高精地圖：激光雷達(dá)點(diǎn)云與高精地圖融合
定位精度和更新頻率是高精定位的顯著特征。

精度與頻率：根據(jù)推算，高精定位需要實(shí)現(xiàn)≤25cm 的定位精度，更新頻率≥100Hz，因此需要在一般導(dǎo)航定位方案的基礎(chǔ)上，與激光雷達(dá)、攝像頭等感知設(shè)備相結(jié)合。

解決方案：按照定位參考系的不同，分為絕對(duì)位置與相對(duì)位置兩個(gè)維度，前者以 GNSS/ RTK 定位代表，后者結(jié)合高精地圖，以點(diǎn)云或視覺(jué)匹配為核心。

實(shí)際應(yīng)用：在實(shí)際應(yīng)用中，是兼而有之的融合方案，例如百度 Apollo 以 GNSS 定位與點(diǎn)云匹配定位相融合，最終輸出一個(gè) 6 自由度的位置和姿態(tài)信息。
實(shí)現(xiàn)該定位方案的三個(gè)關(guān)鍵環(huán)節(jié)：
? 高精地圖的絕對(duì)坐標(biāo)精度，以及包含道路信息的豐富、細(xì)致程度；
? 攝像頭、激光雷達(dá)等設(shè)備的感知能力；
? 匹配算法的性能。此外還有不依靠高精地圖支持，單純通過(guò)視覺(jué)里程算法實(shí)現(xiàn)定位的思路。據(jù)高德高精地圖團(tuán)隊(duì)谷小豐透露，高德基于“激光雷達(dá)+攝像頭”的相對(duì)位置定位方案，能夠?qū)崿F(xiàn)平均誤差 9cm 的定位精度。
相對(duì)位置與絕對(duì)位置代表，思考高精定位的不同視角，在實(shí)際運(yùn)用中是兼而有之。自動(dòng)駕駛汽車在實(shí)際行駛過(guò)程中，會(huì)遭遇各種路況環(huán)境，比如衛(wèi)星信號(hào)中斷、視線模糊、激光雷達(dá)反射遮擋等，以及尚未遭遇到的“長(zhǎng)尾案例”。為實(shí)現(xiàn) L3 及更高級(jí)別的自動(dòng)駕駛，僅僅依靠某一定位方案遠(yuǎn)遠(yuǎn)不夠，而需要多傳感器、多系統(tǒng)的融合定位方案。
相對(duì)位置：點(diǎn)云匹配與視覺(jué)定位
絕對(duì)位置定位以地球?yàn)閰⒖枷?#xff0c;相對(duì)位置定位以當(dāng)前駕駛場(chǎng)景為參考系。相對(duì)位置定位思路，與人類駕駛過(guò)程更為類似：人類駕駛員在駕駛過(guò)程中，通過(guò)視覺(jué)觀察周圍場(chǎng)景中的物體，包括建筑、路緣、標(biāo)志線等，經(jīng)過(guò)比對(duì)判斷車輛，在當(dāng)前場(chǎng)景中的位置。
類似地，自動(dòng)駕駛汽車通過(guò)高清攝像頭、激光雷達(dá)等感知設(shè)備獲取周圍場(chǎng)景內(nèi)物體的圖像或反射信號(hào)，與事先采集的高精地圖數(shù)據(jù)，進(jìn)行匹配，從而獲取對(duì)車輛當(dāng)前位置的精確估計(jì)。
相對(duì)位置定位可以分為（激光雷達(dá)）點(diǎn)云匹配和視覺(jué)定位兩大技術(shù)路線。點(diǎn)云匹配以激光雷達(dá)為核心：激光雷達(dá)向外發(fā)射激光脈沖，從地面或物體表面反射，形成多個(gè)回波，返回到激光雷達(dá)傳感器，經(jīng)處理后的反射數(shù)據(jù)稱為點(diǎn)云數(shù)據(jù)。
采集到的點(diǎn)云數(shù)據(jù)與高精地圖進(jìn)行匹配，以實(shí)現(xiàn)汽車在當(dāng)前場(chǎng)景的高精定位，目前主流的匹配算法，包括概率地圖與 NDT （正態(tài)分布變換）算法兩種，代表玩家如 Google、HERE、TomTom。
視覺(jué)定位以攝像頭為核心，分為兩種路徑：視覺(jué)匹配與視覺(jué)里程定位。視覺(jué)匹配通過(guò)提取圖像中的道路標(biāo)識(shí)、車道線等參照物體與高精地圖進(jìn)行匹配，實(shí)現(xiàn)精準(zhǔn)定位，代表玩家如特斯拉、Mobileye、英偉達(dá)。基于視覺(jué)里程算法的定位技術(shù)，以雙目攝像頭為主，通過(guò)圖像識(shí)別，以及前后兩幀圖像之間的特征關(guān)系，計(jì)算車輛當(dāng)前位置。
但該方案依賴攝像頭的成像質(zhì)量，在光線不佳、視線遮擋等環(huán)境下定位可靠性有待考量，一般不會(huì)單獨(dú)使用。不管是點(diǎn)云匹配還是視覺(jué)定位，在實(shí)際運(yùn)用中，都并非單純依靠某一種感知設(shè)備，而是實(shí)現(xiàn)包括 GNSS/RTK 定位、IMU、雷達(dá)在內(nèi)多套子系統(tǒng)的融合。
絕對(duì)位置與相對(duì)位置互為結(jié)合，互為補(bǔ)充
高精度定位由多個(gè)定位導(dǎo)航子系統(tǒng)交叉組成，彼此之間相互冗余。按照百度 Apollo的劃分，適用于自動(dòng)駕駛汽車的定位技術(shù)，可由六部分組成，分別為：慣性導(dǎo)航（定位）、衛(wèi)星定位、磁力導(dǎo)航（定位）、重力導(dǎo)航（定位）、激光點(diǎn)云定位、視覺(jué)定位。不同部分之間優(yōu)勢(shì)互補(bǔ)，定位結(jié)果之間相互重疊以矯正誤差，提高定位精度和魯棒性。

地面標(biāo)識(shí)種類繁多：實(shí)際場(chǎng)景中地面標(biāo)識(shí)種類繁多，在內(nèi)容、顏色、形狀、尺寸等方面均有不同分布。
顏色：比如黃色、紅色、白色等
形狀：箭頭形、各種文字?jǐn)?shù)字形狀、條形、多條形、面狀、丘狀等
尺寸：國(guó)標(biāo)定義的標(biāo)準(zhǔn)箭頭長(zhǎng)度為9m，但也存在1m~2m甚至1m以下的地面標(biāo)識(shí)元素，尤其減速帶，人行道等，尺寸差異會(huì)更大，反映到圖像中像素個(gè)數(shù)，以及長(zhǎng)寬比，均會(huì)有較大差異。

圖1. 部分地面標(biāo)識(shí)
磨損壓蓋多：地面元素長(zhǎng)年累月受車輛、行人等碾壓會(huì)造成磨損，經(jīng)常存在的堵車等場(chǎng)景，更是加大了地面要素被遮擋的可能。從激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)，由相機(jī)獲取的可見(jiàn)光圖像數(shù)據(jù)的質(zhì)量，均參差不齊，對(duì)地面標(biāo)志識(shí)別，帶來(lái)了極大的挑戰(zhàn)。
常見(jiàn)的問(wèn)題如下所示，示例如圖2所示。
地面標(biāo)識(shí)磨損：地面標(biāo)志由于磨損褪色、掉漆導(dǎo)致不完整或者嚴(yán)重不清晰
采集環(huán)境問(wèn)題：遮擋(施工、車輛)、由于環(huán)境改變引起的材料激光反射率差異，可見(jiàn)光不清晰（雨天、逆光等）。

圖2. 自然場(chǎng)景下拍攝的地面標(biāo)識(shí)
4. 識(shí)別起步
地面標(biāo)識(shí)識(shí)別，將地面標(biāo)識(shí)這部分區(qū)域提取出來(lái)，則最直觀的是對(duì)其進(jìn)行閾值分割、骨架提取、連通域分析等傳統(tǒng)方法。首先獲取點(diǎn)云中地面點(diǎn)集合，接著獲取集合中高反射率部分的骨架集合，然后對(duì)每個(gè)局部骨架區(qū)域，計(jì)算強(qiáng)度截?cái)嚅撝?#xff0c;最后對(duì)區(qū)域進(jìn)行連通區(qū)域搜索，以及附加降噪措施等。
另外也嘗試了GrabCut等算法在地面標(biāo)志上的提取，GrabCut算法對(duì)前景和背景分別聚類，得到k組類似的像素集合，對(duì)前景和背景，分別進(jìn)行高斯混合模型（GMM）建模，判斷像素屬于地面標(biāo)志還是背景。在提取疑似地面標(biāo)識(shí)區(qū)域后，再經(jīng)過(guò)機(jī)器學(xué)習(xí)模型（SVM等），進(jìn)行細(xì)分類以獲得更好的識(shí)別效果。

圖3. 傳統(tǒng)提取方法識(shí)別結(jié)果
由上圖可以看到，對(duì)于一些前后景區(qū)分比較好的地面標(biāo)識(shí)提取的比較好，但是針對(duì)有磨損、模糊、前景背景相似、背景復(fù)雜等情況均效果欠佳，容易漏召回且位置精度不高，魯棒性不強(qiáng)。

5.深度學(xué)習(xí)時(shí)代
2012年Hinton團(tuán)隊(duì)提出的Alexnet網(wǎng)絡(luò)，贏得了2012年圖像識(shí)別大賽冠軍，相比傳統(tǒng)方法獲得顯著提升，CNN在圖像領(lǐng)域有了明顯優(yōu)勢(shì)。近幾年，基于深度學(xué)習(xí)的檢測(cè)識(shí)別技術(shù)，得到了很大發(fā)展。
深度學(xué)習(xí)時(shí)代是數(shù)據(jù)和硬件驅(qū)動(dòng)的時(shí)代，結(jié)合部分人工標(biāo)注以及自動(dòng)化生成，擁有百萬(wàn)級(jí)的數(shù)據(jù)，而且各種場(chǎng)景的數(shù)據(jù)還在不斷豐富，結(jié)合算法探索與創(chuàng)新，取得了越來(lái)越好的技術(shù)與業(yè)務(wù)效果。
目前檢測(cè)識(shí)別技術(shù)主要分為兩大方向：Two-Stage(如RCNN系列)和One-stage(SSD、YOLO等)。Two-Stage網(wǎng)絡(luò)優(yōu)勢(shì)在于效果整體較好，識(shí)別位置較精確，對(duì)小目標(biāo)檢測(cè)也有一定的競(jìng)爭(zhēng)力。
One-stage檢測(cè)識(shí)別方法優(yōu)勢(shì)，在于處理速度較快。高精地圖不僅需要較高的識(shí)別性能、也需要有足夠高的識(shí)別位置精度，選擇了準(zhǔn)確率較高的Two-stage大方向。

1）R-FCN檢測(cè)
結(jié)合位置敏感得分圖（position-sensitive score map）和位置敏感降采樣（position-sensitive roi pooling）等操作，R-FCN算法在目標(biāo)檢測(cè)識(shí)別上，獲得了較高的性能和位置精度，選擇了R-FCN檢測(cè)算法，實(shí)現(xiàn)對(duì)地面標(biāo)識(shí)的檢測(cè)識(shí)別。

R-FCN算法基于深度學(xué)習(xí)的方法，通過(guò)學(xué)習(xí)大量實(shí)際場(chǎng)景樣本，在泛化性上取得了比較大的提升，自動(dòng)化識(shí)別，對(duì)于不同場(chǎng)景的識(shí)別能力有所提高，地面標(biāo)識(shí)召回率，得到了較大的改善。算法示意圖如下所示：

圖4. R-FCN算法示意圖
以下為一些地面標(biāo)識(shí)檢測(cè)識(shí)別示例：

圖5. R-FCN算法地面標(biāo)識(shí)識(shí)別示例
引入深度學(xué)習(xí)，極大的改善了高精地圖地面標(biāo)識(shí)，自動(dòng)識(shí)別的性能，地面標(biāo)識(shí)召回得到了很大提升，美中不足，R-FCN存在著一個(gè)弊端，輸出的最終檢測(cè)位置，基于地面標(biāo)識(shí)類別的得分，往往得分最高的位置，不一定跟實(shí)際位置最貼合，在位置預(yù)測(cè)精度上，R-FCN并不完美。
2）級(jí)聯(lián)檢測(cè)器
隨著深度學(xué)習(xí)的發(fā)展，業(yè)界對(duì)目標(biāo)檢測(cè)識(shí)別位置精度的要求不斷提高，更多高精度檢測(cè)識(shí)別算法被提了出來(lái)，如Iou-Net等。
適時(shí)采用了更加先進(jìn)的識(shí)別算法，獲得更加精準(zhǔn)的位置精度，滿足產(chǎn)線業(yè)務(wù)需求，結(jié)合級(jí)聯(lián)檢測(cè)，利用Deformable-Conv自適應(yīng)感受野等技術(shù)，提升算法識(shí)別精度。
算法不同于傳統(tǒng)算法，對(duì)roi進(jìn)行一次預(yù)測(cè)回歸，得到最終位置，而是通過(guò)級(jí)聯(lián)的形式，不斷修正預(yù)測(cè)的位置和實(shí)際位置的偏差，每經(jīng)過(guò)一個(gè)級(jí)聯(lián)回歸器，算法識(shí)別結(jié)果均會(huì)更加貼合真值，非常有利于提高識(shí)別精度，契合高精地圖，對(duì)目標(biāo)位置精度的高要求，最后在召回和位置精度上，達(dá)到更好的效果。

圖6.級(jí)聯(lián)檢測(cè)算法原理圖
以下為一些算法識(shí)別結(jié)果示例：

圖7. 級(jí)聯(lián)檢測(cè)算法識(shí)別示例
通過(guò)引入級(jí)聯(lián)形式的檢測(cè)識(shí)別模型，令高精產(chǎn)線自動(dòng)識(shí)別能力，在識(shí)別精度上，得到了不錯(cuò)的提升，但對(duì)自動(dòng)識(shí)別位置精度提升的挖掘是無(wú)止盡的，有了以下的方案。
3）級(jí)聯(lián)檢測(cè) + 局部回歸
設(shè)想一下，如果在地面標(biāo)識(shí)區(qū)域，進(jìn)行局部的位置回歸，網(wǎng)絡(luò)就能夠聚焦到更加細(xì)微的地面標(biāo)識(shí)區(qū)域，最終得到更加接近邊界的位置。結(jié)合實(shí)際在做地面標(biāo)志識(shí)別時(shí)，將容易造成精度問(wèn)題的部分單獨(dú)做位置精修，得到了更加精細(xì)的位置。
以下為部分算法識(shí)別結(jié)果示例：

圖8. 算法識(shí)別示意圖
采用檢測(cè)+回歸技術(shù)方案，實(shí)現(xiàn)了更加好的位置檢測(cè)精度，讓離“真實(shí)世界”更進(jìn)了一步。其缺點(diǎn)是技術(shù)方案流程較長(zhǎng)，不夠簡(jiǎn)潔美觀。
4）基于角點(diǎn)的檢測(cè)
基于角點(diǎn)回歸的目標(biāo)檢測(cè)方法，使用單個(gè)卷積神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)兩組熱力圖，表示不同物體類別的角的位置，將目標(biāo)邊界框檢測(cè)為一對(duì)關(guān)鍵點(diǎn)（即邊界框的左上角和右下角），每個(gè)檢測(cè)到的角點(diǎn)的嵌入向量。角點(diǎn)用于確定目標(biāo)位置，嵌入向量用于對(duì)屬于同一目標(biāo)的一對(duì)角點(diǎn)，進(jìn)行分組。
此種方法簡(jiǎn)化了網(wǎng)絡(luò)的輸出，通過(guò)將目標(biāo)檢測(cè)為成對(duì)關(guān)鍵點(diǎn)，消除了現(xiàn)有的檢測(cè)器設(shè)計(jì)中，對(duì)特征層需要大量anchors的弊端，大量anchors造成了大量的重疊，以及正負(fù)樣本不均衡。同時(shí)為了產(chǎn)生更緊密的邊界框，網(wǎng)絡(luò)還預(yù)測(cè)偏移，以精細(xì)調(diào)整角點(diǎn)的位置。通過(guò)預(yù)測(cè)熱力圖、嵌入向量、偏移，最終得到了精確的邊界框。

圖 9 角點(diǎn)檢測(cè)示意圖
由于在檢測(cè)任務(wù)中，需要獲取相同尺寸的特征圖，對(duì)目標(biāo)進(jìn)行位置回歸、類別分類等，算法會(huì)進(jìn)行量化，降采樣等操作，不可避免會(huì)有精度上的損失。這個(gè)弊端帶來(lái)的最大影響，就是經(jīng)由檢測(cè)回歸出的位置不夠魯棒，在某些情況下，出現(xiàn)或多或少的偏移。
5）級(jí)聯(lián)檢測(cè) + 分割精修
隨著語(yǔ)意分割技術(shù)的不斷成熟，基于深度學(xué)習(xí)的語(yǔ)意分割，已經(jīng)能夠?qū)⑤斎雸D像，進(jìn)行像素級(jí)的分類，精度也越來(lái)越高，圖片中要素的輪廓越來(lái)越精細(xì)。
采用以resnet 為主干的分割模型，結(jié)合了自適應(yīng)感受野、多尺度融合、Coarse-Fine融合、感興趣區(qū)域注意力機(jī)制等技術(shù)，實(shí)現(xiàn)了對(duì)地面標(biāo)識(shí)的像素級(jí)分割。
為了獲取地面標(biāo)識(shí)的實(shí)體信息，仍然用檢測(cè)來(lái)確定地面標(biāo)識(shí)大致位置，最終由對(duì)應(yīng)區(qū)域的地面標(biāo)識(shí)分割語(yǔ)義信息，獲取最終精確的地面標(biāo)識(shí)位置。

圖10.地面標(biāo)識(shí)分割示意圖
以下為部分檢測(cè)結(jié)合精修示例圖：

圖11. 分割精修示例
語(yǔ)義分割的引入，使得地面標(biāo)識(shí)的識(shí)別位置精度，得到了改善，解決了由檢測(cè)帶來(lái)的，識(shí)別位置精度不魯棒的問(wèn)題，使得高精地圖地面標(biāo)識(shí)自動(dòng)化效果，上了一個(gè)新的臺(tái)階。
但是這種方法稍顯繁瑣，而且檢測(cè)和分割任務(wù)，需要耗費(fèi)大量GPU資源，一張圖片，需要同時(shí)多次GPU運(yùn)算，加上后續(xù)的CPU后處理融合，才能夠得到最終的結(jié)果，如果能夠?qū)⑦@些步驟優(yōu)化，必然能夠簡(jiǎn)化流程，節(jié)省大量運(yùn)算資源。
6）PAnet
基于以上考慮，采用了基于PAnet的檢測(cè)識(shí)別算法。傳統(tǒng)的實(shí)例分割模型，各層中的信息傳播不夠充分。PAnet較好的解決了這些問(wèn)題，充分融合了coarse、fine特征，不僅有自頂向下的特征融合，還結(jié)合了自底向上的特征融合，在高層特征中，充分融合進(jìn)了底層的強(qiáng)定位特征，解決了淺層特征信息丟失的問(wèn)題。
結(jié)合了自適應(yīng)特征降采樣，將不同特征層進(jìn)行融合提取roi特征做預(yù)測(cè)，添加額外mask前景背景分類分支，使得預(yù)測(cè)mask更加精確，結(jié)合對(duì)于目標(biāo)檢測(cè)位置精度，有比較大的收益。分割和檢測(cè)任務(wù)結(jié)合，能夠互相促進(jìn)取得更好的結(jié)果。

圖 12 PAnet 示意圖
以下為一些算法的識(shí)別結(jié)果示例。可以看到，算法對(duì)部分磨損模糊的地面標(biāo)識(shí)，也有了一定的寬容度，位置精度有了巨大的改善。（圖中地面標(biāo)識(shí)外框?yàn)闄z測(cè)得到的大概位置，內(nèi)框?yàn)楦鶕?jù)像素級(jí)分割得到的位置，取內(nèi)框?yàn)榈孛鏄?biāo)識(shí)最終位置）。

圖 13 檢測(cè)識(shí)別實(shí)例
采用上述方案，需要將點(diǎn)云投影為2D空間，中間有一定的歸一化量化操作，不可避免的會(huì)損失一些信息，在一些點(diǎn)云反射率較低的地方，容易造成目標(biāo)丟失。如果能夠在原始3維點(diǎn)云上，提取這些問(wèn)題就迎刃而解。
7）基于3維點(diǎn)云的目標(biāo)檢測(cè)
基于上面的考慮，探索原始點(diǎn)云上的3D物體檢測(cè)，3D點(diǎn)云識(shí)別，各種真實(shí)世界應(yīng)用的一個(gè)重要組成部分，如自主導(dǎo)航、重建、VR/AR等。與基于圖像的檢測(cè)相比，激光雷達(dá)提供可靠的深度信息，可以用于精確定位物體，表征形狀。
探索了多種3維點(diǎn)云識(shí)別算法，比如基于bird-view、voxel等的3維點(diǎn)云識(shí)別。由于PointRCNN在原始3維點(diǎn)云目標(biāo)檢測(cè)上的良好表現(xiàn)，采用基于PointRCNN的方法，提取地面標(biāo)識(shí)，整個(gè)檢測(cè)框架包括兩個(gè)階段：第一階段將整個(gè)場(chǎng)景的點(diǎn)云分割為前景點(diǎn)和背景點(diǎn)，自下而上的方式，直接從點(diǎn)云生成少量高質(zhì)量的3D proposal。
第二階段在規(guī)范坐標(biāo)中，修改候選區(qū)域獲得最終的檢測(cè)結(jié)果，將每個(gè)proposal經(jīng)池化后，轉(zhuǎn)換為規(guī)范坐標(biāo)，以便更好地學(xué)習(xí)局部空間特征，同時(shí)與第一階段中全局語(yǔ)義特征相結(jié)合，用于預(yù)測(cè)Box優(yōu)化和置信度預(yù)測(cè)。

圖 14 3維點(diǎn)云檢測(cè)
7. 效果與收益
大數(shù)據(jù)的支撐使得算法，擁有更好的魯棒性與識(shí)別能力。結(jié)合算法中各種策略，以及多種數(shù)據(jù)源（點(diǎn)云、可見(jiàn)光等），在不斷提升地面標(biāo)識(shí)識(shí)別精度，其位置精度在Ground Truth 5cm范圍區(qū)間內(nèi)達(dá)到99%以上，召回也達(dá)到了99.99%以上，各項(xiàng)指標(biāo)都得到了穩(wěn)步提升。
上述方案已經(jīng)正式上線，并處理了大量數(shù)據(jù)，準(zhǔn)召率都達(dá)到了生產(chǎn)作業(yè)的要求，同時(shí)算法對(duì)人工作業(yè)產(chǎn)線的效率提升，作用日益提高。以下是部分效果圖：

圖15. 地面標(biāo)識(shí)檢測(cè)效果圖
8. 總結(jié)
高精地圖被稱作自動(dòng)駕駛系統(tǒng)的“眼睛“，與普通地圖最大的不同點(diǎn)，在于使用主體不同。普通導(dǎo)航地圖的使用者是人，用于導(dǎo)航、搜索，而高精地圖的使用者是計(jì)算機(jī)，用于高精度定位、輔助環(huán)境感知、規(guī)劃與決策。高精地圖對(duì)地圖要素，不僅需要極高的召回率，還需要非常高的位置精度。
高精地圖中要素的識(shí)別，對(duì)技術(shù)提出了比較高的要求，縱觀整個(gè)高精地圖產(chǎn)業(yè)發(fā)展，地圖制作逐漸從純?nèi)斯?#xff0c;過(guò)渡到半自動(dòng)乃至全自動(dòng)。期間識(shí)別技術(shù)，也不斷得到發(fā)展與完善，從手動(dòng)構(gòu)造特征到自動(dòng)特征、從2維識(shí)別到3維以及更高維識(shí)別、從單源識(shí)別到多源融合等。
目前，高精地圖多采用人工作業(yè)，人工作業(yè)質(zhì)量和效率始終是一個(gè)矛盾點(diǎn)，相比之下，機(jī)器自動(dòng)識(shí)別，有著更高的效率、更低的作業(yè)成本，不亞于人工的作業(yè)質(zhì)量。自動(dòng)識(shí)別的應(yīng)用，必將加速高精地圖構(gòu)建，推動(dòng)高精地圖產(chǎn)業(yè)發(fā)展。高精度地面標(biāo)識(shí)識(shí)別技術(shù)，已經(jīng)在高德高精地圖內(nèi)部得到應(yīng)用，有效提升了數(shù)據(jù)制作效率與制作質(zhì)量，為高德構(gòu)建高精地圖，提供堅(jiān)實(shí)的技術(shù)支撐。

參考鏈接：
http://news.eeworld.com.cn/mp/ICVIS/a95793.jspx
https://www.cnblogs.com/amap_tech/p/11857909.html

總結(jié)

以上是生活随笔為你收集整理的高精地图：激光雷达点云与高精地图融合的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。