9月28-29日， 2021年“东方风起领航、智能驾驶跃迁——中国车谷2021智能汽车产业创新发展论坛”在武汉市举办，会议以智能驾驶为主线，通过一个主论坛+六个平行分论坛的形式，对智能驾驶趋势、智能驾驶系统技术及人机共驾、车路协同及网联技术、人工智能与芯片、感知融合技术、智能驾驶测试和评价技术、高精地图与定位技术等主题展开讨论。

在9月29日的“地图定位”第六分论坛上，华为智能汽车解决方案BU政策与标准专利部定位技术专家 张国龙发表了《高精定位与高精地图众包更新现状、挑战》的主旨演讲，内容如下：

各位同行下午好！很高兴能跟各位同行有机会做一些技术方面的交流。

在高精地图方面，华为公司从2019年开始申请导航电子地图的甲级资质，我们这个团队主要聚焦在关键技术的研发，包括一些工具链的研发，所以今天我给大家带来的演讲也是聚焦在地图以及高精定位。

我个人认为，从自动驾驶方面来看，高精地图和定位是天生耦合在一块的技术，刚才立得的同行也讲到，采集车路上采集高精地图数据的时候，首先依赖于高精度的融合定位。但是另一方面，自动驾驶车辆在路上跑的时候，也会依赖高精地图做一些辅助的定位。所以说这两个技术在这里面是强耦合的。但是高精地图在其他的感知、规控等等这些应用上面还是有它不可替代的作用，是一个基础的技术。

相对传统的导航地图，我们看到高精地图有很多的变化，更重要的是，高精地图未来是给机器用的，当然现在在业界也提出人车共驾概念，所以对现在的智能网联汽车上面的地图有另一个需求，另外在精度方面，我们认为高精地图从精度方面还是有很大的提升的，还有在地图要素里面，它提供了多维的信息，这样更有利于自动驾驶车辆开展相关的决策规划控制。

另外对行业来说，大家比较关注的是高精地图的更新，业界形成的一个共识，高精地图的底图，大家有一个比较成熟的从采集到生产制作的途径，但是更新的问题一直没有很好的解决，刚刚立得的同行也提到众包更新的路线。

我们这个团队在高精度地图这块主要是聚焦在关键技术的工具链的研发，所以我们自己搭建了采集系统，采用的传感器跟行业内基本一样，但是算法方面我们更聚焦把我们的接收机的算法完全打开，每一个传感器我们只关心它的原始测量数据。为什么这样说呢？因为从做融合定位来说，不管哪一种传感器，提高它最终的定位精度，本质上更关注它的测量信息的准确度或者精度，所以我们在这里面会把RTK的算法完全自研，来打开看哪一方面我们可以利用IMU或者激光雷达，视觉匹配的定位，能更加提高它定位的精度和可靠性。当然IMU及其它传感器也需要卫星导航RTK全局定位信息进行辅助，提高其测量精度，所以各个传感器不再是独立测量定位，再融合，而是在测量过程中，相互依赖，互相支撑。

这个上面流程的框图，主要是针对高精度地图底图的制作，它需要有一个后处理的算法。但是对于车端，它是一个实时的融合定位，所以说处理的方法又有所不同，不管是车端还是后处理，对每一个传感器的原始测量的数据，如何提高它的精度，这是我们关注的一个主要方向。

下面这个图是我们在北京的一些场景做的激光点云图层，经过后处理融合定位之后，很多比较难的场景做出来的点云地图，它的分层也好，重影也好，都会有所改善。

目前高精度地图制作存在一些挑战，目前高精度地图主要是覆盖高速路以及城区的快速路，一个是法规的问题，还有采集成本太高，尤其是对城市环境，需要对传感器的配置非常高，但是一味地增加传感器的成本提高它的精度，也不是万能的解决方法，这里面涉及到很多的挑战。另一个是处理难度，大量的数据到了后台，需要一个成熟的平台、工具链，包括一些特殊的像AI的算法等来做支撑。另外就是制作和更新的周期长。还有在全国覆盖，对于用户来说，买一辆自动驾驶汽车，他不希望你的服务是局限在某一个城市或者某一个区域，或者某些道路的，所以未来我们还是要逐渐覆盖全国各个城市或者是它相关联的高速公路、快速路。

对于众包更新来说，我们业界已经看到很多的关键点需要我们同行共同努力去攻克。这里面我主要把定位这块展开讲，里面涉及到感知的，包括变化的检测，包括云端的更新、信息的传输。昨天的论坛我们谈到关于数据合规这一块，对于众包更新，不管是传输、存储还是后台的处理数据，数据合规仍然是亟待解决的问题。

这是我们现在构想的一个众包更新的流程，我们最关注的是定位的能力以及检测能力，后面的检测能力主要是涉及到很多感知的算法。

我们这个部门在做共性技术、关键技术研发的过程中，一直在关注着国家的一些政策法规，积极参与一些重大项目，标准，行业技术白皮书。在这个过程中更多和同行一起探索合作，贡献了华为公司在云、管、端各方面的技术成果。

这是在高精度地图底图制作和车端实时定位的时候，我们梳理出来的主要挑战的地方，对于高精度地图，我们现在关注的城区环境地图数据的处理，高精度定位主要还是面临在林荫路、城市峡谷、隧道、高架桥这些场景下，它的定位会相较城区主干道上面会弱化，带来可信度的下降，所以说我们在这一块做了很多的工作。

这里面刚才讲到，我们把RTK算法打开之后，利用其它传感器数据辅助卫星导航更好地发挥作用，完成多传感器的后处理的融合。我们看到业界，包括香港理工大学、清华大学已经关注到这个技术方向。RTK定位需要载波相位的测量，但一般情况下，把每个卫星的测量结果集合起来出来一个定位结果，我们对卫星导航定位结果进行判断、剔除等等操作的话，其实我们是关注最后的一个结果。但是实际上我们知道接收机会收到很多颗星，每颗星测量的精度都有差异，我们所做的工作就是把测量误差大的星剔除掉，而不是把所有测量结果同时否定。当然，测量误差大的卫星被剔除，卫星数变少，有时也不利于提高定位精度，这时需要把激光雷达或视觉SLAM结果补充进来，其测量结果本质上也是测距信息，可以作为卫星导航测距信息补充。

实时定位这方面，我们主要关注传感器失效，相互检验，包括满足功能安全，包括我们把各个传感器的原始数据拿过来进行深度融合的时候，在车端应用还是会碰到车端本身处理器的能力问题，因为在后处理的时候，对计算的时间、周期等等不是太关注，所以这块我们会花更多的时间优化算法，提高它的实时性，来满足车端的要求。但是传感器的失效，涉及到功能安全，依然是整个业界应用融合定位的重要问题之一。

这是我们在整个车端融合定位的时候我们利用到的一些传感器，以及它们自身受到的环境等等挑战，每一种传感器都有它的优势方面，但是在融合定位的时候，我们尽量去把它的劣势识别出来，刚才千寻的同行讲到，只有把这些识别出来，才能告知用户什么时候可用，什么时候不可用，这个工作也是提高可靠性的一个很重要的方面。

这个是刚才我们说到高精度地图底图制作的时候后处理算法整个的框图，这里面涉及到正向的融合定位算法和反向的融合定位算法，这两个算法在后面还要进行加权的融合。我们在激光雷达和视觉引入进来之后，有SLAM技术的引入，SLAM技术大家常用的后端优化算法，它是比较新的算法，所以我们又把多传感器全局优化的算法加进来，这里面涉及到对点云的补偿，Supmap的构建，以及多轨迹融合，最后形成这个点云地图，当然这个点云地图是一个基础，最后还提供到生产的环节，后续还要在这个基础上进行矢量地图的加工。

这是后处理算法在城区的一些环境下的测试，从测试结果来看，我们选择了3公里和4公里两个极限的距离来评估它达到的精度，目前均值3公里达到1.09，3倍西格玛是3.23米，4公里均值是0.45，3倍西格玛是1.94。从整体精度来看，相对于我们利用国外的高精度组合定位设备，这个精度已经提高了很多了，这也是为什么我们去自研去摸索采集设备的一个初衷，就是我们希望用相对便宜的传感器来构建一套采集系统，这样有利于整个高精度地图的采集，并且可以大规模部署。这个技术的探索也为我们后面采用更便宜的传感器做车端实时定位奠定了基础。

最后总结一下，从高精度地图制作来看，整个后端融合定位难点主要在城市的道路，它是比较复杂的，难以保证精度，另外就是多次采集的一致性，这也是比较大的问题，还有就是大范围制图的效率。对于车端的实时定位来说，难点主要是如何实时处理传感器失效，如何判断传感器测量值超差，保证实时的紧急处理，另外就是功能安全的需求。这是我们对整个高精度地图制作和高精度定位研究的总结。

谢谢大家！