高精算法推动高精地图落地
本篇文章主要介绍云栖大会高德地图首席科学家任小枫：高精算法推动高精地图落地。
演讲视频由以下网址得来，大家也可以观看：
https://yunqi.aliyun.com/2020/session31
主要内容
高精地图的重要性，“自动驾驶要成功落地，高精地图是必要做成的事情”
高精地图落地的挑战：最重要的是精度，当然还有规模，成本，时效性等等。
高精地图的资料对齐
虽然高德采用了很贵的采集车和传感器设备，但是不可避免的出现轨迹解算错误，点云数据分层，以及多次采集数据对齐等问题，这都需要通过一定的算法来解决，并且对不同场景，不同季节采集的数据对算法有着一定的影响，所以要做到点云数据的对齐和高精地图的生成是一项很具有挑战的任务。
点云数据对齐怎么做，这里分成了两部分，前端与后端，前端比较核心的算法就是点云匹配，比较常见的就是ICP及其变种算法。虽然算法是知道的，但是由于点云的数据量之大，以及由于部分场景或者环境的稀疏性等问题让点云的配准变得更多复杂。还需要解决更多的问题，比如稀疏点云的特征的提取，快读的实现点云语义分割等等。后端主要是做大规模的优化，可以将多条轨迹或者整个城市的点云和轨迹一起进行优化。这里说了一种将点云稀疏化之后再记性规模化的优化，这样就可以很好的解决大规模城市的点云对齐问题，提高了算法的效果。
识别和生产自动化
道路要素的识别和自动化生产，这里主要是指在点云对齐之后生成了规模化的地图之后如何对高精地图中存在的道路要素以及环境要素进行识别，比如道路上的线性元素里就有车道线、护栏、路缘石、自然边界，还有所谓的obj，即地面标识、杆状物、交通标牌、桥、龙门架等等。采用自动化的方法，可以用算法来提高人工效率。算法的方法就是非常重要的环节。它的输入有点云和图像识别。可以通过算法来生成高精地图元素。
识别和生产自动化算法
点云语义分割(多级随机聚合网络)
图像全景分割(检测/分割深度融合)
点云/图像融合(前融合+后融合)
传统算法辅助(e.g. 拟合，三维)
矢量化及建模(深度特征+图模型)
高精地图的变化发现与更新
据介绍高德有两套方案同时在做，应用于不同的场景，一种是激光的方法，一种事基于视觉的方法。
激光的方法：因为要控制成本，所以使用了相对低成本的激光和相对低成本的组合惯导。输入的资料质量比较低，需要做很多事情去提高资料的精度。包括：
紧耦合Lidar Slam/LIO
实时语义分割
定位地图:多重特征图层
In-the-loop重定位
协方差模型
全局位姿优化
定位图层更新
上面这些都有相对比较成熟的解决方案。虽然输入资料差，但在更新场景下还是能达到很好的精度。
视觉的方法。由极低成本消费级相机和极低成本消费级组合惯导来做，这中间有很多视觉的算法。包括：
紧耦合Visual Slam/VIO
定位特征图层和语义图层
特征+语义重定位
全局位姿优化(融合VIO/重定位)
定位特征图层及更新
变化发现的问题，高精地图如何做到更高的精度和更高频率的更新？
假设有一个极低成本的方案去采集图像，采集回来的肯定是一些质量很差的图像，在这些图像基础上要做对比，和真实世界的变化，比如两张图片里都有个电子眼，其实是同一个电子眼，但在图片上看着很不一样，需要用算法的手段来判断这是否为同一个电子眼。能用现有的低成本的资料发现物理世界的变化。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享