近日，雷鋒網新智駕邀請了高深智圖亞太區總經理劉澍泉作為【高精度地圖的上車元年】雲峯會的系列主講嘉賓，作分享高精度地圖的落地實踐、面臨的挑戰以及未來的商業發展模式。
以下為劉澍泉的演講全文，新智駕做了不改變原意的編輯：
大家好，我是高深智圖亞太區總經理劉澍泉，很高興有機會跟大家分享我們在智慧交通領域的近況和創新。
我分享的議題有以下幾部分：第一是數字化交通建設背景的分享，第二是高精地圖與數字化交通，我會重點闡述智慧道路與數字孿生的關係、交通控制網絡基礎雲平台，以及車路協同V2X解決方案。最後會給大家展示一些高深智圖的成功案例。
數字化交通該如何建設？首先來看一下什麼叫數字化交通。從中國角度來看，車和路都有比較明確的定位，也就是説，中國不會跟海外一樣走單車智能道路，而是更多去做車路協同。因為中國的車部署量非常大，只有通過車路協同，才能讓更多車輛享受智慧道路帶來的便利，加速自動駕駛的落地。據一些分析報告顯示，通過車路協同的方式，能夠加速自動駕駛2~3年左右的落地時間。
交通領域新基建是，利用數字化、信息化、智能化等新技術手段，賦能交通基礎設施，使道路具備精準的感知、精確的分析、精細的管理和精心的服務，從而更好支持未來的複雜交通形態。
在這個過程中，如何把數字化、網絡化、智能化疊加到已有的物理交通設施之上，是我們要思考的一個問題。通過疊加的方式，達到高質量的新型交通建設。如此一來，就可以支持自動駕駛汽車、無人物流、智慧港口、智慧樞紐等建設。
2019年提出交通強國，今年也提出了交通新基建，可以看到中國政府對於交通側改革，對於滿足公眾出行和大眾管理有極大的需求，並且做了很多努力。
高深智圖認為，數字交通首先是一個數字孿生平台，要有一個高精度的交通地理信息平台。這裏會涉及到三張圖，一張圖是建設圖紙，還有一張GIS圖紙，這是給管理指揮來用的，第三張圖就是高精地圖。
通過這三張圖紙打造的數字孿生，完成交通要素的全3D化、數字化建設，同時面向這些基礎設施進行數字化的全生命週期管理。以此通過數字孿生影響真實世界，進行資產管理。
除了把這些靜態數據生產出來，同樣也要有一個現實感知網絡的建立。這個感知網絡實際上非常重要，它通過重點的感知網絡部署，能夠讓路側單元感知到實時車流、交通事故，或者是特定的一些道路養護情況，快速指導聯動其他信息系統，輔助進行快速的故障處理。
可以看到，高精地圖其實是一個靜態的數字世界，而感知網絡是一個動態的數字世界，靜態世界和動態世界要結合起來，才完成一個虛擬化的數字孿生。
交通控制網絡基礎建設裏邊，涉及到了ETC的智能化、眾包數據融合。所以車路協同是路端感知和單車端感知的精準疊加，通過疊加把數據服務提供到應用端，再通過應用端的研判，將結果推送到車端。
而交通信息網絡（包括5G網絡、北斗網絡）可以將這些信息上傳到雲端，通過V2X服務雲控平台進行場景類研判，然後面向三個領域提供數字化服務。
第一個領域是個人的數字化出行助手，就是日常的出行服務類應用，比如滴滴打車、高德地圖，它實際上是一個能夠給個人提供精準出行的出行助手
第二個領域是面向數字化物流，提供幹線物流的服務能力，實現基於高速公路的輔助駕駛和自動駕駛。
第三是面向現代治理，當下交管部門也有現代化的管理手段，結合V2X方案，可以把它做到數字化、智能化。如此一來，可以提高生產效率，同時也提升了研判的準確度。
高深智圖是一家做高精地圖的公司，那麼高精地圖和數字交通規劃有什麼關係？
可以看到，高精地圖是智慧道路的一個3D還原，也稱數字化還原。通過高精地圖把道路信息、路側傳感器信息，障礙物、交通參與物信息，完全映射到了虛擬的數字空間。這個數字空間是三維的，帶有相對座標和絕對座標，可以提供物體的精準定位。這是我們理解的高精地圖和智慧道路之間的一個關係。
這張地圖是我們在美國拉斯維加斯賭城周邊生成的數字孿生地圖。通過數字化設施採集到城市周圍信息，可以把整體的3D環境重建出來，能夠實現道路兩側的所有交通參與物的全要素數字化，並且原來導航地圖裏沒有特別強調的屬性特徵比如車道線交通標誌，我們也可以通過高精地圖生產出來。
所以物理世界裏一個真實的城市路網，在虛擬世界裏也可以有一個3D的點雲圖。從本質來看，高精地圖它更多是一個雲服務。通過雲服務，能夠實現指定道路、指定位置、指定區域的動態更新。
可以這樣想，如果把地圖切成任意小塊，每一小塊都有獨立的ID。可以根據這一小塊發現一些變化，然後把這些增量信息回傳到雲端處理，用增量更新的方式去把原來的地圖替換下來，補充新的地圖。
這樣來看，其實可以把高精地圖和道路養護相結合。
常規的道路養護車和眾包車輛在路上走的時候，可以發現地圖上有變化，就可以把數據上傳到雲端，然後在雲端進行加載計算，生成一個更新版本的地圖。最後可以通過下派的方式傳回到原來的地圖上，進行新地圖的發佈。
通過這套動態更新機制，我們可以在區域指定道路進行更新，也可以按照時間進行強制更新，實現需要維護的物理設施和虛擬設施的一一對應。
這也是數字世界和虛擬世界之間的相互干涉。實際上，我們通過地圖的動態採集、眾包更新、雲服務的方式完成單向的“當物理世界變化，虛擬世界可以對等變化”環節。後面我們會結合案例給大家講，虛擬世界如何影響物理世界。
交通控制網絡基礎雲平台
所以高精地圖是虛擬世界裏的靜態數字基礎設施。大家可以看到，這是一個路側單元的集合，裏邊包括了長焦攝像機、雷達、魚眼等傳感器，根據不同的覆蓋範圍進行感知。比如相機會捕捉從50米到450米左右的動態物體，魚眼會捕捉交通路口的行人、自行車。
這些設備實際上是給道路增加了眼睛和感知，能看到路上的實時交通流、天氣變化、温度濕度、大霧、路面結冰等情況。這些信息和高精地圖的結合，可以準確知道車輛故障、行人，到底處在地圖空間的哪個位置，也就是幫助事件增加一個位置屬性，然後進行精準研判。
所以除了把攝像頭等傳感器標定對齊、同樣要把燈杆的座標（絕對座標和相對座標）在地圖裏標定。標定好以後就可以知道燈杆在地圖裏的覆蓋範圍。比如一輛車可能在距離燈杆450米的時候產生故障，系統就可以精確捕捉到它的位置，就可以把拖車叫來精準地停在車輛面前。
這類感知設備在高速公路上會越來越多。國內的幾條智慧高速已經把這種設備以較大的密度鋪開了，可以做到每1000米部署兩個或者三個，實現全道路的感知。
這種智能設備其實在橋樑隧道上的會有更好的應用，因為它能夠主動發現事件，提高安全效率。特別是在隧道里邊，當隧道着火，會產生強有毒的氣體。通過這套設備，發現了一些問題，就可以把問題通過雲平台、邊緣計算網絡，發佈到指揮大屏上、路側提示儀上，手機上車機上，做到人機共駕、車路協同。
我們一直認為，車路協同是車端感知和路端感知的精準融合。通過精準融合，才有可能計算所有故障，潛在發生的交通事故。眾包的數據更新對於地圖的更新來説是一個非常關鍵的點。
針對這方面，我們也做了一個新的產品HDR， 它是一個低成本、高效率的，通過視覺進行數據更新的產品和解決方案。
大家可以看到右側的圖，這個圖實際上只用了矢量數據，也就是二維高精地圖數據。藍色是原有的地圖數據，綠色是現實的感知結果。如果綠色和藍色之間能夠精準匹配，那麼地圖特徵就沒有變化。如果現實的感知結果和地圖數據不能精準匹配，就會發現這裏有變化，這是一個變化檢測的過程。
通過變化檢測，我們會把裏邊的圖像信息存下來，發佈到雲端，進行檢驗。檢測完了以後，我們會做一個發佈管理，更新一個新的版本，把矢量地圖下發到車端上來。
隨着L2級別、L3級別的車越來越多，各式各樣的車都具備了視覺能力。我們把這種視覺能力結合現有的高精地圖，能做到眾包更新，完成數字世界和物理世界的一一對應，更新頻率越來越高。這也數字化交通裏非常重要的一個環節。
基於高精度地圖的車路協同解決方案
接下來跟大家分享一下，數字化交通裏如何做數字孿生的建設。
高深智圖推出了一個基於車路協同的整體解決方案。車路協同要完成車路雲三端的協同。車和路之間是通過路側單元來感知車流的變化，可以在邊緣服務器上進行計算，然後把計算結果傳遞給指揮單元比如信號機去調控紅綠燈。有一些宏觀調控需要宏觀計算，比如整體車流的優化，整體路徑的規劃，這類服務要通過RSU傳到雲端服務。
雲端是一個雲化的大數據平台，不僅要進行路側單元這類的設備管理、道路事件管理，還要做基於高精地圖的動態更新、發佈、版本維護，還要把各種信息下發到車上，讓車機、導航終端看到最新的地圖。
所以它可以為車端提供碰撞預警，盲區預警、編隊行駛、動態限速這些服務。當路側感知到車輛的動態實時變化信息之後，會把優化的結果再傳到雲端優化。如此一來，就會變成物理世界和虛擬世界的週而復始的相互影響過程。
所以高精地圖是車路協同裏非常重要的一個橋樑，是數字孿生裏最重要的介質。可以這麼説，高精地圖融合了車端和路側的感知，在統一的座標空間裏進行交通研判，也可以進行人工智能的訓練預測，完成物理世界和虛擬世界的雙向干預，從而形成當下最優的交通預測。然後通過數據的積累，持續進行模型化訓練，提高交通通行效率，保障通行安全。
這是我們以高精度地圖為核心車路協同方案的抽象框架圖。整個框架圖分為雲、路和車三端，不同的端側有不同的模塊。
從車端來看，分為後裝和前裝車。如果要有眾包更新能力，大部分的模塊都要裝到前裝車上，會把地圖模塊、感知模塊都融合起來。如果是後裝車的話，基本是高精度地圖模塊的使用。但給人使用和給機器使用，方式是不太一樣的，裏面的模塊不是也會有所不同。
在路端層面，首先要給路側增加感知單元比如智慧燈杆，這類感知單元負責傳輸以及下載。地圖服務可以通過相關協議，在離燈杆非常近的情況下，可以動態把地圖下載下來。此外，路端還包含一些應用比如雷達、定位服務等。
我們可以對感知設備進行一些靈活的組合。假如一個16路的邊緣服務器，可以帶16路的信號輸入，配合16路的感知單元，然後感知單元裏再帶一些人工智能芯片，將一些信息傳遞到邊緣服務器上來。如果邊緣服務器處理不了，還可以把它傳遞到雲端來，通過誘導屏進行信息的發佈。
雲端方面，則是分為V2X Server和AI訓練平台，AI訓練平台實際上是人工智能的範疇，可以用來做整個訓練集數據的存儲，算法的發佈調優，然後做一些碰撞預測、算法管理、數據管理等工作。
而在V2X Server裏面，主要管理路側單元設備的狀態、拓撲、地圖的下發版本、設備的標定、事件的發佈等。
可以看到，車、路、雲是通過高精地圖來打通的，只有通過高精地圖的打通，才能在統一座標系中進行研判，做到真正的協同。
那麼高深智圖提供的產品，如何滿足車路協同方案裏的功能需求？
實際上，我們提供的是中間這一層，提供了數據採集的能力，包括地圖引擎、生產製作發佈系統、三維展示平台。整套產品從數據採集到數據使用，我們可以把放在公有云上，也可以把它做在私有云或者混合雲上。這樣能夠滿足交通側、整車廠不同客户對於計算安全的不同的要求。
而在架構上層，我們能夠通過這套軟硬結合的架構，滿足車路協同、智慧城市、自動駕駛、智慧園區裏的要求。
下面是我們能給大家提供的產品。
第一是數據採集產品。高深智圖提供的是一個開箱即用的軟硬件一體化設備，由車載的傳感器，工控機、採集軟件和車載電源組成。通過這套設備，我們可以做到設備和車之間是松耦合的，保證了數據採集的靈活性。
這套設備可以交給客户端，由客户進行數據採集，而我們可以提供採集路線、路徑規劃、如何使用軟件，如何通過軟件進行採集完的數據校驗，如何在校驗後把數據用在線的方式或是離線數據拷貝的方式，傳回到雲端。
這是我們比較獨特的能力，可以支持整車廠、高速公路公司建完第一輪高精地圖的底圖的生產，同時進行數據的動態更新、資產維護等。
所謂資產的維護是什麼？指的是在道路巡檢過程中，發現哪些路燈杆有可能缺失、哪些路燈杆被撞、兩側建築物有哪些形變，都可以通過這樣一套設備進行數據採集到。
第二個產品是地圖引擎。地圖引擎是把數據採集產品生成的原始數據進行自動化的分佈式處理軟件。數據處理完以後，首先要把原始數據拿過來進行校驗，進行點雲對齊、點雲分類、自動刪除車輛等工作。然後再去做體制化的過程，把它去點雲數據做壓縮、座標轉換、點雲融合，然後生成一張3D點雲圖。
生成的3D點雲圖就可以給L4級自動駕駛，或是基於激光雷達的典型定位服務客户使用，他們可以直接通過3D點雲圖進行車輛的自定位。
目前這個軟件還是一個內部版本，我們已經做到了2.0版本，可以為客户進行地圖引擎的離線化部署，部署到客户的機房裏。比如主機廠希望是在測試場裏構建一些場景，但這些場景可能每天都在變，今天可能做一些剎車實驗，明天可能做一些V2X的實驗，這時候就需要我們有一個快速的研發迭代，迭代過程中需要自己的車天天掃描數據，看看地圖有沒有變化。
另一方面，有了變化的數據以後，客户可以通過我們的軟件在他自己的服務器上運算更新出新的地圖。比如當我們做完3D圖層以後，我們會為客户的製圖員提供一個軟件工具。裏邊有一些自動化工程，像標識標牌分類等都可以完成自動化的操作。但有一些可能需要人為干預，比如地圖的編譯、發佈、特殊特徵的提取、質檢等。
所以地圖生產製作發佈系統和地圖引擎這些產品可以做成單機版，做到客户的私有云裏。如果客户希望只是使用這個服務，我們也支持在雲端進行服務推送。
第三個產品是我們的三維展示平台。剛才提到的地圖，可以提供給交通管理者做三維展示的管理大平台。通過管理大平台實時監控動態車流信息，進行一些動態的事件發佈。同時也可以看到，我們可以把這些服務發佈到車端，然後通過車機展示一些地圖以及導航定位服務。所以我們從地圖採集、地圖生產、地圖發佈到地圖的整個生命週期都能提供相應服務。
那麼在智慧道路上，怎麼做多車協同？
這就涉及動態導航了。動態導航可以分為兩部分，一部分是給指揮大屏使用。比如在單車的視角中，結合高精地圖，並且把動態地圖下發到車端，就可以做到基於車道線級別的形式指引。另一部分則是可以把一些提醒信息直接下發到車機上，駕駛員可以基於這些信息去做輔助駕駛，有意識的降速，避讓擁堵環境等。
下面給大家看一下我們的一些案例展示。
在北京一個車路協同的場景下面，我們在路側中間安裝了路側單元，裏面包含了攝像頭、激光雷達信息。整個城市的路網圖是由高深智圖建成的。我們拿到城市路網圖之後，然後根據實物大小去做了3D渲染，形成一個3D的立體模型。
基於展示的立體模型，再通過路側單元對交通流的實時感知結果，把交通流情況精準地映射到地圖空間裏，實現地圖和車輛的精準匹配。基於這些，我們可以提供車輛盲區預警、碰撞預警，主動避讓、主動限速等。
特別是極端天氣情況下，我們可以根據路側單元，根據V2X的服務、前車車牌號，後車車牌號等，把建議的行駛速度下發到車輛，完成編隊行駛的場景應用。
另一個案例還沒完全渲染完，但非常代表了中國交通的特點，就是北京的四惠橋。它是一個多層立體的交通樞紐，這種交通樞紐的定位、以及高精地圖製作，難度還是很大的。
可以看到，這張圖的路面上已經是非常整潔。左上角的展示了真實的場景，可以和地圖進行匹配。如果有視覺算法，可以直接用左上角圖的攝像頭能力完成定位服務。如果沒有視覺定位算法，也可以用融合定位的算法，用3D點雲圖進行融合定位。如果只有RTK這類服務，也可以結合矢量地圖去做一些輔助駕駛功能。
這也從側面驗證了高精地圖和數字交通的孿生關係。
最後一個案例是蘇州高鐵新城做車路協同二期時，我們提供的一個軟件服務。裏面包括我們的高精地圖服務、路側單元通過路側單元的感知能力，把動態的交通流實時展示在路端，然後基於路端，我們去做一些動態預警。
總地來説，當下中國做出行服務、交通、做自動駕駛的都離不開路。如何讓路變得聰明？
第一，要完成數字化的靜態虛擬設施建設；第二把動態的感知網絡、交通信息疊加到地圖上；第三雲控平台作為大腦來計算可能產生的交通事故，通過地圖下發或者交給交管部門進行宏觀干預，面向三大領域：個人出行助手，企業數字化物流、政府的現代化管理，最終實現各種各樣的智慧交通應用繁榮，包括動態導航、自動配送、Robotaxi等，通過眾人拾柴火焰高的方式層層疊加，把各自的能力發揮到最高，才能支持中國的數字化交通建設。
（雷鋒網） 雷鋒網