【智驾深谈】Tesla再现匝道口致命隐患：谈高精地图和定位的重要性

一起“莫名其妙”的事故

上图是WSJCD获取的车祸现场图片，可以看到车辆已经彻底翻了过来。首先关于这次翻车事故，因为影响面比较小，因此我并没有拿到足够多的证据证明车祸发生在匝道口，是我看到新闻后一下午的推测，但是关于匝道口是L3杀手这件事情，大家应该是有共识的，所以就当个引子说事吧。

如上图，新闻是这样描述的（国内见到一些新闻的翻译有一些问题），大概下午五点钟，天气和能见度都很好的情况下，一个画廊老板在Pennsylvania Turnpike向东行驶，到了Bedford出口附近，突然撞到了右侧护栏，然后又向左横穿过整条高速，撞上中间的水泥隔离带。

官方数据显示，截至目前Tesla已经积累过亿里程，从实际测试和网友分享的视频来看，路段中一般不会出现问题，因此我推测事故发生在匝道口，上图是Bedford周围最可能的一个。

致命的匝道口

其实大部分L3搞不定缺乏车道线（non-marked）信息的匝道口，由于信息的不透明，广大读者也都不清楚，当然系统的辅助目的也不是为了搞定这个。Tesla作为新锐企业，用户非常有品牌认可度，因此有大量的用户会乐于尝试AutoPilot，如果缺乏引导（用户往往不会有耐心阅读手册和提醒的），或者恰当的系统设计，是会导致AutoPilot滥用和误用的情况出现。

在AutoPilot开启状态时，用户被假设应该随时手扶方向盘，然而现实情况他们往往做不到。就匝道口这个例子来讲，是会有问题的。随手到Youtube上翻一下，就能找到很多用户分享AutoPilot在匝道口偏向辅路行驶的情况。

跟传统车企不同，Tesla乐于倾听用户的反馈，然而匝道口这件事情却一直没有得到很好的反馈。在Tesla官方论坛上，还能找到许多用户对于偏向辅路行驶的投诉和讨论，里面都不约而同提到“突然”（Sudden），“可怕”（Scary）和“危险”（Dangerous）这些词语，而很多人在下面回复多谢提醒。对于感兴趣且有空逛论坛的车主，算是提了个醒，那么对于那些更多的车主，Tesla并没有明确提出需要注意匝道口的问题。

BusinessInsider 还专门撰文对此进行过讨论，在当时也是一度引起关注，然而后续也是不了了之。

那么，为什么匝道是L3杀手？ROT给出了两个表面上的解释：一是匝道有时会伴随比较大曲率的道路；二是主路右侧和匝道左侧车道线是一同向前延伸的，Mobileye系统可能会都识别，而选取哪两条线作为参考，则是决策系统需要解决的问题了，可能会选错。解决这两个问题，L4早有经验，那就是高精地图和定位技术，两者缺一不可，共同确定车辆当前所在的车道，哪怕是车道线混淆和缺失的情况，还可以预知前方道路的曲率。

高精地图与定位

地图的重要性是毋庸置疑的，自从人类发明地图开始，从地理信息中挖掘出价值和知识的地理信息系统（Geographic Information System，GIS），已给科学和社会的进步带来了毋庸置疑的巨大贡献。从早期的纸质地图，到颠覆性创造之后的电子地图，从结构化和半结构化的单机地图，到地图数据库和地图数据仓库。伴随着计算机科学的飞速进步，地理信息系统也得到了充分的支持和长足的发展。目前，地理信息系统在人类的驾驶活动中以导航应用的形式存在，提供通向目的地的优选路径及导航信息。伴随汽车智能化的提升，导航应用为人们的生活带来了极大的方便。然而，传统导航应用由于商品化程度较深、地图格式各不相同和较粗的地图精度等原因，难以为自动驾驶系统所用。对智能驾驶和安全驾驶的迫切需求，业界推动了高精地图（High Precision Map，HPM）的研发。

坦率来讲我并不知道高精地图于定位的所有技术细节，但在使用过程中我非常能够体会到它的重要性，之前还写过几段相关的技术调研，一并贴上来。现有L3对该技术利用较少，致其误报率较高，进而用户体验较差，最终影响L3的普及使用和安全性。想像一下，如果L3对前方道路的曲率、上下坡道的坡度都能够有细致到车道级别（定位误差0.2米）的了解，使用前方道路的路网、曲率和坡度等信息，结合车辆运行状态，能够有效改进系统效果。从这种使用信息的方式来看，地图可谓是与相机、雷达、GPS等设备并列的智能传感器之一，而且比起其他传感器，地图有许多优点，如不受光照、雾霾和雷雨等天气影响，不受昼夜影响，更不受传感器安装位置及车型影响。

HPM 的开发通常需要地图提供商、车辆生产商和研究项目的共同合作。早期的工作由地图提供商TeleAtlas、NavTeq以及DARPA、SAFESPOT、INTERSAFE2、PreVENT等研究项目推动，主要的成果有现在常用的用于路网定义的路网定义文件Route Network Definition File，RNDF），被广泛用于地图定义以及智能车竞赛，以及路图（Road Graph）和局部动态地图（Local Dynamic Map，LDM）等。如上图所示，HPM提供车道级地图信息，包括车道类型（如高速、城区、乡村等公路级别、隧道、桥梁、施工路段等）、位置、朝向、曲率、坡度、限速等。

我了解的HPM格式有两种，分别是ADASIS和OpenDrive，介绍如下：

ADASIS，是ADAS Interface Specification的缩写，旨在为ADAS提供HMP信息。具体来讲，ADASIS通过称为ADAS地图信息片（Horizon）的形式提供车辆周围的HPM信息，为ADAS服务。为了便于ADAS调用，信息通过车载CAN总线给出。跟路口预警相关的信息是STUB信息，用于表示路口的道路信息，包括该路口位于整个路线中的位置、车道转角、车道数目、交规赋予的路权等。ADASIS的研发通过一个自组织社区的形式进行，成员包括ADAS提供商Continental Automotive、Bosch、dSPACE、IPG，地图和数据提供商Autonavi、Naavinfo、TomTom、HERE，车辆生产商BMW、Daimler、Ford、Honda、Toyota、Volkswagen等。

OpenDrive，是一个开放的路网逻辑标准，由VIRES公司于2005年发布第一版本，初衷是建立统一的路网逻辑，便于不同驾驶模拟器之间进行数据交换。后来由于智能及安全驾驶技术的需求，也被ADAS作为HPM的格式之一所用，可提供与ADASIS类似的信息。具体来讲，OpenDrive以XML格式提供车道级地图信息，并提供各编程语言的解析接口，方便开发者快速整合到自有环境。提供OpenDrive的研发也是通过自组织社区的形式，由VIRES公司主导。成员包括驾驶模拟器公司DLR、Fraunhofer、TMI Dynamatics、TrianGraphics，车辆生产商BMW、Daimler，智能交通研究机构VTI和TUM等。

在HPM的帮助下，自动驾驶系统的可用性和用户粘性增加了许多。如BMW公司利用HPM开发了驾驶速度推荐（Adaptive Speed Recommendation，ASR）模块。ASR在HPM提供道路曲率、路口、环岛和限速标志的情况下，实时为驾驶员推荐适合当前驾驶情况的车速。ASR减少了急刹急起的不良驾驶状态，有效改善了驾驶的舒适性。Craig提到几种ADAS利用HPM改进驾驶安全性的应用，包括根据道路的类型和几何特点动态调整灯光的自适应前灯，根据道路曲率、坡度计算驾驶员可视道路（Line-Of-Sight，LOS）来辅助偏僻道路超车，以及根据道路曲率、坡度辅助过弯的弯道速度预警。

在更高级的智能驾驶应用中，目前HPM主要用于改进车辆定位的精度。民用GPS定位的平面误差在10米左右，利用实时动态（Real Time Kinematic，RTK）GPS和连续运行卫星定位服务系统（Continuous Operational Reference System，CORS）改进的平面定位误差虽然可达厘米级，但由于RTK基站的覆盖范围有限，CORS基站搭建的成本较高等原因，难以在高速公路普及推广。Schindler利用HPM中的地标，构建原型拟合（prototype fitting）优化问题，改进蒙特卡洛定位模型的精度。Nedevschi利用HPM提供的道路拓扑、几何和地理信息，使用贝叶斯网络概率模型提高车道位置的识别精度，进而提高车辆的定位精度。在路口危险预警方面，目前HPM的应用较少，Lefevre在使用民用GPS的情况下，在贝叶斯网络模型中加入HPM提供的路网信息，该方法较好过滤了驾驶过程中的不确定性，改进了以往单独利用轨迹簇或车辆状态预测驾驶意图的效果。

谈到技术水平，目前高精地图也是有很多家在做，都声称自己有很高的经度。所以存在一个怎么选择的问题，我的看法是看它配套的定位技术如何。

技术现状

从应用角度来讲，Bosch给过一个高精地图的分层范例，上面两层涉及到V2X这里不多说，地下两层是通常意义来讲的高精地图静态数据，可以为自动驾驶行车决策提供强有力的指导。

TomTom展示车道级高精度定位技术

之前的智驾周刊提到，近日地图公司TomTom发布视频展示其车道级高精度定位技术，建立在其高精度地图和车道级点云地图（RoadDNA）数据之上。在车辆实际运行过程中，定位算法会将实时点云数据与RoadDNA进行匹配，计算高精度位置。该技术可用于自动驾驶汽车的车道保持和路径规划中，在展示过程中，工程师还提到TomTom的地图冗余技术，以应对天气、交通标志和道路的日常变化。

HERE

被宝马戴姆勒等公司收购了的HERE在高精地图方面也很擅长，但我没有见到配套的定位技术文档，据说是在研。

Mobileye

应该是配装过程中饱受匝道口之苦，Mobileye也在年初提出了自己的高精度地图技术（称作REM，Road Experience Management），未使用复杂的3D激光雷达来采集和制作地图，CTO Shashua认为并不需要，而是通过图像中丰富的纹理和色彩特征来生成地图。Mobileye采取的策略是三维上稀疏，地面一维稠密的结构，三维元素不会包括原始图像数据，而是经过识别后的语义信息。

地面一维的信息则包括的比较多，建立了一个道路模型，包括车道线的精确位置、连接关系等。

值得一提的是，当前高精度地图供应商，在生产和维护地图方面成本很高，而Mobileye则采取群体智能的方式来解决这个问题，通过大量装配在量产车上的Mobileye现有产品来分布式收集和更新数据。

高精地图与定位解决匝道口隐患

其实解决这个问题很好办，只需要知道车辆在地图中的位置即可，下面介绍两个公开的方法，成本考虑都是基于视觉的。

智驾周刊之前提到，Audi公布的专利显示了该公司在匝道通行技术上的进展。该技术由一个内置车载摄像头和计算单元构成，通过获取图像并计算其中的关键地标（landmark）来判断匝道的位置，该技术可用于指导导航软件进行路径重规划以及指导自动驾驶系统完成上下匝道动作。

另一个就是利用Mobileye新版本中的环境模型（Environmental Model），包括运动和静止的物体、车道线、可行驶区域和交通标志等。

多年的积累让Mobileye在环境模型方面能够提供的内容远超竞争对手，在别人还在尝试提高单一车道线的检测精度时，Mobileye已经可以提供道路的语义级特征描述，例如当前行驶车道的左右车道线、左右车道的左右线以及道路分叉等等，均通过深度神经网络识别。

结语

重申一下我不是想黑Tesla，我极其佩服Tesla作为自动驾驶技术的先驱和推广者，为行业扛下的锅。本文仅从技术层面，非常主观地推测和判断高精地图和定位技术的好处，求轻拍。

 

专家介绍：Jane，自动驾驶产业分析师及行业报告撰写人，熟悉产业链条、技术现状和竞争布局，对自动驾驶技术的推广和落地常有独到见解。

文章转自新智元公众号，原文链接

巧用千寻位置GNSS软件| 一文教会横断面测量 选择目标线路，点击【确定】，如图 5.8-4所示，设置是否自动选择断面、计算方式、 放样间隔和横断面法线长度(道路中线到横断面边点的距离)。点击【确定】进入放样界 面，如图 5.8-5所示。当线路垂距小于 3米时，在横断面两侧生成平行线，进入精准定位。 根据箭头方向提示和下状态栏中垂距和平距提示移动当前点，当当前点位于横断面上时，根 据工程要求进行横断面数据采集和放样。也可以通过上下键切换到相邻的横断面。
【微机原理资料分享】基于8086家具门安全控制系统设计(仿真、程序、报告) 安全人员使用主密码更新当天的密码。按M按钮激活此模式。系统闪烁输入密码LED，要求人员输入密码。主密码是16位数的值。只给管理员一次输入密码的机会。如果经过验证，重试/更新LED发光。如果身份验证失败，则发出警报。当重试/更新LED发光时，用户必须输入当天的密码。这是12位数的值。一旦这个值已被系统接受，密码更新的LED发光。 ●用户进入房间时必须按O键，输入密码LED提示用户输入密码。用户也可以使用C/AC选项。如果第一次尝试失败，RETRY LED发光。允许用户重新输入密码，在身份验证门打开一段时间后1分钟。失败时发出警报。 ●要关闭警报，必须按下A按钮。输入密码LED发光提示用户输入
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知（识别+重建+定位+工程化）（下） 本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出，计算机视觉的核心问题是重建、识别和重组，他们称之为计算机视觉的3R。在此，论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R：重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知（识别+重建+定位+工程化）（上） 本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出，计算机视觉的核心问题是重建、识别和重组，他们称之为计算机视觉的3R。在此，论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R：重建、识别、重组和重新定位。
研究人员为航空发动机带热障涂层火焰筒异形孔制造提供全新加工手段 中国科学院西安光学精密机械研究所基于“机械臂的柔性火焰筒超短脉冲激光精密制孔设备及全套加工工艺”，实现了带热障涂层火焰筒异形孔的高品质加工，可用于商用发动机带涂层火焰筒异形气膜孔的加工。
真能“穿墙识人”，MIT人体姿态估计系统创历史最高精度！ MIT计算机与人工智能实验室的研究人员开发了一种基于Wi-Fi的人体姿态估计系统，用AI教会Wi-Fi“穿墙透视”，隔着墙也能进行精确的人体姿态估计。