众包模式下的高精地图测绘技术该何去何从？中(4)

　　终端最开始核心是定位，还需要感知识别，它首先需要图像数据的感知，最好的方法是利用AI深度学习的处理方法，实质就是将非结构化图像数据转化为结构化数据，包括识别的特征、物体的种类、位置和姿态等等。非结构化数据，比如行车记录仪的视频数据，包括数据采集、数据压缩和数据存储；而最终的结构化数据，包括了初步识别的结果，如交通标志的识别结果、车道线等。

　　对于转化的过程，都是深度学习来做的。我们所需要样本的训练过程以及针对性的样本模型，相信大家都比较熟悉这些工作了，我就不展开讲了。

　　这里也简单地说明一下，在做深度学习时，首先需要标注，需要一些标注的数据来进行最后的推理和使用。这些标注的工作是由大量的人工和半自动化的方式来实现的，有的可以利用开源的数据集来训练，也有模型能够自动地生成部分的数据，包括人工的筛选用来表示对错的一些标识。这些工作在业内也有专门的公司会帮我们来做。

　　同时，标注的类型我们可以分为物体级别标定、物体属性标定以及物体像素级别的标定，可以根据实际的需要来进行选择。

　　接下来我们看一下管端，众包数据不可能都在终端完成，因此它需要把数据传到云端，在管端主要是通讯，通讯方面我们可以看几个数据,首先是原始感知数据，如果要把原始数据全部传到云端，在高速公路经过SLAM或其他特征提取后大概是50兆/公里，如果要将非常完整的激光点云往上传，一公里大概都需要一个G的数据，而整个全国高速估计得要TB级了,因此云端是不需要这么庞大的数据的，我们只需要将矢量化的数据往上传，矢量化的数据在高速公路基本上每公里可以做到10KB的数据量。

　　在管端，除了通讯，还需要关注数据传输的协议。目前主要流行的协议是ADASIS协议，同时还需要关注它的信息安全，未来的5G和V2X的发展也会给通讯带来革命性的变化。

　　上图的下面有两幅小图，可以看到车跟车之间的通讯、车和路以及车和人之间的交互的数据，这些都会成为我们未来新众包数据的来源，可以用于实时交通信息的数据获取。

　　接下来我们要看看云端要。在云端，主要利用AI机器学习以及大数据处理等技术，从海量众包数据中获得有效的信息，为高精度地图的生成和构建做准备。对不同类型的众包数据，处理方法会不一样。对轨迹数据我们要遵从经典的数据挖掘的方法，包括数据清洗、配准、挖掘等过程。挖掘的算法也有很多，在左边我们也写了很多算法，大家可以去了解一下，包括相似定义算法、以时间聚焦的轨迹聚类。

　　在进行机器学习和大数据清洗处理之后，就可以进行构建地图了。上图是地图生成和构建的基本流程。我们将得到识别出的道路边线的形状以及地物类的位置属性，这是我们的输入，但是这并不是我们所说的高精度地图，我们还要进行专业化的地图生成和构建，其中包括点线融合、形状点一次构建、拓扑构建，在这个基础上，再进行形状点二次构建，增强它的几何形状，使二阶更加光滑，并计算出它的坡度曲率，然后再构建出车道的模型以及静态标志融合等多个步骤。

　　其中拓扑构建指的是道路和车道间的连通性关系。车道模型构建中需要根据形状的信息生成高精度的坡度、曲率和ADAS数据。