当前时刻汽车的位置和航向。
3. 地图匹配（Map Matching，MP），用激光雷达或摄像头采集到的数据特征匹配高精度地图中存储的特征，得到实时的汽车位姿。
无线通信辅助汽车定位借助的是V2X车联网技术，V2X技术可以使车车和车路更好的进行协同，并可以通过相应的技术优化，提升自动驾驶定位精度，改善通行效率，保障交通安全。另外，在卫星定位无法正常使用的特定区域（如地下停车场），可采用WIFI、RFID、超宽带、可见光等专用短程通信技术实现汽车室内定位。
高精度地图
高精度地图也成为高分辨率地图（High Definition Map，HD Map）或者高度自动驾驶地图（Highly Automated Map，HAD Map）。高精度地图与普通导航地图不同，主要面向自动驾驶汽车，通过一套特有的定位导航系统，协助自动驾驶系统解决性能限制问题，拓展传感器检测局限。
分层架构
高精度地图是比普通导航地图精度更高、数据维度更广的地图，其精度高体现在地图精确度可达到厘米级，其更广体现在地图数据除道路信息之外还包括与交通相关的周围静态信息。高精度地图主要由静态数据和动态数据构成。静态数据包括道路层、车道层、交通设施层等图层信息；动态数据包括实时路况层、交通事件层等图层信息。架构如下图所示。
高精度地图作为普通导航地图的延伸，在精度、使用对象、时效性及数据维度等方面与普通导航地图存在如下区别：
1. 精度：普通导航地图为米级，高精度地图为厘米级。
2. 使用对象：普通导航面向驾驶员，高精度地图面向控制器系统。
3. 时效性：对于静态数据，普通导航更新要求一般以月或者季为周期，高精度地图一般为周或者天为周期；对于动态数据，普通导航不做要求，高精度地图要求车道级路况活交通事件等信息实时更新。
4. 数据维度：普通导航只记录道路级别的数据，如道路等级、几何形状、坡度、曲率、方向等，高精度地图在普通导航的基础上不仅增加了车道及车道线类型、宽度等属性，还有护栏、路沿、交通标志牌、信号灯和路灯等详细信息。
价值体现
高精度地图作为自动驾驶的稀缺资源和必备构件，能够满足车辆在行驶过程中地图精确计算匹配、实时路径规划导航、辅助环境感知、驾驶决策辅助和智能汽车控制的需求，在每个环境发挥着重要作用。其主要功能如下：
1. 辅助环境感知：高精度地图可以对传感器无法探测或者探测精度不够的部分进行补充，实现实时状况的监测及外部信息的反馈，进而获取当前位置的交通状况。
2. 辅助定位：在汽车行驶过程中，利用地图匹配可精确定位汽车在车道上的具体位置，从而提高汽车定位的精度。
3. 辅助路径规划：高精度地图的路径规划导航能力提高到了车道级，可保证车辆尽可能行驶在车道中心；在人行横道等低速区域，高精度地图可使汽车能够提前查看并预先减速。对于车辆周围的障碍物，可以帮助车辆缩小路径选择范围。
4. 辅助决策和控制：高精度地图为车辆提供了精确的预判信息，具有提前辅助其控制系统选择合适的行驶策略，有利于减少车载计算压力和突破计算性能瓶颈。
关键技术
道路元素图像处理
高精度地图的制作需要运用图像处理技术将道路上的各种道路元素进行识别，并以此进行语义标注，如车道线检测、众包图像数据采集等。通常，道路元素包括如交通标志牌、红绿灯、车道线和隔离带等。在进行识别前，由于环境影响可能引入噪声或使图像失真。因此，需要对图像进行降噪和增强等提高图像质量的预处理。然后，利用这些道路元素的颜色、位置和大小等先验知识提取其特征，再基于这些特征进行识别和分类，完成语义的标注。流程大致如下：
1. 图像采集：通过工具采集真实道路环境下的图像，生成图像集；
2. 图像预处理：对数据集中的图像进行扩充，同时对图像进行标注工作，便于后期的深度学习训练模型使用；
3. 图像分割：将图像分割成若干个特定的、具有独特性质的区域并提出感兴趣目标的过程；
4. 边缘检测：找出图像中亮度变化剧烈的像素点构成的集合；
5. 图像细化：将图像的线条从多像素宽度减少到单位像素宽度的过程，通过减少图像的像素来达到压缩图像的目的；
6. 特征提取：将数据集中的每一幅图像输入到深度学习的模型中，在特定的卷积层中提取图像的深度学习特征，便于图像识别工作；
7. 特征参数计算：参数计算对卷积神经网络至关重要，不同步长、填充方式、卷积核大小、池化层策略等都决定最终输出模型与参数、计算复杂度等；
8. 图象识别：将任意一幅待识别的图像输入到深度学习训练模型中，提取样本的深度学习特征并对图像进行识别，判断该图像中的物体属于哪个类别并显示识别物体的准确率。
高精度地图的生产过程，对道路元素的识别要求有很高的执行效率，同时又要求保证识别的准确率。为了做到两者兼顾，目前主流的方式会采用基于深度学习的图像识别算法（常见的算法有：Fast R-CNN、Faster-RCNN、R-FCN、OHEM、Mask R-CNN、SqueezeNet、YOLO V3等）进行车道线、地面标志线和交通标识牌的识别工作。
激光点云处理
在高精地图的制作过程中，激光点云的处理通常做法是：利用激光雷达扫描获取激光点云数据，重建三维的道路环境，并利用重建好的三维环境进行道路要素特征的提取和识别，准确地反应道路环境并描述其道路环境特征，得到高精度点云地图。同时，处理后的激光点云数据能够与图像数据进行映射或融合处理，得到信息更加丰富的彩色激光点云地图，为人工检测与修订提供充分的数据基础。目前，各高精地图制作厂商的制作方法和流程不尽相同，所以这里只能概括说一下激光点云处理算法。
点云特征提取
激光雷达获取的原始数据以激光点云文件形式进行存储。一般来说，点云文件中只包含物体表面的离散点集、法向量、颜色或标签等基本信息，缺少物体的曲面、体积以及各顶点之间的几何拓扑信息。此外，点云文件中存在噪声，具有散乱、重复以及量大的特点。为了实现更好的描述道路环境的几何特征，需要对点集进行特征提取。提取得到的点特征所表示的特征向量具有平移旋转不变性、抗密度干扰性以及抗噪声稳定性等特点。其中，抗密度干扰性表示一个局部表面小块的采样密度的变化不会影响特征向量值，抗噪声稳定性表示在数据有轻微噪声的条件下，点特征表示的特征向量不会发生较大的变化。激光点云特征按照空间尺度分为局部特征和全局特征两种类型。局部特征一般包括法线、点特征直方图（Point Feature Histogram，PFH）、快速点特征直方图（Fast Point Feature Histogram，FPFH）、方位直方图特征（Signature of Histogram of Orientation，SHOT）和3D形状描述子等几何形状特征描述。全局特征一般为拓扑特征描述，这类特征描述一般难以捕捉细节的细微变化且对物体遮挡敏感。
点云法向量
三维扫描获取的初始采样点集只记录了各采样点的空间三维坐标，而坐标之间不存在任何联系且缺少特征描述。在激光点云处理技术中，法向量作为激光点云数据重要的局部特征，能够对散乱激光点云的局部进行有效的描述并为其他激光点云处理技术提供支撑。SHOT以及旋转图等许多特征描述子都需要利用激光点云法向量进行计算提取。此外，激光点云的众多分割、聚类、重建等算法中都需要法向量作为基础进行计算。点云法向量的计算方法有很多种，通常使用的是两种方案：
1. 使用曲面重建技术，从获取的点云数据集中得到采样点对应的曲面，然后从曲面模型中计算表面法向量；
2. 直接对点云数据集进行法向量估计。
点云配准
在激光点云数据采集过程中，由于采集角度有限，可能需要从道路的多个方向进行多次采集，以保证采集数据的完整性和可靠性。此外，由于在采集过程中，汽车处于运动状态，因此采集到的点云数据可能存在误差，进而不能准确描述道路的三维环境。因此需要点云配准技术将各个视角下采集到的含有误差的激光点云数据通过旋转平移，消除误差并统一到同一坐标系下，还原道路的三维环境。配准的算法繁多，主要分为粗配准和精配准两种。
1. 粗配准：适用于两片激光点云初始位置偏差较大的情况下快速取得两片点云的转换关系，输出精度不高。常用的粗配准算法包括利用点特征直方图和快速点特征直方图的局部特征描述法、采样一致性初始配准散发（Sample Consensus-Initial Alignment，SAC-IA）以及正态分布转换（Normal Dustribution Transform，NDT）等。
2. 精配准：适用于在初始位置偏差较小的情况下对两片激光点云的坐标进行精确的计算，生成用于配准的旋转矩阵和平移向量，消除不同坐标下的激光点云误差。在精配准算法中，应用最为广泛的是迭代最近点（Iterative Closest Point，ICP）算法。
点云分割
在高精度地图制作过程中，为了能够将灯杆、标志牌和路沿等交通道路元素从大量杂乱无序的激光点云中识别出来，通常需要根据激光点云表现出的几何形状、特征等方面进行有效分割，提取物体的激光点云。接下来使用算法进行分类和识别，并对道路元素添加其语义信息。点云分割算法种类繁多，如随机采样一致（Random Sample Consensus，RANSAC）、最小分割、区域增长等常见分割算法，还有3DMV、PointNet及其改进版PointNet++等基于深度学习网络的语义分割与识别算法。
同步定位与地图构建
作为不依赖GNSS信号的技术，同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）可在这些特殊场景下辅助开展工作。SLAM最早应用在机器人领域，指机器人在位置环境的未知地点出发，在运动过程中通过观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的地图，从而达到同时定位和地图构建的目的。在进行定位和建图时，SLAM主要借助传感器来获取原始数据。SLAM通过处理传感器的数据，一边进行自我定位，一边进行环境地图的构建。处理的算法也从基于滤波器的方法发展到基于优化的方法，技术框架也从单线程向多线程变化。SLAM有两种实现方式，一种以激光雷达为主的激光SLAM，另外一种是以视觉为主的视觉SLAM。
1. 激光SLAM主要通过激光雷达获取自动驾驶车辆周围环境的点云数据，激光雷达能以很高的精度测量出汽车周围物体的角度和距离，从而实现SLAM以及避障功能；
2. 视觉SLAM主要通过摄像头采集的数据进行同步定位与地图构建。视觉传感器采集的图像信息要比激光雷达丰富，更利于后期的处理。视觉SLAM主要有两种实现路径：
1. 基于深度的摄像头；
2. 基于单目、双目或者鱼眼摄像头。
整个SLAM系统要解决的问题只有一个：如何通过传感器数据来估计自身位姿。状态估计可以视为一个数学建模过程，即如何通过带有噪声的测量数据，估计自身位姿，建模方程可简化为：
x k = f ( x k − 1 ) + u k − 1 (式1) x_k=f(x_{k-1}) + u_{k-1} \tag {式1} xk=f(xk−1)+uk−1(式1)
y k = h ( x k ) + v k (式2) y_k=h(x_k)+v_k \tag {式2} yk=h(xk)+vk(式2)
式1为运动方程，表示k时刻，机器人的位姿 x k x_k xk由k-1时刻的位姿 f ( x k − 1 ) f(x_{k-1}) f(xk−1)决定。由于实际物理环境总会引入误差，所以添加一个噪声量 u k − 1 u_{k-1} uk−1对状态变化形成一定的约束。
式2为观测方程，表示k时刻的传感器观测值 y k y_k yk由当前时刻机器人的位姿 h ( x k ) h(x_k) h(xk)决定。同理，因为物理环境的因素，添加了观测误差 v k v_k vk。
无论哪种SLAM方案，都是从经典框架演变而来。SLAM流程图如下所示：
1. 传感器数据： 在视觉SLAM中主要为相机图像信息的读取和预处理，激光SLAM中主要为激光点云数据的读取和预处理。
2. 前端： 在视觉SLAM中，前端相当于视觉里程计（Visual Odometer，VO），主要研究帧与帧之间的变换关系。视觉里程计每次估计两帧图像之间的运动时会出现误差，并且会不断累积从而产生漂移现象。漂移现象可以通过回环检测和后端优化解决。在激光SLAM中，前端扫描匹配是核心步骤，工作内容是已知前一帧位姿并利用相邻帧之间的关系估计当前帧的位姿。
3. 后端： 后端主要是对前端输出结果进行优化，利用滤波理论或者优化理论进行树或者图的优化，得到最终最优的位姿估计。
4. 回环检测： 主要解决位置估计随时间漂移的问题。这就要求机器人或者任何搭载SLAM技术的设备具备识别出曾经到过的场景的能力，主要通过判断图像间的相似性来完成回环检测。如果成功，则把检测结果传给后端，后端根据这些信息重新调整行进轨迹和已构建的地图。
5. 地图构建： 这一步是对环境的描述或重建。地图输出形式可以分为度量地图和拓扑地图两种。度量地图强调精确地表示地图中物体的位置关系，根据点云数据分为稀疏地图和稠密地图。稀疏地图会选择性忽略一些信息，只保留部分具有代表意义的东西。稠密地图更偏向于保留所有信息，将所有看到的东西进行建模。由此可见，定位更倾向于稀疏地图，导航倾向于稠密地图。拓扑地图则强调地图内物体之间地相对关系，去掉了细节问题。
高精度地图云端服务体系
空中下载技术（Over The Air Technology，OTA）是通过移动通信（GSM，CDMA等）网络空中接口对数据及应用进行远程管理的技术。对于汽车行业来说，OTA分为两类：一类是固件在线升级（Firmware Over The Air，FOTA），指的是通过空中接口给电子控制单元等车载设备下载完整的固件镜像，或修补现有固件、更新闪存；另一种时软件在线升级（Software Over The Air，SOTA），指的是应用程序和地图数据等的更新。
基于OTA衍生出地传感器数据回传与更新技术可将终端采集地数据回传到云端，在云端进行数据预处理、数据规格化、数据生产和数据发布。通过该技术，地图的更新过程形成云端到终端的数据闭环，提升了高精度地图的准度和鲜度。传感器回传的内容包括：
1. APP运行数据：指APP的运行日志、崩溃日志、API调用等信息；
2. 汽车状态数据：指汽车的定位数据、速度、航向和数据置信度等信息；
3. 车身传感器数据：指通过传感器获取获取的雨刷速度、电量、胎压和车内温度等数据；
4. 地图采集数据：指传感器结合高精度地图所采集到的图像、视频以及识别出的结构化数据等。
传感器数据回传策略主要分为主动上传和任务上传。主动上传指当关注的数据发生变化后主动上传数据，任务上传是指满足任务触发条件后触发上传数据。回传的协议包括传输协议、数据协议和缓存策略协议。传输协议可采用HTTP和MQTT协议，数据协议可采用SensorIS和SFCD协议，缓存策略协议是指上传流量限制机制、网络异常检测机制、数据量过小检测机制等。
解决方案
高精度地图采集
高精度地图采集流程如上图。采集车是数据采集的核心载体，其搭载全球导航卫星系统、惯性导航系统（Inertial Navigation System，INS）、激光雷达、摄像头等系统及传感设备。外业采集的数据包括行车轨迹、图像、激光点云数据等，拥有车道线、路沿、护栏、路灯、交通标志牌等信息。采集过程中需要采集员实时监控采集情况，根据天气和环境情况选择不同的摄像头参数。采集的数据经过数据自检、复制、备份后，进行回传，待数据入库检查无误后，保存至外业原始资料库。若出现异常，按照流程图中的要求处理。
目前主流的采集设备组合为激光雷达、摄像头、IMU、GNSS和轮测距仪。其中，激光雷达和摄像头用于采集车辆周围环境，IMU、GNSS和轮测距仪用于获取采集车的绝对位置。高精度地图采集车的装配较为复杂，根据不同使用者的使用需求，所采用的配置方案可能不同。
数据模型
高精度地图要素的数据模型主要分为四大类，分别是道路模型、车道模型、道路标记模型、基本对象模型。
| 高精度地图要素的数据模型 | ||
|---|---|---|
| 主题 | 要素 | 英文说明 |
| 道路模型 | 道路中心线 | Road Center Geometry |
| 道路模型 | 道路拓扑 | Road Topology |
| 道路模型 | 隧道 | Tunnel |
| 道路模型 | 收费站 | Toll Station |
| 道路模型 | 曲率 | Curvature |
| 道路模型 | 坡度 | Slope |
| 车道模型 | 车道边界线 | Lane Marking |
| 车道模型 | 车道数 | Lane Number |
| 车道模型 | 车道宽度 | Lane Width |
| 车道模型 | 车道类型 | Lane Type |
| 车道模型 | 车道线颜色 | Lane Marking Color |
| 车道模型 | 车道线线型 | Lane Marking Style |
| 车道模型 | 车道线材质 | Lane Marking Material |
| 车道模型 | 车道线宽度 | Lane Marking Width |
| 车道模型 | 车道在建信息 | Lane Construction State |
| 车道模型 | 道路连接 | Junction |
| 车道模型 | 车道拓扑 | Lane Topology |
| 车道模型 | 护栏 | Barrier |
| 车道模型 | 路沿 | Curb |
| 道路标记模型 | 地面限速 | Speed Limit |
| 道路标记模型 | 箭头 | Arrow |
| 道路标记模型 | 文字 | Words |
| 道路标记模型 | 导流区 | Diversion Zone |
| 基本对象模型 | 限速 | Speed Limit |
| 基本对象模型 | 禁止超车 | Overtaking Prohibited |
| 基本对象模型 | 线型诱导 | Delineator |
| 基本对象模型 | 其他标牌 | Other Signs |
| 基本对象模型 | 杆 | Pole |
| 基本对象模型 | 龙门架 | Gantry |
| 基本对象模型 | 跨线桥 | Overpass |
高精度地图制作和编译
数据处理
数据处理是指对收集到的数据进行整理、分类和清洗以获得初始地图模板，其中不含任何语义信息或注释，之后通过激光点云配准、激光点云识别和图像识别等AI技术，把不同传感器采集的数据进行融合。对于同一条道路上双向采集带来的重复数据，也会在这一环节进行自动整合和删除。传感器采集到的数据分为激光点云和图像两大类。一般在制图过程中处理的数据以激光点云为主，小部分以视觉为主。在城市道路中采用实时动态差分技术（Real Time Kinematic，RTK）方案获取位置信息。由于高楼遮挡或林荫路等场景对信号的稳定性的影响无法避免，因此，采集到的激光点云之后需要借助SLAM或其他方案对位姿进行优化才能准确拼接点云信息并形成一个完整的激光点云。拼接成高度精确的激光点云地图后，对其进行识别、标注来绘制高精度地图。
由于自动识别存在误差和错误，需要增加人工验证环节以确保地图自动创建过程正确进行。人工操作属于内业操作，目的是进一步完善和确认数据。其次，在高精度地图编辑、生产管理中，还需要为自动化处理的数据完善对应的属性信息。
编译及格式规范
高精度地图最后一步就是进行数据编译，将上述步骤中编辑好的高精度地图数据编译成供自动驾驶应用且符合格式规范的高精度地图。格式规范定义了如何对采集到的地图进行完整的表述。对此，主流的格式规范有导航数据标准（Navigation Data Standard，NDS）和OpenDRIVE两种。此外i，日本的JDRMA标准、KIWI格式标准、欧洲的GDF(Geographic Data File)、美国的Etak标准、NavTech标准和EGT标准。
NDS
NDS是一种非常全面的地图表述方式，是由汽车制造商和供应商联合发展创建的汽车级导航数据库标准格式。其重点是针对汽车在保持嵌入式设备稳定性能的同时实现高效存储，这使得他与OpenDRIVE等用于数据交换或模拟的格式有所不同。NSD规定从路边到路中间的每个行车方向都有单独的车道编号，如下图所示。因此，右边的交通车道按照行驶方向从右向左编号，左边车道按照行驶方向从左到右编号，编号从0开始。下图还介绍了在特定的形状点开始或结束时，车道的变化情况。
为保证交叉口的车道连通性，编译器应将交叉口关联分配给在交叉口处开始或结束的所有基本链接。交叉口关联表明，来自交叉口链路的交通可以影响所有连通车道上的交通。如果两个关联车道组共享相同的目标链路，则两个车道组应具有相同的终端位置。NDS对地图的格式规范做的很到位，有上百也格式文档。因此，NDS把数据库做了细分，每个细分后的产品都能够独立升级更新。典型的表现是NDS不仅包括基本导航技术数据、POI数据，还支持局部更新。为了方便，NDS还提供语音、经纬度等描述功能。
OpenDRIVE
OpenDRIVE是目前国际上较为通用的一种格式规范，在运用OpenDRIVE格式规范表述道路时，会涉及段（Section）、车道（Lane）、交叉点（Junction）、轨迹（Tracking）四个概念。如图所示，一条道路可以被分为很多部分。无论车道变多变少，都是从蓝色虚线切分，切分之后的地图分为段A、段B、段C。按照车道数量变化、道路实线和虚线的变化、道路属性的变化原则来对道路进行切分。基准线（Reference Line）在OpenDRIVE里非常重要。基于基准线，向左表示ID向左递增，向右表示ID向右递减。这也是格式规范的标准之一，同时也是固定地，不可更改的。例如，基准线的ID为0，向左是1，2，向右是-1，-2，-3.
交叉口（Junction）是OpenDRIVE格式规范中用来表示路口的概念。交叉口包含虚拟路，虚拟路用来连接可通行方向。在地图中，在遇到对路口的描述是，虽说路口没有先，但是需要用虚拟线来连接道路的可通行方向，以便自动驾驶汽车明确行进路线。也就是说，道路入口（Incoming Road）需通过虚拟线连接道路（Connecting Road）才能与道路出口（Out Going）相连。以上三个概念在OpenDRIVE格式规范中，是基于基准线条件下的应用和基于基准线和偏移量条件下的应用。
高精度地图质量控制与发布
质量控制流程
高精度地图的质量要求贯穿整个地图的生产过程，包含了各个生成过程中的检查方式、检查内容、成果质量评定标准。具体到地图生产的各环节，包括高精度地图采集、实地外业数据采集、室内数据制作、地图编译、高精度地图产品测试和产品发布。与高精度地图生产流程对应的高精度地图质量控制流程如图所示。
外业采集质控
外业采集质控需要三级把关，保证采集成品的品质。其中，一级质检为组长检验，进行有效性检验；二级质检为质量控制检验，进行有效性检验和实地检验；三级质检为质量部验收，进行有效性检验、室内检验和室外检验。
1. 有效性检验：检验采集指引的完备性、有效性和正确性。检验方式为人工，根据城市采集指引及维护资料，对照外业采集成果进行检验；同时进行分城市、分区域、分要素的成果统计。
2. 室内检验：检验采集成果的完整性、逻辑一致性以及可用性。由检验人员以城市或者区域为单位进行自动化处理，快速识别和检出有效问题点，通过人机交互的方式快速识别和检验。
3. 实地检验：检验相对于实地的完备性、正确性。校验方式第一步 ------ 检验开始前，由检验人员根据城市重要区域、重要路段等挑选质检区域；检验方式第二步 ------ 按路线设计进行实际的采集检验，做问题记录。
内业制作质控
内业制作质控包括三个阶段，即程序处理检验、基础要素与高阶要素检验、数据接边检验以及交付检验。
1. 程序处理检验。第一步，开始前由检验人员均匀抽取各种场景；第二步，按规范标准要求，检验自动化处理数据的准召情况，输出准召率。
2. 基础要素与高阶要素检验。检验方式是作业阶段进行自检、质检员进行抽检、质量保证验收。
3. 数据接边检验以及交付检验。利用专业测量设备Rigel测量数据作为地面真值来评估高精度地图的精度。
产品化质控
数据逻辑和阈值检验利用产品理论检查工具按照高精数据交换规格对数据连通关系、阈值等进行检验并输出结果。
数据一致性检验利用产品可视化检查工具，对高精产品数据与现实的一致性进行人工检查，并记录数据问题。
数据质量标准
高精度地图的数据质量基于ISO 19157/19158 和IATF 16949等质量标准，质量保障贯穿整个高精度地图生产流程，严格按照国际电子地图ISO标准，并从面向静态地图生产以及动态地图控制、感知方面定义质量目标。高精度地图数据质量控制目标主要分为数据完整性、逻辑一致性、位置准确度、专题准确度、时间准度5各方面。
质量标准可以分为属性标准和几何标准两个方面，属性标准包括属性要素、误报率（False Positive Rate，FPR）标准、漏报率（False Negative Rate，FNR）标准。其中，属性要素有车道类型等车道信息，路沿和护栏等道路信息，限速和限行等交通信息；几何标准包括绝对精度和相对精度，高精度地图的绝对精度达到米级，相对精度可达厘米级。
| 高精度地图属性质量标准表 | ||
|---|---|---|
| 要素 | 误报率标准 | 漏报率标准 |
| 车道线几何 | 0.50% | 0.50% |
| 车道类型 | 0.30% | 0.30% |
| 车道通行状态 | 0.10% | 0.10% |
| 车道收费情况 | 0.10% | 0.10% |
| 车道线类型 | 0.20% | 0.20% |
| 车道线颜色 | 0.20% | 0.20% |
| 车道线粗细 | 0.10% | 0.10% |
| 路沿 | 0.50% | 0.50% |
| 护栏 | 0.50% | 0.50% |
| 限速 | 1% | 1% |
| 交叉点 | 0.50% | 0.50% |
地图引擎与发布
高精度地图的数据量是很大的，如果直接将全国的高精度地图数据导入车载设备里，将会占用大量资源且及其费时。为了灵活调度高精度地图的资源，高精度地图供应商通常会提供一个"地图引擎"的软件。"地图引擎"提供读写高精度地图数据的应用程序API。从应用层看，"地图引擎"就是一套提供了驱动和管理地图数据，实现渲染、查询等共鞥的一套函数库，所有应用层软件只需要调用API就能实现读取、增添、删除及修改高精度地图，从而保持车端地图的限度，为自动驾驶提供高精度地图的服务。同时，"地图引擎"基于车端数据互传机制，采集车端状态和道路数据，通过地图更新、数据回传形成云端到车端的数据闭环，持续优化高精度地图。