Heiko G.Seif*，胡曉龍

aInternational Management, Munich Busine ss School, Munich 80687, GermanybUNITY Business Consulting (Shanghai) Co., Ltd., Shanghai 201203, China

智能城市中自動駕駛汽車工業(yè)的關鍵挑戰(zhàn)
——高清地圖

Heiko G.Seifa,*，胡曉龍b

aInternational Management, Munich Busine ss School, Munich 80687, GermanybUNITY Business Consulting (Shanghai) Co., Ltd., Shanghai 201203, China

article info

Article history:

Received 28 April 2016

Revised 31 May 2016

Accepted 12 June 2016

Available online 23 June 2016

自動駕駛

交通基礎設施

智能城市(iCity)

Car-to-X通信系統(tǒng)

汽車通信

高清地圖

本文對未來城市中自動駕駛的必要技術進行了深入的分析，從車載電腦運算、數(shù)據(jù)處理、路邊基礎設施和云解決方案等不同方面反映了科技的發(fā)展狀況，主要對自動駕駛的核心技術——高清地圖的應用所帶來的挑戰(zhàn)進行了描述。

? 2016 THE AUTHORS.Published by Elsevier LTD on behalf of Chinese Academy of Engineering and Higher Education Press Limited Company.This is an open access article under the CC BY-NC-ND

license (http://creativecommons.org/licenses/by-nc-nd/4.0/).

1.引言

人們對自動駕駛汽車的展望已經(jīng)有很長一段歷史了。自1925年在紐約展示了無線電控制汽車的原型“Linrrican Wonder” 后[1]，自動駕駛技術就成為科幻小說的一個重要話題，并且最近，自動駕駛技術也進入了工程科學領域的研究范疇。目前，大型汽車制造企業(yè)和其他工業(yè)領域的從業(yè)者宣布了他們在未來十年內(nèi)引進完全自動駕駛汽車的決心。

自動駕駛汽車正朝著市場投入的方向邁進。這就需要在汽車和基礎設施方面都要具備一整套全面連接的，甚至系統(tǒng)整合的高端技術。自動駕駛的關鍵技術就是實時高清(HD)地圖。這項技術對自動駕駛提出了三項主要挑戰(zhàn)。

第一項挑戰(zhàn)是汽車根據(jù)周邊環(huán)境對自身進行精確定位的能力。第二項挑戰(zhàn)是解決車載傳感器覆蓋范圍外、距車頭或車四周200 m范圍內(nèi)的路況識別和反應的難題。第三項挑戰(zhàn)是汽車在行駛過程中滿足乘客和其他交通參與者的需求的能力[2]。

截止到目前，車載地圖已經(jīng)被廣泛用于導航及搜索周邊興趣點，但這些地圖的分辨率對于自動駕駛來說還是不夠精確。另外，現(xiàn)有的地圖不能滿足實時信息(也就是實時地圖)的要求，而且也不能為自動駕駛提供足夠的信息。尤其在交通密度較高的城市環(huán)境中，對安全、完全自動駕駛的要求是極高的，不僅對汽車的規(guī)格有要求，而且對基礎設施的規(guī)格也提出了很高的要求。歐洲在這一研究領域的進展概況為自動駕駛技術提供了其道路地圖的智能系統(tǒng)[3]。

本文對基于未來城市——智能城市(iCity)的高清地圖和旨在實現(xiàn)自動駕駛的應用科學研究機構(gòu)的研究進行了剖析。

2.高清地圖(HD)和自動駕駛

完全自動駕駛需要一套包括高性能傳感器和機器人技術的智能控制系統(tǒng)，且要求技術系統(tǒng)必須能夠明顯反映人類所需要的駕車能力。僅僅簡單識別道路位置對于自動駕駛來說是遠遠不夠的。自動駕駛汽車必須有檢測和規(guī)避障礙物的能力。在行駛途中，除了固定的障礙物，還包括動態(tài)移動的交通參與者，比如其他車輛(特別是在城市區(qū)域內(nèi))和脆弱的行人及騎車者。尤其在危急情況下，自動駕駛汽車的檢測和控制系統(tǒng)必須有快速反應期。自動駕駛汽車需要一系列的諸如聲納設備、立體照相機、激光傳感器、雷達和car-to-X通訊系統(tǒng)等的傳感器技術。所有這些技術都有不同的關注點，而且每種技術都有一個堪比人類五感的一項或多項特定用途。自動駕駛汽車的主要感官就是LiDAR(light detection and ranging)，即激光探測與測量，這是一個以激光為基礎的，在汽車近場環(huán)境內(nèi)探測物體的過程[4]。

圖1展示了裝備在自動駕駛汽車上的LiDAR設備采集的點云圖像。

激光探測與測量系統(tǒng)的重要性源于其準確性，其精度高達100 m，旋轉(zhuǎn)能力為360°。激光探測與測量系統(tǒng)可以以每秒超過兩百萬讀數(shù)的工作效率為自動駕駛汽車提供車身周邊環(huán)境的高分辨率信息。

自動駕駛汽車的第二個核心感官就是全球定位系統(tǒng)(GPS)，這使汽車具備了粗略定位的能力。該定位能力是最先進的導航系統(tǒng)的基礎，該系統(tǒng)擁有3D地理顯示功能，能夠顯示虛擬現(xiàn)實建筑和短時交通信息。雖然這是一項先進的技術，但是全球定位系統(tǒng)的準確度已不能滿足下一代高度自動駕駛汽車的要求了。在最理想的情況下，全球定位系統(tǒng)精確度能達到5 m；然而，自動駕駛需要的是厘米級別的精確度。

對精確度的需求意味著自動駕駛汽車必須要配備整體的附加傳感系統(tǒng)來提供汽車周邊環(huán)境的實時高分辨率圖像。雷達、超聲波傳感器和立體相機是汽車實時環(huán)境的重要“觸角”。傳感器數(shù)據(jù)和全球定位系統(tǒng)數(shù)據(jù)的融合使得汽車的定位精度保持在10 cm以內(nèi)。

圖1.一輛接近十字路口的汽車的點云圖像闡釋了由Velodyn LiDAR收集的數(shù)據(jù)的復雜性[5]

除了高精度定位以外，車輛與基礎設施、車輛與車輛直接的通信系統(tǒng)還可以提供更多的信息，從而增強對遠達1 km范圍內(nèi)的周邊環(huán)境的感知能力。通過想象，數(shù)以萬計的汽車就像相互連接的、可移動的探測設備一樣運行著，同時配備著采集傳感器數(shù)據(jù)和提供對應云解決方案的信息平臺，這必將促進新的商業(yè)化模式的創(chuàng)新。因此，奧迪、寶馬和戴姆勒等財團已經(jīng)獲得了諾基亞的衍生產(chǎn)品——HERE。這筆交易使這些汽車制造商得到了先進的導航軟件去研發(fā)下一代自動駕駛汽車。

同其他競爭者相比，HERE的優(yōu)勢在于其所收集的巨大的數(shù)據(jù)量遠超其他平臺。將每輛汽車當作一種滾動測量儀，并以此為基礎，通過應用大眾外包商業(yè)模式，利用這種邏輯逐漸提高趨向完美、不斷發(fā)展的云服務的質(zhì)量。除了HERE，羅伯特?博世有限公司(Bosch)公司，通騰導航科技(中國)有限公司(TomTom)、擁有deCarta的優(yōu)步公司，及谷歌和蘋果公司都已經(jīng)加入了追求自動駕駛汽車的隊伍。

自動駕駛技術最有前景的策略之一就是即時定位與地圖構(gòu)建(SLAM)算法的應用。整合從配備云端高清地圖數(shù)據(jù)的車載傳感器實時收集到的數(shù)據(jù)，為自動駕駛提供汽車周邊地標的虛擬圖像，從而對汽車位置及其與其他道路使用者之間的關系做出準確判定。SLAM技術對自動駕駛的計算能力和數(shù)據(jù)傳輸能力提出很高要求。目前主要的發(fā)展瓶頸如下所述：

? 數(shù)據(jù)采集：1 h的駕駛時間能產(chǎn)生相當于1TB的數(shù)據(jù)。

? 數(shù)據(jù)處理：通過高速處理設備分析收集到的1TB數(shù)據(jù)，需要花兩天時間才能處理生成可用的導航數(shù)據(jù)。

? 數(shù)據(jù)傳輸：雖然目前LTE(4G)技術已經(jīng)能夠使數(shù)據(jù)傳輸速度達到100 Mbit·s–1，但是自動駕駛技術要求數(shù)據(jù)傳輸速度達到2.2 Gbit·s–1。盡管5G技術能使數(shù)據(jù)傳輸速度達到5 Gbit·s–1，但是在2020年后該技術才能市場化。

? 延遲時間：對于實時執(zhí)行來說，延遲時間必須低于10 ms，這就要求車載系統(tǒng)具備高性能處理能力。

有關這些問題的研究現(xiàn)狀通過原型方式證明了自動駕駛技術的能力。新的從業(yè)者和研究機構(gòu)，如弗勞恩霍夫應用研究促進協(xié)會同汽車制造商和信息技術公司就考慮采用新的推進概念的解決方案展開合作[6]。對不同研究項目的進度必須要分別考慮。在全面考慮原始設備制造商(OEM)的需要列表的同時，對新的或即將誕生的科技企業(yè)要采取不同于一級汽車工業(yè)供應商的運營方式進行運營。隨著安卓或CarPlay系統(tǒng)與嵌入式系統(tǒng)的整合，新的科技企業(yè)可以以更加敏捷和靈活的方式開發(fā)自動駕駛解決方案。當然，目前此項開發(fā)仍然停留在初級階段；然而，若要實現(xiàn)完全自動化的轉(zhuǎn)變，軟件將會變成重要的驅(qū)動力。因此，為了保證能獲取關鍵知識和技術，此領域的風險投資變得越來越重要，諾基亞HERE這個案例就證實了這一點。

對目前主要的自動駕駛研究項目所取得的進展進行分析，可以得到一些有趣的結(jié)論。例如，谷歌的成果并沒有像媒體所暗示的那樣成為一個市場化的解決方案。一個小型半自動汽車車隊運行的多公里里程數(shù)據(jù)遠遠不能滿足完全自動駕駛的要求。相比之下，諾基亞HERE擁有超過400輛配備有LiDAR和2400萬像素的四臺廣角攝像頭的汽車車隊，而且已經(jīng)繪制出超過3×106km區(qū)域的地圖。研發(fā)高清地圖所需的額外數(shù)據(jù)從內(nèi)置陀螺儀和高端全球定位系統(tǒng)中獲取。這些不同數(shù)據(jù)源的數(shù)據(jù)融合由擁有高性能處理能力的傳感器數(shù)據(jù)融合設備來完成。數(shù)據(jù)的儲存要求高速硬盤擁有大量存儲空間。數(shù)據(jù)從汽車到中央云端計算機的傳輸過程是通過完整的硬盤信息交換來實現(xiàn)的。至今為止，這種方式是最快捷、最安全的。這些數(shù)據(jù)被用于描述道路情況和生成高清地圖。基于此類高清地圖，一輛完全自動駕駛的戴姆勒原型車可跨越德國完成測試。

除了依靠自動駕駛汽車的傳感器外，如果想嘗試讓汽車在交通流中做出合適的行為，那么高清地圖對自動駕駛技術的必要性就變得尤為明顯。迄今為止，還沒有一種傳感器能夠?qū)ζ囍苓叺沫h(huán)境進行準確定位和判斷。雖然一些研究項目正在研究基于量子定位系統(tǒng)的解決方案，但這些研究仍處于初步階段，而且第一代自動駕駛汽車的原型比一輛旅行車的后備箱都大。這套量子物理技術距投入使用還需要很多年的時間[7]； 所以，自動駕駛還得依靠動態(tài)高清地圖。定位的準確性可通過利用類似建筑物的地標作為參照物進行高清地圖的信息繪制來保證。依靠各種地標能夠?qū)ζ囘M行準確的定位。下一步就是在一系列汽車中完成高清地圖繪制的整合[8]。

由成千上萬輛測試車所收集的傳感器數(shù)據(jù)使得建立高精度和實時信息的動態(tài)高清地圖成為現(xiàn)實。通過這種自主學習的云端服務，最新更新的數(shù)據(jù)可通過4G蜂窩數(shù)據(jù)連接裝置被發(fā)送到所有已注冊的汽車中。加入的汽車越多，高清地圖云端解決方案就會變得越準確。

目前，第一批自動駕駛汽車原型已經(jīng)在封閉區(qū)域部署到位。為了通過自動駕駛儀運行汽車，寶馬和奧迪已經(jīng)在各個賽道上安裝了高清地圖，而且目前已經(jīng)打破好幾項單圈記錄。高清地圖同車載傳感器和控制系統(tǒng)的整合使得高性能駕駛達到極高水平[9]。

自動駕駛的下一個等級的測試是離開像賽道這樣的封閉區(qū)域，對其在公共高速道路上的自動駕駛性能進行測試，這比在城市環(huán)境下?lián)頂D的交通中的測試難度要小。高度自動駕駛(HAD)指的是自動駕駛汽車在真實的交通環(huán)境(高速公路最高速度為130 km·h–1)中安全駕駛的能力。據(jù)寶馬公司的一項最新的研究報告，像環(huán)境感知、定位、駕駛技術和汽車控制等基礎技術就是為高度自動駕駛所開發(fā)的[10]。

自動駕駛汽車的最終階段就是在無人干預的、所有可以預想到的外界環(huán)境下的完全自動駕駛。這是該項技術面臨的最大挑戰(zhàn)，特別是在道路用戶多樣和交通密度高的高度復雜的未來城市交通環(huán)境中，這種情況尤為如此。

到目前為止，這份報告主要從汽車角度思考交通運輸系統(tǒng)。然而，為了從車外角度(不管是由人還是由機器控制的汽車)解決復雜的交通狀況，就必須建立起能夠與周邊環(huán)境進行通信交互的通信系統(tǒng)。此類通信系統(tǒng)涵蓋其他交通參與者，以及交通標識和基于傳感器的路邊設施(圖2)。車輛與車輛(V2V)通信系統(tǒng)可以通過預防碰撞和提供有問題的交通狀況預警來幫助提高自動駕駛安全性。車輛與基礎設施(V2I)通信系統(tǒng)是基于促進車載隨意移動網(wǎng)絡(VANETs)的路邊基礎設施而建設的；這些長期的解決方案對為自動駕駛提供重要安全應用和服務的智能交通系統(tǒng)(ITSs)有舉足輕重的作用。雖然車載隨意移動網(wǎng)絡變得越來越令人著迷，但是當前的研究還不能在真實情況下完全有效解決車載隨意移動網(wǎng)絡技術的各種約束。

為了保證車載隨意移動網(wǎng)絡的穩(wěn)定無縫連接，最佳可用頻道的全覆蓋是必需的。目前，管理相鄰路邊單元的重疊信號是最大的挑戰(zhàn)之一。在一項綜合仿真研究中，Ghosh和他的研究團隊[11]調(diào)查了“在不同的移動環(huán)境下，隨意移動網(wǎng)絡提供無處不在的通信的可行性和優(yōu)勢。通過使用如網(wǎng)絡駐留時間(Network Dwell Time)、時間切換(Time Before Handover)和退出時間(Exit Times)等概念研究了重復效應”。車載隨意移動網(wǎng)絡研究領域的第一批研究結(jié)果表明“在城市道路和高速公路環(huán)境中，混合路由協(xié)議是車載隨意移動網(wǎng)絡的最佳選擇”[12]。

在與工業(yè)互聯(lián)網(wǎng)等專業(yè)互聯(lián)網(wǎng)業(yè)界相聯(lián)系的自動化和機器人領域中，強大的信息和通信技術是其發(fā)展的必要條件。在“充滿智能和高度互聯(lián)的智能城市”的未來發(fā)展愿景中，自動化汽車會變成網(wǎng)絡實體系統(tǒng)[13]。

路邊單元基礎設施和車載高清地圖的融合是實現(xiàn)自動駕駛非常有希望的途徑。車載節(jié)點可從實時高清地圖系統(tǒng)的車載部分獲取準確的定位和道路信息，并且可以將其提供給基于路由協(xié)議的專門的交通互聯(lián)網(wǎng)系統(tǒng)。車載隨意移動網(wǎng)絡高度動態(tài)和高速變化的網(wǎng)絡拓撲正在生成準確的汽車周邊環(huán)境的實時圖像。通過這項技術，大量的智能自動駕駛技術得以實現(xiàn)[14]。

圖2.采集實時交通運行情況的數(shù)據(jù)并同車輛進行通信的路邊設施。

對從所有測試車輛上獲取的數(shù)據(jù)進行大數(shù)據(jù)分析，可以為道路用戶和政府研究機構(gòu)提供額外的云服務。這類云服務的案例主要包括：

? 自動汽車的深度機械學習(為了在交通環(huán)境中獲得最佳表現(xiàn))；

? 智能交通控制系統(tǒng)的持續(xù)改進；

? 為污染控制開發(fā)生態(tài)路徑探測器；

? 基于監(jiān)測機制的安全保障解決方案[15]。

因此，為自動駕駛技術開發(fā)的云解決方案被認為是未來交通系統(tǒng)基礎設施建設的一部分，該系統(tǒng)將涵蓋自動駕駛汽車、路邊設施、高清地圖以及云服務高性能計算和存儲設備(圖3)。

在當前的科技發(fā)展狀況下，在智能城市中沒有一項智能移動解決方案能夠替代高清地圖。為了克服現(xiàn)存的瓶頸， 5G傳輸技術、中央(基礎設施后端)和分散(車載)的高性能運算能力及大數(shù)據(jù)解決方案是必需的[16]。

至于更深層次的挑戰(zhàn)，3D掃描技術將成為未來智能城市中自動駕駛的下一個發(fā)展階段。這里有兩種主要的獲取3D高清地圖數(shù)據(jù)的方式：第一種是為繪制高效準確的路面3D地圖而配備儀表化的、高科技的設備車輛[17]；第二種是配備類似于激光探測與測量系統(tǒng)或立體攝像機的這種輕型傳感器的無人空中車輛系統(tǒng)，為攝影測量學提供新穎平臺。這將會使3D掃描技術能夠以自動快速的數(shù)據(jù)獲取、低差錯以及密集點云圖像的方式獲取精確的3D地圖[18]。一旦開始實施自動駕駛技術，高清3D地圖將會變得尤為關鍵，特別是在像中國這樣的人口高度密集的城市。圖4展示了未來智能城市的愿景并闡釋了3D地圖繪制所面臨的挑戰(zhàn)。

3.總結(jié)

圖3.與交通相關的云服務概念。

圖4.面臨全新3D地圖繪制挑戰(zhàn)的未來智能城市[19]。

自動駕駛技術正在逐步變成現(xiàn)實。最新一代的高檔車上配備的高級駕駛輔助系統(tǒng)(ADAS)，可以讓乘客在高速公路上擁有幾秒鐘的自動駕駛體驗。這種功能的基礎是能夠掃描車周圍環(huán)境的光學和雷達傳感器，將這些掃描數(shù)據(jù)輸入到操控、加速和剎車制動器，可保障汽車在低復雜性的情形下進行自動駕駛。這是實現(xiàn)自動駕駛的第一步。當轉(zhuǎn)入到城市交通環(huán)境中時，這些傳感器所獲取的信息就不足以滿足完全自動駕駛的需求了。這就需要獲取準確的車輛位置、速度和方向以及當前交通狀況和其他交通參與者的行為等數(shù)據(jù)。這種多維信息的基礎參照就是精確度為±10 cm的高清地圖。通過更新，高清地圖能夠被增強至掃描更大范圍(約1 km范圍內(nèi))的車周環(huán)境的實時狀況。因此，高清地圖是汽車工業(yè)面臨的一項重要挑戰(zhàn)，特別是因為這個主題直到現(xiàn)在還一直沒有被當成是汽車制造企業(yè)的核心競爭力。

本文揭示了關于當前研究情況的一些背景信息，并展望了未來的發(fā)展愿景。

Compliance with ethics guidelines

Heiko G.Seif and Xiaolong Hu declare that they have no confl ict of interest or fi nancial confl icts to disclose.

[1] Stayton EL.Driverless dreams: technological narratives and the shape of the automated car.Cambridge: Massachusetts Institute of Technology; 2015.

[2] Redzic O, Rabel D.A location cloud for highly automated dr iving.In: Meyer G, Beiker S, editors Road vehicle automation 2.Switzerland: Springer International Publishing; 2015.p.49-60.

[3] Dokic J, Müller B, Meyer G.European roadmap: smart systems for automated driving.Berlin: European Technology Platform on Smart Systems Integration; 2015.

[4] Jakubiec G, Mullinix B. The use of LiDAR technology in autonomous cruise control systems for automobiles.Conference Session C10, Paper #3124; 2013.

[5] LiDAR boosts brain power for self-driving cars.Earth Imaging J [Internet].2012 Jan 24 [cited 2016 Apr 23].Available from: http://eijournal.com/resources/lidar-solutions-showcase/lidar-boosts-brain-power-for-self-driving-cars.

[6] Buechel M, Frtunikj J, Becker K, Sommer S, Buckl C, Armbruster M, et al.An automated electric vehicle prototype showing new trends in automotive architectures.In: Proceedings of 2015 IEEE 18th International Conference on Intelligent Transportation Systems; 2015 Sep 15-18; Las Palmas, Spain; 2015.p.1274-9.

[7] Marks P.Quantum positioning system steps in when GPS fails.Ne w Sci 2014;222(2969):19.

[8] Kent L.HERE introdu ces HD maps for highly automated vehicle testing [Internet].2015 Jul 20 [cited 2016 Apr 23].Available from: http://360.here.com/2015/07/20/here-introduces-hd-maps-for-highly-automated-vehicle-testing/.

[9] Sirui S.Towards autonomous driving at the limit of friction [dissertation].Waterloo: University of Waterloo; 2015.

[10] Aeberhard M, Rauch S, Bahram M, Tanzmeister G, Thomas J, Pilat Y, et al.Experience, results and lessons learned from automated driving on Germany’s highways.IEEE Intel Transp Sy 2015;7(1):42-57.

[11] Ghosh A, Vardhan V, Mapp G, Gemikonakli O, Loo J.Providing ubiquitous communication using road-side units in VANET systems: unveiling the challenges.In: Proceedings of the 13th International Conference on ITS Telecommunications (ITST); 2013 Nov 5-7; Tampere, Finland; 2013.p.74-9.

[12] Liu J, Wan J, Wang Q, Deng P, Zhou K, Qian Y.A survey on position-based routing for vehicular ad hoc networks.Tele commun Syst 2016;62(1):15-30.

[13] Seif H, Tao M.Industrial round table: Industrie 4.0 technologies and Internet of Things and services in the city of the future [presentation].In: The 3rd Sino-German CAE/acatech iCity Symposium; 2014 Oct 29-31; Wuhan, China; 2014.

[14] Kaiwartya O, Kumar S.Geocasting in vehicular adhoc networks using particle swarm optimization.In: Proceedings of the International Conference on Information Systems and Design of Communication; 2014 May 16-17; Lisbon, Portugal; 2014.p.62-6.

[15] Kehoe B, Patil S, Abbeel P, Goldberg K.A survey of research on cloud robotics and automation.IEEE Trans Autom Sci Eng 2015;12(2):398-409.

[16] Seif H.Autonomous driving in the iCity-HD maps as a key challenge of the automotive industry [presentation].In: The 4th Sino-German CAE/acatech iCity Symposium; 2015 Sep 21-22; Bremen, Germany; 2015.

[17] Moreno FA, Gonzalez-Jimenez J, Blanco JL, Esteban A.An instrumented vehicle for efficient and accurate 3D mapping of roads.Comput-Aided Civ Inf 2013;28(6):403-19.

[18] O’Neill-Dunne J.Image boost: drones produce sharper images for mapping.Roads Bridges 2015;53(9):30-2.

[19] Presskey.com [Internet].Grand Cayman: Name Administration Inc.; c2001-15 [cited 2016 Apr 23].Available from: http://presskey.com.

* Corresponding author.

E-mail address: heiko.seif@unity.de

2095-8099/? 2016 THE AUTHORS.Published by Elsevier LTD on behalf of Chinese Academy of Engineering and Higher Education Press Limited Company.

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).

英文原文: Engineering 2016, 2(2):159-162

Heiko G.Seif，Xiaolong Hu.Autonomous Driving in the iCity-HD Maps as a Key Challenge of the Automotive Industry.Engineering, http://dx.doi.org/10.1016/J.ENG.2016.02.010