自动驾驶 相关算法（Apollo自动驾驶入门课程学习笔记）

自动驾驶 相关算法（Apollo自动驾驶入门课程学习笔记）高精地图的数据采集是一个非常庞大且复杂的工作，花费巨大但又不得不这么做，Apollo用了近300辆测试车辆不定期的负责收集用于制作地图的源数据，以便确保每次道路发生改变时，地图均会得到快速更新。每台测试车辆使用了多种传感器，如GPS、IMU、激光雷达、摄像机。Apollo定义了一个硬件框架，将这些传感器集成到单个自主系统中，通过支持多种类的传感器，Apollo收集各类数据将这些数据融合，最终生成高精度地图。（1）数据采集二是元素类型的扩展。例如新增了对于禁停区、人行横道、减速带等元素的独立描述；三是扩展了对于元素之间相互关系的描述。比如新增了junction与junction内元素的关联关系等；除此之外还有一些配合无人驾驶算法的扩展，比如增加了车道中心线到真实道路边界的距离、停止线与红绿灯的关联关系等。改动和扩展后的规格在实现上更加的简单，同时也兼顾了无人驾驶的应用需求。高精度地图的构建由

在学习笔记高精地图（一）中Apollo自动驾驶入门课程学习笔记——高精地图（一），主要学习了百度 Apollo 平台的高精地图的应用场景。本篇文章将和大家分享下百度 Apollo 的高精地图是如何构建生成的。

Apollo高精地图是自动驾驶车的灵魂，里面包含了丰富的道路信息，如交叉路口、交通信号灯、车道线、减速带、限速信息、导航等内容，同时也可记录交通信号灯的精确位置和高度，从而大大降低了传感器的感知难度。

在计算机里，数据的保存必定以一种格式存在的，高精地图有很多种格式，Apollo高精地图采用了OpenDRIVE格式，这是一种行业制图标准。同时，Apollo也对OpenDRIVE做出了改进，进而产生了Apollo OpenDRIVE标准，以便更适合无人车。主要改动和扩展了以下几个方面：

一是地图元素形状的表述方式。以车道边界为例，标准OpenDRIVE采用基于Reference Line的曲线方程和偏移的方式来表达边界形状，而Apollo OpenDrive采用绝对坐标序列的方式描述边界形状；

二是元素类型的扩展。例如新增了对于禁停区、人行横道、减速带等元素的独立描述；

三是扩展了对于元素之间相互关系的描述。比如新增了junction与junction内元素的关联关系等；除此之外还有一些配合无人驾驶算法的扩展，比如增加了车道中心线到真实道路边界的距离、停止线与红绿灯的关联关系等。改动和扩展后的规格在实现上更加的简单，同时也兼顾了无人驾驶的应用需求。

高精度地图的构建由五个过程组成：数据采集、数据处理、对象检测、手动验证和地图发布。

（1）数据采集

高精地图的数据采集是一个非常庞大且复杂的工作，花费巨大但又不得不这么做，Apollo用了近300辆测试车辆不定期的负责收集用于制作地图的源数据，以便确保每次道路发生改变时，地图均会得到快速更新。每台测试车辆使用了多种传感器，如GPS、IMU、激光雷达、摄像机。Apollo定义了一个硬件框架，将这些传感器集成到单个自主系统中，通过支持多种类的传感器，Apollo收集各类数据将这些数据融合，最终生成高精度地图。

（2）数据处理

数据处理指的是Apollo如何对收集到的数据进行整理、分类和精简，以获得没有任何语义信息或注释的初始地图模板。

（3）对象检测、手动验证和地图发布

对于对象检测，Apollo使用人工智能来检测静态对象并对其进行分类，其中包括车道线、交通标志、甚至是电线杆，手动验证可确保自动地图创建过程正确进行并及时发现问题。Apollo使手动验证团队能够高效标记和编辑地图，在经过数据采集、数据处理、对象检测、手动验证之后，高精地图才能发布。

在构建和更新地图的过程中，Apollo使用众包向公众发布其数据采集工具，以便任何人都可以参与制作高精度地图的任务，这加快了高精地图制作和维护的过程。Apollo 开放框架中，高精地图排在云服务的第一位，这也显示了高精地图的重要性。