EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 1: 15 - 24

DOI: https://doi.org/10.12082/dqxxkx.2024.240054

Feature Analysis and Development Prospect of High Definition Maps for Autonomous Driving

  • DU Qingyun , 1, 2, 5, * ,
  • KUANG Lulu 1, 5 ,
  • REN Fu 1, 2, 5 ,
  • LIU Jiangtao 3 ,
  • FENG Chang 5, 6 ,
  • CHEN Zhuoning 4 ,
  • ZHANG Bocong 1, 5 ,
  • ZHENG Kang 1, 5 ,
  • LI Zhicheng 3
Expand
  • 1. School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 2. Key Laboratory of Digital Mapping and Land Information Application, Ministry of Natural Resources, Wuhan 430079, China
  • 3. Shenzhen Data Management Center of Planning and Natural Resource, Shenzhen 518000, China
  • 4. Sinomaps Press Co., Ltd., Beijing 100054, China
  • 5. WHU - CICV Data High Definition Map Research Center, Wuhan 430079, China
  • 6. China Intelligent and Connected Vehicles Data (Beijing) Co., Ltd., Beijing 102600, China
* DU Qingyun, E-mail:

Received date: 2024-01-01

  Revised date: 2024-01-12

  Online published: 2024-03-26

Supported by

National Natural Science Foundation of China(42071448)

Fold

Abstract

The advent of intelligent connected vehicles has seamlessly integrated into the fabric of contemporary intelligent transportation systems, emerging as an indispensable and transformative constituent. At the nucleus of this paradigm shift lies the autonomous driving high definition maps, assuming a pivotal role in propelling the evolution of intelligent transportation. The high definition maps, as a core element in intelligent connected vehicles, stand as a linchpin in advancing the development of intelligent transportation systems. Effectively establishing intricate connections among drivers, vehicles, road environments, driving conditions, significant landmarks, and the broader social environment, high definition maps act as a catalyst, propelling autonomous driving technology from Level 0 to Level 5. This article delves into the urgent imperatives steering the progression of intelligent connected vehicles and the critical role played by autonomous driving high definition maps. Beginning with an exploration of the essence, mainstream foundational data models, concepts, and characteristics of high definition maps, the discussion underscores their transformative role as a groundbreaking map data paradigm, crucial for realizing autonomous driving in intelligent connected vehicles. Subsequently, a nuanced analysis unfolds, dissecting the multifaceted characteristics woven into the entire lifecycle of high definition maps. This comprehensive examination spans diverse perceptual data types, encompassing multiple map construction methodologies, a variety of crowd-sourced updating techniques, various map application methods, the inherent intelligence embedded in map auditing processes, and innovative management modalities. Additionally, a prototypical route for high definition maps crowd-sourced updating technology is proposed, elucidating the dynamic landscape of map data refinement. Addressing the current challenges in high definition maps auditing, the study introduces an online intelligent map auditing methodology, providing a promising avenue to navigate the intricacies of the auditing process. This approach not only addresses key issues but also ensures the precision and reliability of map data. The practical application of these conceptual frameworks is exemplified through an extensive case study of the Shenzhen high definition maps pilot, offering valuable insights derived from practical experiences and explorations. In conclusion, this paper provides a forward-looking perspective on the developmental trajectory of high definition maps. It envisions their sustained significance and potential advancements, anticipating the continuous refinement and innovation in high definition maps. This ongoing evolution is expected to significantly contribute to the further enhancement of intelligent transportation systems and the maturation of autonomous driving technologies. The transformative impact of high definition maps is poised to usher in a new era of seamless and intelligent mobility, reshaping the landscape of contemporary transportation systems.

Key words： intelligent connected vehicles; autonomous driving system; high definition maps; electronic navigation map; crowd-sourced updating; geographic information; map inspection; artificial intelligence

Cite this article

DU Qingyun , KUANG Lulu , REN Fu , LIU Jiangtao , FENG Chang , CHEN Zhuoning , ZHANG Bocong , ZHENG Kang , LI Zhicheng . Feature Analysis and Development Prospect of High Definition Maps for Autonomous Driving[J]. Journal of Geo-information Science, 2024 , 26(1) : 15 -24 . DOI: 10.12082/dqxxkx.2024.240054

1 引言

智能网联汽车是新一代人工智能技术的典型应用[1]，需要有中国方案的智能网联汽车[2]，包括计算、车载终端、云控、高精度动态地图、信息安全5个基础平台[1]，能更好地满足中国的道路信息基础设施、联网运行的要求，进而实现自动驾驶。地图是智能网联汽车实现自动驾驶的关键组成部分，包括导航电子地图、高级辅助驾驶地图和高精度地图。
高精度地图也称作自动驾驶地图[3]、自主导航地图[4]、高精地图[5]、智能高精地图[6]、智能汽车基础地图[7]等。高精度地图的图层数量更多，图层内容更加精细，具有新的地图结构划分[8]，包括可增量更新的七层自动驾驶地图模型[9]、注重模型统一标准的通用化高精地图数据模型[3]、结合地图学理论和应用需求的智能高精地图信息传输模型[6]、四层一体化高精地图模型[10]等多种类型。作为支撑自动驾驶的时空数据集，高精度地图具有高精度（高地图数据精度）、高丰富度（高地图数据类型）、高实时性（高地图更新频率）等特点[11]，多用于定位、规划与感知模块[12]，是智能网联汽车实现自动驾驶的全新地图数据范式。
本文浅析自动驾驶高精度地图全生命周期中的多维特征，介绍高精度地图深圳市试点实践经验，针对高精度地图发展现状提出建议。

2 高精度地图多维特征

自动驾驶高精度地图是地图科学与汽车工业力量融合产生的新对象，在学术研究、政府管理和产业应用等领域都引发热点思考，在其数据采集（感知数据类型多样）、地图构建（方法多元）、地图更新（众源更新技术多种）、地图应用（方式多类）、地图管理（地图审核流程智能、地图管理模式创新）等全生命周期流程中逐步呈现出一些典型特征（图1）。
图1 高精度地图多维特征

Fig. 1 High definition maps with multidimensional features

2.1 感知数据类型

高精度地图的感知数据来源主要为车载传感器（摄像头、激光雷达、GNSS、IMU等）、无人机航拍影像和车联网接入的其他数据，数据类型包括视频/图片、遥感影像、点云和轨迹等。① 摄像头有单/双目相机、深度相机、鱼眼相机等类型。灰度/彩色图像提供丰富语义信息；双目和深度相机提供图像语义和图像中每个像素点距离摄像头的距离，加上该点在图像中的二维坐标，获取图像中每个像素点的三维空间坐标；鱼眼相机覆盖车辆周围360°的区域，可捕捉整个近邻区域。激光雷达通过发射信号和反射信号的对比，构建点云图，实现目标距离的精准探测。GNSS通过定位接收器获取车辆绝对位置和姿态信息。IMU通过陀螺仪、加速度计的时间积分提供车辆相对位置和姿态信息。② 无人机航拍影像提取道路路网，提供道路整体的几何位置与形态信息。③ 车联网接入第三方平台，提供道路拥堵、施工、交通管制、天气等信息。
目前可用于构建高精度地图的数据集包括KITTI[13]、Cityscape[14]、Mapillary Vistas[15]、Waymo Open[16]、nuScenes[17]、ApolloScape[18]、Argoverse[19]、CADC[20]、CULane[21]等（表1），可支持多种驾驶场景下的算法评测。
表1 高精度地图数据集使用的传感器和特点

Tab. 1 Sensors used and features in high definition maps datasets

数据集 主要传感器 特点
KITTI 灰度/彩色相机、激光雷达、GPS、IMU 包含市区、乡村和高速公路等场景
Cityscape 双目相机 包含50个城市，春、秋、夏3个季节的街区场景
Mapillary Vistas 彩色相机 覆盖北美和南美，欧洲，非洲，亚洲和大洋洲
Waymo Open 彩色相机、激光雷达 覆盖25个城市，包含城市、郊区、白天/黑夜、黎明/黄昏、晴天和雨天
nuScenes 彩色相机、激光雷达、毫米波雷达、GPS、IMU 覆盖城市、住宅区、郊区、工业区等场景，涵盖白天、黑夜、晴天、雨天、多云等天气
ApolloScape 激光扫描器、摄像头、IMU/GNSS 使用专业采集车，激光雷达点云密度高，相机方位姿态准确度高
Argoverse 彩色相机、双目相机、激光雷达 包含290 km的带有几何形状和语义信息的高精度地图数据
CADC 彩色相机、激光雷达 全球首个针对寒冷环境的数据集
CULane 彩色相机 覆盖10个城市的公路、城市和乡村场景

2.2 地图构建方法

高精度地图构建方法分为移动测绘车或无人机航测生产等传统方法，遥感影像和轨迹数据生产等非传统方法两类，涉及多源异构数据融合、同时定位和地图构建（Simultaneous Localization and Mapping，SLAM）、人工智能大模型、知识图谱[22]等多个关键技术（图2）。① 多源异构数据融合。高精度地图涉及IMU、车载相机、激光雷达等多源传感器，不同传感器具有不同的数据表达形式，将图像数据的二维矩阵、点云数据的三维矩阵、IMU轨迹的三轴线速度、角速度、角度进行统一表达，能够充分利用各个传感器的优势，提高定位和地图构建的精度和鲁棒性，以便自动驾驶系统做出最优路径规划。② SLAM。SLAM技术是指通过感知和分析环境数据，实现同时定位和地图构建的能力，可分为激光SLAM和视觉SLAM。激光SLAM[23]通常将激光雷达以固定角度进行扫描，测量返回激光束的时间来计算物体到传感器的距离，生成高分辨率点云地图，精确记录道路的位置和形状。视觉SLAM[24]是指使用相机通过图像特征提取、匹配和三角化等进行姿态估计和地图重建的SLAM方法，与传统激光雷达相比，相机具备更轻重量、更低获取成本和更丰富的环境表示，具备显著优势。③ 人工智能大模型。人工智能大模型能够识别和理解道路、交通标志、行人、车辆等信息，为自动驾驶车辆提供环境感知。例如BEVFormer[25]和Fast-BEV[26]，结合人工智能大模型与鸟瞰视角（Bird's-Eye-View，BEV），通过全景俯瞰地表视角，清晰展示场景中的物体和空间关系，更高效处理物体检测、跟踪和分类等任务，保持目标尺度一致，为自动驾驶提供更为全面和直观的地理空间信息。④ 知识图谱。知识图谱本质上是由具有属性的实体通过关系链接而成的网状知识库，即具有有向图结构的一个知识库，其中图的节点代表实体或者概念，而图的边代表实体/概念之间的各种语义关系[27]。高精度地图知识图谱涉及地图和知识，知识来源覆盖高精度地图和以高精度地图为载体的交通场景、交通规则和边角案例等，可将知识图谱应用于语义查询、知识推理和局部决策规划[22]。
图2 构建高精度地图相关方法的技术流程

Fig. 2 Technical flow of methods related to the construction of high definition maps

2.3 众源更新技术

众源更新通过大规模要素提取，识别出道路变化情况，可实现增量更新，具有高效、成本低、覆盖度高的特点[28⇓⇓-31]，能有效维持高精度地图的强现势性（即“高鲜度”），满足自动驾驶实时的高精度地图更新需求。高精度地图众源更新是一个多阶段过程，涉及多种技术，典型的高精度地图众源更新技术路线（图3）包括众源数据采集、数据汇聚与预处理、数据处理与分析、成果数据入库和更新应用[32]。主要步骤为：① 通过车载相机、激光雷达、GNSS、IMU等传感器以及交互通信设施，获取车端语义数据、车端轨迹数据及车端通信数据，路侧语义数据、路侧图像数据和路侧视频数据，第三方平台数据（交通数据和天气数据）；②对采集得到的众源数据，进行数据汇聚与预处理，包括解析、清洗、标准化和评价，统一数据类型及标准；③ 采用目标检测、图像分割、三维重建或多源融合等方法进行静态语义分析、交通路况分析和动态事件分析；④ 通过差分匹配完成静态地图更新，并将实时交通信息、动态交通事件入库；⑤ 对地图进行质量检查与合规处理，应用于自动驾驶系统辅助感知、高精定位、路径规划和辅助决策功能。
图3 高精度地图众源更新技术路线

Fig. 3 Crowd-sourced updating technology route of high definition maps

2.4 地图应用方式

在政策、技术和成本等多重因素驱动下，衍生出高精度地图应用于自动驾驶多类方案，可分为模块化和端到端应用方式（图4）。模块化应用方式通过数据采集与处理后，在自动驾驶感知、定位、预测、决策、规划、控制等模块单独使用高精度地图组合实现自动驾驶，端到端应用方式将全部模块神经网络化，通过导航电子地图/高级辅助驾驶地图加动态感知数据，输入原始传感器数据，输出轨迹点或底层控制命令[33]，基于数据驱动完成云端学习实现自动驾驶。
图4 高精度地图模块化和端到端应用方式

Fig. 4 Modular and end-to-end application approach to high definition maps

高精度地图模块化和端到端的应用方式都以地图作为重要的地理空间参考，但在具体技术实现中存在一定的差异（表2），前者更加依赖高精度地图（即“重地图、轻感知”），后者更加依赖实时感知局部地图和现有导航电子地图/高级辅助驾驶地图的动态融合[4]（即“重感知、轻地图”[34]）。
表2 高精度地图模块化和端到端应用方式的差异

Tab. 2 Differences between modular and end-to-end application approachesto high definition maps

应用方式 感知 定位 预测 规划、决策 控制
模块化应用 丰富先验信息 厘米级精度 动态信息 道路网络信息 曲率及坡度
高精度地图
更全面 更精准 更安全 更合理 更平稳
端到端应用 地图+传感器 地图+传感器 传感器 地图+传感器 传感器
导航电子地图/高级辅助驾驶地图、动态感知数据
实时动态、云端仿真测评性能强、在线计算效率高、无需人工标注数据
高精度地图模块化应用在自动驾驶系统中扮演着关键的角色。① 感知。在雨雪等恶劣天气传感器性能受限时，依然能够提供可靠的车道线、交通标志、信号灯以及障碍物等先验数据。② 定位。车辆位置与高精度地图进行匹配，实现车辆厘米级的高精度定位。③ 预测。高精度地图包含的道路网络、交通规则等静态信息以及交通流量等动态信息，辅助自动驾驶系统准确预测周围车辆和行人的可能行为。④ 规划与决策。在复杂交通场景下，规划出避让障碍物、遵守交通规则且行驶效率最高的行驶策略。⑤ 控制。高精度地图包含道路坡度、曲率等信息，帮助汽车实现更加平稳、节能的自动驾驶。
导航电子地图/高级辅助驾驶地图结合汽车摄像头和雷达等传感器获取驾驶场景内的图像和距离等动态感知数据，为自动驾驶系统提供数据支撑。导航电子地图规划全局路径，汽车行驶过程中结合高级辅助驾驶地图和动态感知数据对环境快速响应。动态感知数据可以构建实时、动态、高精度、要素丰富的局部地图。地图在仿真场景库中可支持自动驾驶端到端大模型训练与测试。此外，自动驾驶汽车行驶环境复杂多样，存在“长尾效应”[35]，导航电子地图和高级辅助驾驶地图可以保障自动驾驶更安全、更智能。

2.5 地图审核流程智能

高精度地图具有的视觉设计元素可有可无的特点[4]，这给地图审核带来多个挑战，主要包括[7]： ① 数据格式不统一，企业使用高精度地图数据格式多元化且加密手段不同，导致送审地图格式不一致，缺乏统一的信息化技术手段支撑不同格式的高精度地图审核工作；② 审图标准不完善，地图审核对高精度地图数据的地图要素、要素属性、是否存在涉密、涉敏内容，是否需要限制表达等缺乏完备的标准依据；③ 审图周期需缩短，地图审核周期长达半个月，难以保障自动驾驶实时性需求。
高精度地图数据关乎国家安全，其审核应区别于纸质地图和导航电子地图，需要进一步优化审核方法，建立自动化快速审核系统，发展在线智能审图技术[36]，减轻审图专家工作量，提高审图效率，符合信息化发展要求，顺应高精度地图发展趋势。自然资源部及地方测绘地理信息主管部门正积极探索新型审图模式，避免地图审核流程过长导致地图现势性滞后。
借鉴智能化测绘思路[37]，可对审图专家审图经验进行挖掘提取、描述并表达，归纳提炼出专家审图知识，与地图审核深度学习算法级联耦合，构建以知识为引导、算法为基础的高精度地图智能审核模型。高精度地图图层种类多，涵盖要素广，智能审图需从多要素中抽取与测绘地理信息相关数据进行自动化审核，实现基于地图感知、认知和推理过程的智能审核，替代主观、繁重、低效的人工审核工作，使高精度地图审核从“人工肉眼”逐步走向知识驱动智能化。在线智能审图方法（图5）能够简化审图流程，提升地图更新频率，提高地图审图的准确性和智能化水平，为自动驾驶应用提供更优质的地图数据支持。图商节点，包括数据接入和数据处理（标准化、分类分级、加密脱敏）由审图系统完成审图；审图节点，利用部署在资质方的子系统进行智能审图，审图无问题允许进行安全传输，有问题则打回修改；政府节点，接收到审图系统发送的数据，进行专家抽检确认后，发放审图号，完成数据备案。
图5 高精度地图在线智能审核方法

Fig. 5 Online intelligent review method for high definition maps

2.6 地图管理模式创新

目前，我国高精度地图管理主要依据导航电子地图进行，导航电子地图的管理模式（送审、加密、限制表达等要求）不能充分适用于高精度地图实时采集、多源数据耦合动态更新等情境。此外，高精度地图在自动驾驶应用中涉及工信、公安、交通、自然资源等多个主管部门，各部门的职能差异和交叉管理导致政策、法规和标准体系化相对较弱。因此，有必要建立完善、统一、规范的政策、法规和标准，以期推动高精度地图数据安全合规管理的进程。
2023年3月自然资源部发布了《智能汽车基础地图标准体系建设指南（2023版）》[38]，涵括基础通用、生产更新、应用服务、质量检测和安全管理等5个部分（图6），结合我国产业发展现状，对智能汽车基础地图数据采集、存储、传输相关标准的建设提出了原则性指导意见，为相关标准研制指明方向。目前北京、上海等多个高精度地图试点城市已发布智能网联汽车高精度地图管理规定，围绕高精度地图数据制作与表达、传输与存储、安全审校与地图审核等方面制定了新型化的指导意见。
图6 智能汽车基础地图标准体系框架图[38]

Fig. 6 Intelligent vehicle basic map standard system framework diagram

3 政企学研结合：以深圳市试点实践为例

为落实国务院关于开展营商环境创新试点工作的意见，在确保安全的前提下，探索高精度地图面向智能网联汽车开放使用，自然资源部在北京、上海、广州、深圳、杭州、重庆6个城市开展智能网联汽车高精度地图应用试点。深圳市作为试点城市之一，出台了国内首部关于智能网联汽车管理的地方法规《深圳经济特区智能网联汽车管理条例》[39]，以打造全国首个面向智能网联汽车全城开放的示范城市为目标推进试点工作。编制《深圳市智能网联汽车高精度地图应用试点管理规定》，充分发挥深圳科技创新和产业发展优势，支持不同类型地图面向智能网联汽车的多元化路径探索，全方位推进高精度地图试点工作。具体体现在以下3个方面（图7）。
图7 高精度地图深圳市试点实践经验

Fig. 7 Practice of high definition maps in Shenzhen

（1） 企业侧
优化企业营商环境，吸引高端创新要素，为企业提供广阔的发展机遇，形成覆盖智能网联汽车产业链各个环节的产业集群，包括上游的感知、控制、执行、通信系统，中游的整车、终端制造和软件开发，下游的经销商、车载单元等。智能网联汽车产业链上的测绘地理信息产业相关企业日益增多，涌现了华为、腾讯和比亚迪等众多龙头企业，促进了高精度地图的泛在化和爆发式发展趋势，业态特色日益鲜明。参与高精度地图试点的车企、图商和第三方服务商等企业分析测绘地理信息数据采集、存储、传输、处理和分发过程中的潜在风险，研究车端、传输端和云端的安全合规措施，从“全链路闭环众源更新”、“合规云服务”和“轻量化地图”等不同角度开展了多路径的高精度地图探索。
（2） 政府侧
联合企业、高校和研究机构，面向高精度地图发展的差异化诉求，以政企学研共同设计、企业技术实践的方式，探索侧重点不同、业界可运行、政府可监管的试点工作。管理规定方面，围绕资质管理、增量更新、联合监管和安全应用核心要求，通过场景触发和即采即抛等技术保障车端数据安全，通过专用网络和国密加密等技术保障传输端数据安全，通过分类隔离和分级防护等技术保障云端数据安全，实现试点测绘地理信息相关数据的全过程闭环监管。试点区域范围方面，试点区域与本市行政区域内道路测试与示范应用区域相匹配，随道路测试与示范应用区域范围扩展而扩展，满足企业、科研机构等测试、应用、商业运营服务等需求。联合监管方面，督促试点企业认真落实主体责任，进一步规范行业行为，联合交通运输、公安、工业和信息化、市场监督和国安等部门，加强监管资源整合，建立联合监管流程。整体而言，通过政企学研的多路径合作探索与创新，推动智能网联汽车高精度地图的高质量发展和更广泛应用。
（3） 国家省市
国家、省级、市级主管部门保持联动，制定清晰的沟通和协作流程，积极响应企业多层次、多样性需求，及时提出试点过程中出现的跨层级问题并寻求指导建议，为高精度地图试点工作的顺利推进提供坚实支持。
目前高精度地图相关建设主体在安全合规的发展诉求和技术能力等方面存在差异，这导致安全监管要求重心所在有别。下一步，深圳市将面向智能网联汽车测绘地理信息相关数据多层级潜在风险，充分考虑企业差异化诉求，设计多元化服务方案，从测绘资质、采集安全、存储安全、地图审核、保密处理、道路测试等方面引导企业合规建设，推动企业执行部省关于维护测绘地理信息安全的要求。研究各环节存在的安全风险和合规措施，以全流程闭环监管为目标，面向差异化企业诉求，开展业界可运行、政府可监管的试点工作探索，促进高精度地图产业发展。

4 总结与展望

地图演变从最初的纸张形式逐渐发展为视频、动画等新媒体形式，到如今步入高精度地图应用时代，既反映了技术的不断创新，也呈现出地图在信息表达和多类应用的显著进步。本文浅析了高精度地图感知数据类型多样、地图构建方法多源、众源更新技术多种、地图应用方式多类、地图审核流程智能、地图管理模式创新等多维特征，并介绍了深圳市试点实践经验，确信高精度地图未来空间十分广阔，将成为地图学或地理信息科学十分活跃的学科增长点之一。高精度地图当下还有许多问题有待研究。
（1） 当前工业界、学术界及政府管理部门对自动驾驶高精度地图认知存在差异。在其内涵及外延未形成共识情况下，工业界专注于自家高精度地图技术闭环，各项关键技术未能高效互通，学术界的贡献未必能对工业界提供高效率指导，各企业高精度地图差异化的格式、标准及应用也为政府管理部门的高效管理带来阻碍。需加快推进相关国家标准建设，为相关从业人员提供有效指导。
（2） 高精度地图数据全生命周期存在多维安全风险。在采集环节，建议通过场景触发机制，按需采集数据，脱敏处理、点云抽稀、偏转插件、即采即抛等技术和策略保障车端数据安全；在传输环节，建议通过专用网络和基于国产密码的认证加密技术，确保数据传输安全；在存储环节，建议通过建立高精度地图专属云，采用数据分类隔离、分级防护、脱敏加密等数据管理策略，防止越权访问、泄露、篡改等，发布前完成地图审核、脱敏加密和发布审计等数据发布策略，保障数据存储安全。
（3） 需尽快推进国家级高精度地图平台建设。高精度地图数据量大，覆盖范围广，其采集与维护耗费巨额成本，需建设国家级高精度地图平台，解决高精度地图数据确权问题，将多家企业相关数据进行统一管理或提供服务，节省成本并降低其潜在安全风险。
（4） 除自动驾驶外，高精度地图未来还将广泛应用于物业、医疗、智慧城市等领域。结合5G、云计算、人工智能等技术，提升各行各业信息化程度，比如为智慧城市建设提供精准的城市规划参考依据，为住宅区、学校等场所提供精确的物流服务等，加速城市数字化转型，满足新时代对地理信息的日益增长需求。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李克强. 智能网联汽车的发展现状与对策建议[J]. 机器人产业, 2020(6):28-35.

[Li K Q. Development Status and Countermeasure Suggestions for Intelligent Networked Vehicles[J]. Robot Industry, 2020(6):28-35.] DOI:10.19 609/j.cnki.cn10-1324/tp.2020.06.005

[2]
李克强. 中国智能网联汽车产业化过程中的挑战及发展对策[J]. 机器人产业, 2019(6):54-57.

[Li K Q. Challenges and Development Countermeasures in the Industrialization of Intelligent Networked Vehicles in China[J]. Robot Industry, 2019(6):54-57.] DOI:10.19609/j.cnki.cn10-1324/tp.2019.06.010

[3]
张攀, 刘经南. 通用化高精地图数据模型[J]. 测绘学报, 2021, 50(11):1432-1446.

DOI

[Zhang P, Liu J N. A generalized data model of high definition maps[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11):1432-1446.] DOI:10.11947/j.AGCS.2021.20210254

[4]
孟立秋. 自主导航地图的昨天、今天和明天[J]. 测绘学报, 2022, 51(6):1029-1039.

DOI

[Meng L Q. Yesterday, today and tomorrow of autonomous navigation maps[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(06):1029-1039.] DOI:10.11947/j.AGCS.2022.20220198

[5]
陈龙, 刘坤华, 周宝定, 等. 多智能体协同高精地图构建关键技术研究[J]. 测绘学报, 2021, 50(11):1447-1456.

DOI

[Chen L, Liu K H, Zhou B D, et al. Key technologies of multi-agent collaborative high definition map construc-tion[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11):1447-1456.] DOI:10.11947/j.AGCS.2021.20210259

[6]
刘经南, 詹骄, 郭迟, 等. 智能高精地图数据逻辑结构与关键技术[J]. 测绘学报, 2019, 48(8):939-953.

DOI

[Liu J N, Zhan J, Guo C, et al. Data logic structure and key technologies on intelligent high-precision map[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(8):939-953.] DOI: 10.11947/j.AGCS.2019.20190125

[7]
徐红. 探寻最优解, 推动智能汽车基础地图安全应用——访自然资源部地理信息管理司副司长吴剑锋[J]. 中国测绘, 2022(6):12-15.

[Xu H. Seeking the optimal solution and promoting the safe application of basic maps of smart cars—Interview with Wu Jianfeng, Deputy Director of Geographic Information Management Department of the Ministry of Natural Resources[J]. China Surveying and Mapping, 2022(6):12-15.] DOI:10.3969/j.issn.1005-6831.2022.06.004

[8]
刘经南, 吴杭彬, 郭迟, 等. 高精度道路导航地图的进展与思考[J]. 中国工程科学, 2018, 20(2):99-105.

[Wu H B, Guo C, et al. Progress and consideration of high precision road navigation map[J]. Strategic Study of CAE, 2018, 20(2):99-105.] DOI: 10.15302/J-SSCAE-2018.02.015

[9]
Jiang K, Yang D G, Liu C R, et al. A flexible multi-layer map model designed for lane-level route planning in autonomous vehicles[J]. Engineering, 2019, 5(2):305-318. DOI:10.1016/j.eng.2018.11.032

[10]
应申, 蒋跃文, 顾江岩, 等. 面向自动驾驶的高精地图模型及关键技术[J/OL]. 武汉大学学报(信息科学版):1-12[2023-08-15].

[Ying S, Jiang Y W, Gu J Y, et al, High Definition Map Model for Autonomous Driving and Key Technologies[J/OL]. Geomatics and Information Science of Wuhan University:1-12[2023-08-15].] DOI:10.13203/j.whugis20230227

[11]
尹彤, 黄鹤, 郭迟, 等. 面向自动驾驶的高精地图生产技术及数据模型标准化探讨[J]. 中国标准化, 2021(4):33-37.

[Huang H, Guo C, et al. Discussion on high-definition map production technology and data model standardization for autonomous driving[J]. China Standardization, 2021(4):33-37.] DOI:10.3969/j.issn.1002-5944.2021.04.005

[12]
李必军, 郭圆, 周剑, 等. 智能驾驶高精地图发展与展望[J/OL]. 武汉大学学报(信息科学版):1-18[2023-08-07].

[Li B J, Guo Y, Zhou J, et al, Development and Prospects of High Definition Map for Intelligent[J/OL]. Geomatics and Information Science of Wuhan University:1-18[2023-08-07].] DOI:10.13203/j.whugis20230287

[13]
Geiger A, Lenz P, Stiller C, et al. Vision meets robotics: The KITTI dataset[J]. International Journal of Robotics Research, 2013, 32(11):1231-1237. DOI:10.1177/0278364913491297

[14]
Cordts M, Omran M, Ramos S, et al. The cityscapes dataset for semantic urban scene understanding[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016:3213-3223. DOI:10.1109/CVPR.2016.350

[15]
Neuhold G, Ollmann T, Bulò S R, et al. The mapillary vistas dataset for semantic understanding of street scenes[C]// 2017 IEEE International Conference on Computer Vision (ICCV). IEEE, 2017:5000-5009. DOI:10.1109/ICCV.2017.534

[16]
Sun P, Kretzschmar H, Dotiwalla X, et al. Scalability in perception for autonomous driving: Waymo open dataset[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020:2443-2451. DOI:10.1109/CVPR42600.2020.00252

[17]
Caesar H, Bankiti V, Lang A H, et al. nuScenes: A multimodal dataset for autonomous driving[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020:11618-11628. DOI:10.1109/CVPR42600.2020.01164

[18]
Huang X, Wang P, Cheng X, et al. The ApolloScape open dataset for autonomous driving and its application[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(10):2702-2719. DOI: 10.1109/tpami.2019.2926463

PMID

[19]
Chang M F, Lambert J, Sangkloy P, et al. Argoverse: 3D tracking and forecasting with rich maps[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2019:8740-8749. DOI:10.1109/CVPR.2019.00895

[20]
Pitropov M, Garcia D E, Rebello J, et al. Canadian adverse driving conditions dataset[J]. International Journal of Robotics Research, 2021, 40(4/5):681-690. DOI: 10.1177/0278364920979368

[21]
Pan X G, Shi J P, Luo P, et al. Spatial as deep: Spatial CNN for traffic scene understanding[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2018, 32(1):7276-7283. DOI:10.1609/aaai.v32i1.12301

[22]
齐如煜, 尹章才, 顾江岩, 等. 高精地图的知识图谱表达[J/OL]. 武汉大学学报(信息科学版):1-14. [2023-10-19].

[Qi R Y, Yin Z C, Gu J Y, et al. Knowledge Graph Expression of High-Definition Map[J/OL]. Geomatics and Information Science of Wuhan University:1-14[2023-10-19].] DOI:https://doi.org/10.13203/j.whugis20230308

[23]
Xie J P, Nashashibi F, Parent M, et al. A real-time robust global localization for autonomous mobile robots in large environments[C]// 2010 11th International Conference on Control Automation Robotics & Vision. IEEE, 2010:1397-1402. DOI:10.1109/ICARCV.2010.5707329

[24]
Wan Aasim W F A, Okasha M, Faris W F. Real-time artificial intelligence based visual simultaneous localization and mapping in dynamic environments-a review[J]. Journal of Intelligent & Robotic Systems, 2022, 105(1):15. DOI:10.1007/s10846-022-01643-y

[25]
Li Z Q, Wang W H, Li H Y, et al. BEVFormer: learning bird’s-eye-view representation from multi-camera images via spatiotemporal transformers[C]// European Conference on Computer Vision. Cham: Springer, 2022:1-18. DOI:10.1007/978-3-031-20077-9_1

[26]
Huang B, Li Y G, Xie E Z, et al. Fast-BEV: Towards real-time on-vehicle bird’s-eye view perception[EB/OL]. 2023: arXiv:2301.07870. http://arxiv.org/abs/2301.07870.pdf

[27]
蒋秉川, 万刚, 许剑, 等. 多源异构数据的大规模地理知识图谱构建[J]. 测绘学报, 2018, 47(8):1051-1061.

DOI

[Jiang B C, Wan G, Xu J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8):1051-1061.] DOI:http://dx.doi.org/10.11947/j.AGCS.2018.20180113

[28]
杨蒙蒙, 江昆, 温拓朴, 等. 自动驾驶高精度地图众源更新技术现状与挑战[J]. 中国公路学报, 2023, 36(5):244-259.

DOI

[Yang M M, Jiang K, Wen (T /t)(P /p), et al. Review on status and challenges of crowdsourced updating of highly automated driving maps[J]. China Journal of Highway and Transport, 2023, 36(5):244-259.] DOI:10.19721/j.cnki.1001-7372.2023.05.021

[29]
李月华. 基于自动驾驶众包地图更新技术方法[J]. 北京测绘, 2022, 36(5):629-635.

[Li Y H. Crowdsourcing map update technology for autonomous driving[J]. Beijing Surveying and Mapping, 2022, 36(5):629-635.] DOI: 10.19580/j.cnki.1007-3000.2022.05.020

[30]
李德仁, 洪勇, 王密, 等. 测绘遥感能为智能驾驶做什么?[J]. 测绘学报, 2021, 50(11):1421-1431.

DOI

[Li D R, Hong Y, Wang M, et al. What can surveying and remote sensing do for intelligent driving?[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11):1421-1431.] DOI:10.11947/j.AGCS.2021.20210280

[31]
陈欣, 向隆刚, 焦凤伟. 基于众源轨迹的OSM路网转向信息增强[J]. 地球信息科学学报, 2023, 25(10):1954-1967.

DOI

[Xiang L G, Jiao F W. Turning information enhancement of OpenStreetMap Road network based on crowdsourcing trajectory data[J]. Journal of Geo-Information Science, 2023, 25(10):1954-1967.] DOI:10.12082/dqxxkx.2023.230070

[32]
冯昶, 杜清运, 范晓宇, 等. 高精动态地图基础平台众源更新技术路线研究[J]. 测绘地理信息, 2023, 48(1):10-15.

[Du Q Y, Fan X Y, et al. A crowdsourcing update technology route of HD dynamic map basic platform[J]. Journal of Geomatics, 2023, 48(1):10-15.] DOI:10.14188/j.2095-6045.20221066

[33]
李升波, 刘畅, 殷玉明, 等. 汽车端到端自动驾驶系统的关键技术与发展趋势[J]. 人工智能, 2023(5):1-16.

[Li S B, Liu C, Yin Y M, et al. Key Technologies and Development Trends of End-to-End Automated Driving Systems for Automobiles[J]. Artificial Intelligence View, 2023(5):1-16.] DOI:10.16453/j.2096-5036.202350

[34]
陈会仙, 章炜, 杨蒙蒙, 等. 面向无人驾驶的高精地图公开应用趋势研究[J/OL]. 武汉大学学报(信息科学版):1-16[2024-01-16].

[Zhang W, Yang M M, et al. Open Application Trend of High Definition Map for Unmanned Driving[J/OL]. Geomatics and Information Science of Wuhan University:1-16[2024-01-16].] DOI: 10.13203/j.whugis20230338

[35]
段续庭, 周宇康, 田大新, 等. 深度学习在自动驾驶领域应用综述[J]. 无人系统技术, 2021, 4(6):1-27.

[Duan X T, Zhou Y K, Tian D X, et al. A review of deep learning applications for autonomous driving[J]. Unmanned Systems Technology, 2021, 4(6):1-27.] DOI:10.19942/j.issn.2096-5915.2021.6.051

[36]
刘经南, 董杨, 詹骄, 等. 自动驾驶地图有关政策的思考和建议[J]. 中国工程科学, 2019, 21(3):92-97.

[Liu J N, Dong Y, Zhan J, et al. Thoughts and suggestions on autonomous driving map policy[J]. Strategic Study of CAE, 2019, 21(3):92-97.] DOI:10.15302/J-SSCAE-2019.03.004

[37]
刘万增, 陈军, 任加新, 等. 基于混合智能的地图自动审核技术框架[J]. 武汉大学学报(信息科学版), 2022, 47(12):2038-2046.

[Chen J, Ren J X, et al. Hybrid intelligence-based framework for automatic map inspecting technology[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2038-2046.] DOI:10.13203/j.whugis20220683

[38]
自然资源部. 智能汽车基础地图标准体系建设指南(2023版)[EB/OL].(2023-03-03)[2023-07-09]. http://gi.mnr.gov.cn/202303/t20230306_2777534.html

[39]
深圳市人民代表大会常务委员会. 深圳经济特区智能网联汽车管理条例[EB/OL]. (2022-07-18)[2023-06-02].http://www.sz.gov.cn/zfgb/2022/gb1250/content/post_9967816.html

Options
Outlines

/

〈 〉