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。
