what？（HD map）

數據精度為分米，甚至是cm，包含語義信息、語義信息、和時間信息的數據體

空間信息--點云地圖

語義信息--車道線、停止線、轉向路標、速度標識、人行橫道、路牙

時間信息--紅綠燈信息、早晚可變車道信息

格式？

Vector Map

lanelet 2

opendrive

Nds

(不同格式的地圖可以相互轉換)

點云如何創建原理簡單描述？

? ? ? ?輸入點云數據一般基于激光雷達坐標，激光雷達坐標系和車身坐標為一體，如果將車輛的起始位置作為地圖坐標系的原點，那么在之后運動的過程中的某些間隔均勻時刻，如果能夠準確的獲取車輛的位姿變換，就能將原本基于激光雷達的點云信息轉換到地圖坐標系下，進而就構成了點云地圖的一部分。以此往復，就會構成一張龐大的點云地圖。

車輛的位姿變換如何獲取？

RTK差分定位（成本較高，需要建立基站，不能有遮擋）

激光SLAM匹配算法（存在累計誤差，長時間使用會造成飄移）

輪速計定位（同上）

實際情況中，混合使用

工具（標注語義）信息？

Autoware tools、Unity插件版、VTD、roadrunner等

HD Map的生產流程？

數據融合->點云地圖建立（RTK投影）->降采樣去噪->語義信息標注

數據融合：一般為相機和激光雷達形成的RGB點云數據、便于車道信息的提取（有些高級激光雷達可以清晰顯示車道信息）。也有一些通過邊建圖邊語義識別路況信息的系統，目的是為了降低后面手動語義標注的工作量。

經典的slam算法

視覺slam（VIO）：orbslam、vins、svo、dso

激光slam(2d)：gmapping、hector、karto、cartographer2d

激光slam（3d）:loam系、cartographer3d、Ndt

HDmap和經典建圖算法

建圖的關鍵在于位姿變換的準確估計，對于slam來說，位姿變換的計算是通過點云特征匹配優化后得出的。

根據特征匹配行駛的分類

scan to scan：loam系

loam會根據輸入scan中的點云根據曲率大小分為平面點和邊緣點、之后的匹配優化過程也是針對當前輸入scan和上一scan的平面點和邊緣點來研究進行的，根據邊緣點的距離優化公式和平面點的距離優化公式來構造優化方程求解位姿變化量。

scan to map: Cartographer、Ndt

二者都是通過當前的scan同已經建好的map(or submap)來進行特征匹配的，和loam提取有曲率特征的點云不同、Catographer將當前scan通過hit的方式來和上一次建好的submap來進行匹配；而Ndt則是將map網格化后計算每個網格的均值方差，并通過當前的scan中的每點落在map網格中的正太分布概率來進行匹配優化的。

總結

以上是生活随笔為你收集整理的高精地图建立的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。