共计 2159 个字符，预计需要花费 6 分钟才能阅读完成。
2020 云栖大会于 9 月 17 日 -18 日在线上举办，阿里巴巴高德地图携手合作伙伴精心组织了“智慧出行”专场，为大家分享高德地图在打造基于 DT+AI 和全面上云架构下的新一代出行生存服务平台过程中的思考和实际，并重点分享了「高精地图、高精算法、智能时空预测模型、主动驾驶、AR 导航、车道级技术」等话题。
「高德技术」把讲师分享的次要内容整顿成文并陆续公布进去，本文为第 2 篇。
阿里巴巴高级地图技术专家王前卫分享的话题是《AR& 车道级导航技术演进与实际》。他为大家介绍了这些畛域的核心技术、阶段成绩及将来方向。
王前卫次要分享了三局部的内容：
- 技术背景
- 以后停顿
- 核心技术
以往，高德通过全球卫星定位系统和数字化的电子地图为用户提供了一款路线级的导航服务，帮忙用户方便快捷的达到目的地。当初通过引入更能了解环境，感知环境的视觉感知零碎，以及通过引入更贴近事实，更精密的车道级数据，为用户精心打造了一款基于实景的车道级导航产品。它能为用户带来一种全新的导航体验，做到所见即所得。
这款产品蕴含哪些性能呢？AR 导航通过视频加强技术实现了疏导信息与事实世界更完满的贴合，为用户提供简略易懂的方向性指引。这样用户再也不会因为走到简单路口而走错路；在间隔路口较近，且用户行驶在非正确的车道上时，高德 AR 导航也能进行及时精确的变道揭示；在路口等红绿灯的时候，帮忙用户实时察看周边环境，及时揭示用户，红灯已变绿灯，或者前车曾经启动。AR 导航性能一经上线就取得了用户的好评。
核心技术揭秘
高德 AR 导航须要具备三方面的能力：
- 对周边环境实时的感知能力
- 车道级的高精定位能力
- 路线数据的精细化表达能力
环境实时感知
在环境感知上，高德 AR 导航抉择了老本较低但目前应用宽泛的视觉技术，通过深度学习算法来感知四周的环境。其中最大的挑战在于如何设计一款轻量化的深度学习模型，既能在低算力的设施上实时运行，同时能保障较高辨认精度。高德次要在三个方面进行了优化：
第一，在数据上，高德采纳了海量多源大数据的交融和提取来保障训练样本的多样性和覆盖度；第二，在算法上，次要通过优化网络模型，特色共享等办法来保障算法的准确度；第三，在性能上，通过常识蒸馏，模型的量化算法，多任务的跟踪等办法来保障在低算力上能流畅运行。
高精定位
GPS 定位精度有余，信号烦扰大，特地是在遇到城市森林或者是天气不好的时候，会产生信号漂移、精度无奈保障。目前精度有余曾经成为大多数导航产品用户体验晋升的瓶颈。基于此，高德提出了一种基于云端一体化视觉定位技术，基于端上图像，联合云端视图大数据，通过神经网络回归出设施相对位姿。与此同时，通过端上辨认车道线、路线边际等标识，进行绝对定位。最终联合时空一致性，进行云和端的交融，大幅晋升了定位精度，将定位误差晋升了一个数量级。
在没有网络的时候，如何应用高精度定位呢？基于老本较低的 GPS、惯导和视觉传感器，高德设计研发了多源紧耦合 SLAM（MT-SLAM）技术，通过算法的深度交融实现低成本高精度的地位姿势预计，为高精地图众包采集、车道级 AR 导航等业务提供很好的能力撑持。其绝对地位精度 30cm 占比在 82% 以上。
地位姿势的晋升，次要是依据 GNSS 不同信息的精度个性，采纳分层紧耦合的交融框架，对信息充分利用，同时思考静止束缚，在缩小优化维度的同时也进步精度；依据理论场景的精度特点，缩减内层优化对象，来晋升优化效率；依据协方差利用场景，采纳增量递归的形式晋升协方差复原效率。
在理论的用户场景中，定位遇到的环境是比较复杂的，在实现形式上，有的是基于手机 RTK 技术，有的是基于视觉传感技术。在不同场景下，有的须要规范精度定位，也有的须要高精度的定位能力。
如何降低成本，晋升效率，以老本最小化的形式来实现一体化定位技术利用和落地呢。高德设计了一套高精 / 高标一体化交融定位系统。基于成熟的差分卫星定位或环境语义信息，构建轻量化的高精定位能力，并且和标精的导航定位联合造成一体化的交融定位引擎，满足主动驾驶、车道级导航等不同业务的须要。
一体化定位引擎，已具备残缺的路线级标精、车道级高精定位能力，高精、标精定位后果独立输入又互相关联，为导航和主动驾驶联动提供便当，确保在全场景下的定位后果输入，保障定位连续性。
路线数据的精细化表白
当初有了车道级高精的定位，也有了对周边环境的实时感知，最初还须要思考的是如何把规范精度数据表白得更加精密，如何通过建设路线模型，使疏导信息的表白更加贴近事实场景。
大家首先能想到的是通过高精数据。高精数据的厘米级精度，的确能更实在的反映真实世界。然而，为了谋求低成本，高笼罩，高德抉择了利用规范数据精度，加上路线属性信息，通过算法来构建高精路线数据模型。
高德次要通过两个方面来进行模型构建，一是路线的模型，次要是利用 SD 的形点数据，联合路线的车道属性信息，通过对路口的切分、建模、还原等算法来建设路线的三维模型。二是实景中的疏导信息展现，次要利用布局门路信息和疏导信息，联合实时的路线图像特征提取信息，再加交融的高精定位，在不同的场景下来别离构建对应的疏导线模型。
目前高德的这套模型构建算法，已在理论我的项目中落地。其车道级三维模型曾经可能很好的反映真实世界，更加迫近事实世界；其 AR 导航的批示疏导的铺路线和疏导线，在绝大多数场景曾经做了和实景路线的贴合。
