算法在解决高精地图面临的挑战中，如何实现资料精度与对齐？

"高精地图的首要原则是精准。高德从一开始就做了很大的投入， 使用了很贵的采集车。用的高精度Riegl采集车，高精度激光雷度，它的测距精度能达到5mm，1M/sec； 高精度的组合惯导； 千寻基站解算… 但即使这样大的投入和采集车配备， 也并不意味着采集的数据资料就没问题了， 还是会出现问题。比如轨迹， 静止或运动的时候都会出错， 出错的时候并不是很多，可能只有0 . 5 %的比例，但出错的时候就会造成点云资料出问题， 比如点云分层， 工程师们需要做很多算法方面的工作去检测， 在点云分层的时候把它修复。

经过一系列工作后，能在轨迹错误率上有明显的降低。

单趟资料采集精度的问题解决后， 很快就会遇到多躺资料对齐的问题。举例来说， 一条路上很可能做多次采集， 多次采集回来的点云， 如果不做处理的话就会出现非常明显的重影， 它是不贴在一起的， 需要用算法的手段把它对齐。这也有很大的挑战， 因为对精度的要求很高， 在5cm以内。

各种场景的挑战很多， 比如植被的影响。在不同季节的时候采集数据就会遇到这种情况， 这些树和灌木会造成非常大的影响。同时在对齐的时候需要保持轨迹的刚性。因为原来采集回来的时候， 轨迹的相对精度是很好的。在对齐过程中不能破坏和降低相对精度。

而是要在原有基础上去提高相对精度， 包括上下行的场景， 如果是一条路，上下行不同两个方向和观测角度采集到的资料，以及桥上桥下，因为共视区域有限，对齐的挑战就更高了。

资料对齐分为前端和后端两个部分。前端有一个比较核心的算法就是点云匹配。比较常见的比如ICP或者ICP算法。但光是注意点云匹配是不够的，要把这个题解好，还需要解决很多其他的问题。

比如稀疏点云特征提取， 快速点云语义分割， 快速车道线分割。这两块跟语义相关， 在效率上是比较大的挑战。因为点云的资料数据量非常大， 在计算时间上不能花太多时间。

前端做了很多工作， 那对齐后端做什么呢， 后端主要做大规模优化。因为轨迹的修整不能在单点做， 需要很多条轨迹，甚至在整个城市的规模上一起去做调整。高德也花了很多时间在做优化算法。比如做了一条基于样条曲线的稀疏优化算法。把它稀疏化以后就能达到百倍级的加速。能够比较好的解决在一个城市规模下的点云对齐问题。

以上内容摘自《高德技术2020年刊合集》电子书，点击https://developer.aliyun.com/topic/download?id=1135可下载完成版