演讲嘉宾简介：任小枫，高德地图首席科学家。
以下内容根据演讲视频以及PPT整理而成。
观看回放(戳我）
本次分享主要围绕以下三个方面：
一、高德地图简介
二、用算法连接世界
三、用算法创造出行未来
>>> 点击下PPT
一、高德地图
高德地图已经变成了国民级的出行工具，每日日活用户已经超过1亿，月活用户已经超4亿。高德地图服务还包括信息服务、驾车导航、共享出行、智慧公交、智慧景区、骑行、步行、长途出行等等。高德地图不光是个导航，更多的是一个互联网基础设施。淘宝是建立人与商品的关系，支付宝是建立人和资金的关系，高德地图是建立人与位置的关系，更进一步则是建立人与真实世界的关系。高德地图的使命是连接世界，让出行更美好。事实上，高德地图的APP只是大家所看到的冰山的一角，但在高德地图背后还有很多工作，如定位、路径规划、路况、ETA、网约车、货运、LBS游戏、供需+路径规划等等，这些工作都需要很多技术的支持。
二、用算法连接世界
1.地图制作
地图制作是一个非常复杂的过程。如下图，首先需要进行资料的采集，再通过算法进行自动识别。当然目前自动识别还无法达到全自动的程度，还需经过人工修正才能进入地图服务中。
地图制作算法类型：地图制作算法大致分为两类，一类是道路标志识别，如识别下图中的限速和禁停标志。除道路信息之外，还有POI挂牌识别算法，即Point of Interest，识别路边的店铺等兴趣点。两类算法的实现在现实场景中都面临着很多的挑战。
道路标志识别：以下图中的道路标志识别为例，首先需要通过目标检测算法将里面的标志进行识别。对所识别标志进行细分类，识别出是禁行标志。再进行文字识别，识别出具体的内容是长途客车，时间在2:00到5:00间。大体看起来道路标志识别的流程好像很简单，但实际实现过程中会遇到各种各样的困难。
道路标志识别挑战：
（1）道路标志种类繁多，如下图中所列出来的标志，这还不是全部的标志。如此多的道路标志给所识别标准细分类任务带来了很大的挑战。
（2）图像质量问题也会对道路标志识别带来较大的难题。图像问题包括畸变、反光、遮挡、分辨率较低、图像压缩等等。其成像质量由于光线、天气的影响会变得非常糟糕。
解决图像畸变问题相当于相机自标定的过程。其中，相机的内参如焦距、中心、畸变等，外参如位置、角度等都是未知的。标准图像的标定算法需要拿到每个相机进行标定，实现起来并不现实。此时通过多源图像匹配的手段，通过利用质量较好的相机，可以在相当程度上解决相机自标定的问题。
此外，我们可以用图像质量增强的方法来解决图像质量问题。下图中左侧是原图，放大原图可以看清一些文字内容，但还是有一些细节的文字不是很清晰。右图显示，用图像增强的方式，可以把文字内容变得更清楚。图像增强可以提高识别算法的精度，还可以用于模糊检测，也可以用于提高人工效率。
（3）小目标检测问题在图像检测领域经常出现。下图中的摄像头，从远处看大概可以猜到具体是什么，但是一旦放大，像素会非常糟糕，显示小目标本身的信息量很有限。小目标检测可以通过周边的信息辅助目标检测，引入注意力（Attention）机制，利用先验知识，如相机的分布、高度、大小等信息辅助解决小目标检测问题。
（4）在实际生活中除了小目标检测，更多的是对变化进行检测。如判断下图中是否属于同一电子眼，人眼由于时间，天气，设备等不同很难进行准确判断。而算法则可以通过检测位置、归属车道、电子眼架设类型、及分析场景等手段进行判断。
POI挂牌识别算法：真实的街道中，挂牌非常复杂且密度很高，所以POI挂牌识别时依然会遇到很多实际问题。
POI挂牌识别挑战：
（1）实际街道上，POI挂牌方式丰富多样，如牌坊式POI、铭牌式POI、挂牌式POI、门脸式POI等。实际街道中还有很多非挂牌POI式的目标，如条幅标语、横幅广告、墙体标语、交通标语对联、和车牌等。
（2）识别POI之后，需要进行文字的识别和提取。这时除了多种多样的POI挂牌之外，还有挂牌密集稀疏不一，特殊造型的挂牌，以及不清晰和不完整的挂牌等问题。对于这种复杂的问题需要结合多种技术解决，如多级级联检测模型，文字检测识别，三维重建位置匹配，模糊和遮挡检测技术。
（3）POI排版识别除了文字识别之外，还需要对牌面进行解析，理解牌面上的主名称、分店名、联系方式、营业范围和非PO文字等内容。因此POI文字识别首先要进行属性识别，根据文字语义、图像和位置进行特征融和，根据场景理解及上下文判断context。
整体而言，要保证和提高地图数据的准确率，基于图像的自动化地图制作的程度和效率都非常重要。高德除了在提高算法及多源数据上投入很多精力之外，还在不断的引入新的技术。此外，高德希望未来可以将算法放在端上，更加实时有效的理解道路场景，收集更快更准确的地图信息。
2.搜索推荐
地图应用中搜索产品形态有很多种，首先用户可以输入简短的目的地信息，地图进行更进一步的精确搜索，返回结果。还有类目搜索和品牌搜索，如美食，娱乐品牌等。在沿途过程中，提供导航搜索功能。
地图搜索的特性和挑战：下图从技术角度将地图搜索与传统的电商和网页搜索进行了对比。首先，网页搜索的是非结构化的长文本，规模非常庞大，可达千亿级。电商搜索的是商品，规模可达到十亿级，返回图片列表。而地图搜索输入的是POI类型的结构化短文本，规模大概在千万级。但是地图搜索的精度要求相对更高，此外，需要收集地图空间位置信息作为搜索算法的支持。
高德搜索技术演进之路：从2010年开始，高德开始构建搜索系统。自2014年，陆陆续续引入更高端的技术，构建搜索专家系统，全面引入机器学习和深度学习，构建搜索中台，全链路业务通道平台化。支持神马搜索、菜鸟、斑马、饿了么等业务。
模糊搜索案例：如下图所示，搜索“湖南省人力资源社会保障厅”，如果输入语句都正确，则可以直接搜到目的地。但实际上，输入语句总会出现错误，搜索算法需要引入地理纠错进行高低频纠错，通过语义匹配新增语义改写，通过空间关系建立文本空间模型。此外，搜索算法除了解决单纯的语句的匹配，更重要的是意图的识别，判断搜索范围在本地还是外地、需要精搜还是反搜、实时还是调研、出行目的是旅游还是公务。
多源地理信息库：高德希望构建以地理位置为基础的综合信息库，其中地理位置包括位置、路网、楼块和房间等信息，综合信息包括名称、类型、功能、时间、评论等。这些信息有多种来源，包括图像采集、文本大数据、搜索大数据、轨迹大数据、用户输入、行业资料等。如何将这些多源信息融合起来，支持构建精准的丰富的综合信息库是算法工作面临的一个主要挑战。
3.路径规划
高德路径规划演进之路：下图展示了高德路径规划的演进路线。从2004年开始，高德提供路径规划服务，经过陆陆续续算法的提升和演化，目前高德正处于钻研多目标算法阶段，以满足用户的诉求，快速规划出更好的路线。
路径规划挑战：现实场景中，路径规划技术需要解决超大规模的实时路径规划问题。具体而言，路线规划问题包括路网规模大，如全国道路数量就多达4000万。其次道路属性变化非常快，每个季度都有10%左右的更新。此外，路况信息更新更是要求以分钟级进行实时发布。
超大规模实时路径规划，作为实际问题，和学术界的最短路径算法有很大的不同。在标准算法的基础上，要提高效率，一个重要的方法是引入预处理，可以辅助解决大规模和实时性的挑战。预处理算法有很多，包括Arc Flags，Multi-Layers等。
综合起来，对于超大规模最短路径问题，有TNR、CH、CBR等学术界提出的比较好的算法。在实用中，如何在多种算法中做出选择？我们需要根据实际的需求，包括规模、实时性和路况更新，在算法性能和预处理性能之间找到平衡。
实际需求首先要保证规划算法的性能。此外还需要支持实时性需求，如支持小时级路网结构更新，分钟级路况更新。本质上，实时性的要求推动了算法的设计，基础算法以分层为主，分多个cell预计算求最短路径，cell根据路网结构进行partition，针对权重进行update。在硬件基础方面，在大内存的基础上，支持多核并发，以及cache优化。
4.数据挖掘
现实生活中有很多路径的信息，怎样从时空大数据中挖掘到所需要的具体信息？其中，具体需要挖掘的信息包括POI，新增道路，事故和拥挤等。
时空大数据挖掘挑战：
现实生活中的数据挖掘会遇到诸多挑战，如轨迹不准确，行为复杂，时效性要求较高等。目前，通过多源信息融和，借助时空模型如RNN，LSTM，CTC，TCN，GCN等，进行特定模型改进，可以支持闭环与数据回流。
POI过期挖掘案例：POI过期挖掘的业务特点是对空间拓扑的刻画，对多源特征的融和。此时可通过Wide&Deep的模型，Wide部分处理POI静态特征，Deep部分处理时序流量特征。高德在这方面也经历了多种模型的演化，从最开始的RNN到DeepTCN，可以更好的挖掘到POI过期信息。
道路新增挖掘案例：道路新增问题除了要对具体的问题进行算法的设计之外，如不同zoom的轨迹特征，mean shift轨迹取种子点，principle curve曲线等，还需要能够容错，通过概率模型解决短路，连通路等精细化场景。此外，通过CNN端到端模型，收集热力和卫星影像刻画空间信息，通过轨迹和路网连通性刻画驾驶行为。
三、用算法创造出行未来
1. 高精地图
高精地图是自动驾驶的基础。它对精度要求非常高，反映真实世界，无论对道路，车道，还是周围的信息进行完备和准确的刻画。高德对位置的准确性要求是10cm以内。收集到高精地图资料后需要解决以下几点问题。
高精地图挑战：
（1）资料对齐问题：即使高精采集车精度很高，但误差还是在1 m以上，通过对多次采集资料进行对齐，得到5cm以内的精准度。此外，还需要对植被影响等多种场景进行处理，同时保持轨迹的刚性，针对上下行观测角度不同，点云的不同，前端需要匹配ICP，语义，特征和形状，然后在后台对对齐的信息进行大规模的拉齐和平滑。
（2）识别：道路中很多物体需要进行识别，如车道线，路边缘，地面标识，以及OBJ对象包括杆，牌和桥等。识别的精度需要达到99+%的召回率，精度在10cm以内，但基于场景的变化，训练的样本非常有限。高德通过点云与图像算法的融和，及深度学习和传统算法的结合，复用常规地图中的额数据和模型，利用先验信息支持数据的回流和模型的的迭代。
（3）从高速到城市：上面的问题在高速道路上不是很严重，但在城市场景中，道路路型呈网状结构，包括高速、干道、小路等各种等级道路。此外，标识种类繁多，标识复杂多变，场景复杂多变，拥堵和遮挡。
2. 视觉定位（GPS）
在城市峡谷中经常与遇到定位不准的问题。下图中右侧红色部分是真实的位置，黄色是GPS定位的位置，可以发现偏离问题还是比较明显的。
视觉定位方法可以辅助解决定位不准问题。目前，手机上都有相机，越来越多的车也都配有相机。我们考虑利用图像和视频技术，建立一个通用的视觉方法来定位室内和室外的车和人。具体而言，有几种技术选择。SLAM/VIO是定位相对位置的方法。对于绝对位置的定位可通过三位重建稀疏特征+PnP的方法，得到比较精准的结果。还有一种方法是矢量地图+实时监测算法，对牌、线等对象进行检测，这类算法对计算算力和精度要求比较高。在此之外，高德也正在探索深度学习的方法，可以在精度和鲁棒性之间进行平衡。
如给到一张图片，希望得到其位置和角度。此时需要一个已知位置的参考图像，再结合实时图像，在全路网，全天候的条件下得到高效（毫秒级）的定位效果。
3.AR导航
如何将导航体验做的更好？尤其在现实世界中会遇到很多复杂的场景。高德希望将导航做到所见即所得的效果，传统导航更多提供下图中左侧的两类图像。但更好的方式可能是下图右侧图像，通过AR的方式提升导航体验。
高德在2019年4月份发布了AR导航产品，下图展示了AR导航所提供的导航视图。道通过绿色路线进行指引，在拐弯处指示该如何转弯。此外，还有与前车距离的检测和碰撞预警功能，以及还在逐步更新的安全辅助驾驶功能。
与目前的自动驾驶技术不同的是，AR导航希望通过轻量级的手段解决技术难题。高德目前单相机传感器，1/5手机芯片的计算性能就能够达到较好的导航效果。
AR导航车辆检测案例：如下图需要检测前方车辆。为了高效的检测前方车辆，需要进行模型压缩，使用先验尺度，进行模型的训练优化。此外，在检测的基础上，进行实时的轨迹跟踪。
AR导航车道线分割案例：车道线检测与车辆检测同理，首先进行模型压缩，根据多任务模型，将多种目标检测算法融和起来，提高模型的复用。再进行模型训练优化，曲线拟合，将检测和跟踪进行结合。
AR导航引导线案例：AR导航视图中引导线是基于语义分割和回归模型的基础上，与传统的GPS导航进行融和，以提升模型效果。
下图中展示了目前高德AR导航的实际效果。AR导航可以实时预警前方的路过的行人，还可以对马路对面的变灯进行提醒。
