专访光庭:传统测绘与众包模式融合,高精地图呼唤新的算法与平台

简介:

专访光庭:传统测绘与众包模式融合,高精地图呼唤新的算法与平台

2012 年,光庭在获得地图测绘资质之后,深感在传统地图行业已经很难撼动对手的地位,光庭就将视线放到了自动驾驶需要的高精地图上。

2013 年,光庭成立自动驾驶技术研发项目组。据武汉光庭科技总经理苏晓聪向雷锋网介绍,研发自动驾驶的目的,是为了弄清楚前者对高精地图有哪些需求,「希望通过开发原型车来驱动高精地图的开发。」

2016 年 4 月,光庭联合武汉大学、武汉理工大学共同研发的「小鱼畅行」自动驾驶项目,也是上述目的的延续,希望继续探索这样的课题:自动驾驶究竟需要什么样的高精度地图、高精地图中究竟需要包含哪些信息、这些信息需要精确到什么程度,如收集自动驾驶汽车的数据并进行应用等等。

2016 年 9 月,光庭与中海达成立合资公司中海庭——这是一家专注高精地图业务的合资公司。一年后,上汽对中海庭注资 1.46 亿人民币,获得中海庭 51% 的股权,后者正式成为上汽控股的高精地图公司。

随着自动驾驶的发展,高精地图公司被汽车厂商控股、收购只是自动驾驶时代发展下的一个缩影。因为已经有越来越多的车企、风投认识到高精地图的重要性。

奔驰、宝马和奥迪投资 Here 地图,福特、上汽投资 Civil Maps 、软银投资 Mapbox 等一系列投资。相继涌现出的高精地图初创公司,如 DeepMap、Carmera、 Civil Maps 、lvl5、DeepMotion 也拿到不菲的融资进入这一领域。

最近据国家测绘地理信息局一则公示显示,滴滴出行参与投资的滴图(北京)科技有限公司提交了导航电子地图制作的甲级测绘资质申请,意图切入地图领域。

同时,阿里巴巴收购高德、控股易图通,腾讯收购科菱航睿、入股四维图新,百度收购长地万方。BAT 通过收购、控股或入股的方式将几大数据商瓜分,在国内抢占高精地图或导航电子地图资质的门槛。

这表明汽车行业和 IT 巨头们非常看重这些创新企业或图商在未来的发展潜力。而自动驾驶的玩家们,也越来越看重地图的重要功能。现在,地图行业遇上了最好的发展机遇。

专访光庭:传统测绘与众包模式融合,高精地图呼唤新的算法与平台

作为技术专家,苏晓聪主要的研究方向为高精度驾驶地图、高精度定位,多传感器信息融合等领域。光庭早期的原型车「光谷梦」也是在他的带领下研发出来的。作为高精地图行业的「老兵」,他如何看待这一行业的发展?以下是雷锋网与苏晓聪的对话(有删减):

雷锋网:光庭最早是做导航出身的,去年光庭与中海达成立合资公司叫中海庭。从做导航到做高精地图,看起来其实是两个不同的行业。在你们看来,这种「转身」是无缝的吗?

苏晓聪:2012 年我们做导航的时候,那时候接触的海外客户就已经有这种高精地图的意识,他们会把一些驾驶员行为习惯的数据导入地图,这种理念是很先进的,可以打造更智能的系统。我们了解到这个趋势后,从那个时候就开始转型。

首先是成立联盟(注:光谷汽车电子产业技术创新战略联盟,现更名为湖北智能网联汽车产业创新联盟)。自动驾驶是一个巨大的系统工程,非常复杂,里面任何一个环节都很重要。那时候我们就开始成立联盟加强交流,相当于一个我们自己的圈子。

其次,汽车行业门槛很高,我们当时想到真正的能切入的点就是高精地图和精准定位。我们认为高精地图绝对是未来汽车 IT 化、智能化的核心。因为所有的数据一定是要有一个时空载体,基础的时空载体一定是地图。而且这些数据一定会和地图发生关联,所以地图是很核心的。另一方面,在国内地图是受管制的,也是稀缺资源。

第三,我们从 2013 年开始开发自动驾驶原型车「光谷梦」,我们的理念非常清楚,弄清楚自动驾驶对地图有哪些需求,规格是什么。我们希望通过开发原型车来驱动高精地图的开发。然后基于高精地图,来延伸开发如高精度定位、地图传感器、融合系统等技术和产品。

专访光庭:传统测绘与众包模式融合,高精地图呼唤新的算法与平台

雷锋网:近一年我们看到传统图商在做高精地图,在美国或在国内的一些初创公司也在做高精度地图。两者做的高精地图有什么不同?这些公司收集数据的方式也是多种多样的,有用摄像头,有用单个激光雷达。图商可能要几百万的设备去采集,但两者采集出来的都叫高精地图,这又有什么区别?

苏晓聪:肯定会有一些区别。实际上是两种路线,传统测绘地图采集就是利用采集车去采集数据,这是传统的思路。这种思路的好处是,质量和精度可控。

另外一种就是众包。这种理念不是初创公司想到的,这在地图行业一直是存在的,只是说很多数据来源、包括法律法规、深度学习等因素可能当时在条件上还不具备。这两年这些条件具备了,行车记录仪、手机普及,甚至成为标配。现在很多创业公司,它们也并不是说自己独立去做高精地图,它还是会与传统车厂合作,或者有部分基础数据是从第三方拿过来的。

但并不是说我们就要抛弃传统模式,我们的理解是传统模式和众包的模式一定是结合的,它们各有所长,所以这两种方式都会存在并互为补充。

雷锋网:那是初创公司在技术手段上与图商不同?

苏晓聪:肯定会有差异。比如有公司通过安装在出租车上的行车记录仪采集数据。这个思路没有问题。其实图商也在做,但初创公司可能会比较突出这一点。

除此之外,做地图很重要一点:在地图采集过程中有很多参考点。举个例子,摄像头只能获取相对位置,比如车道有多宽、车往前走多少米有什么物体等等,但它并不知道经纬度是多少。所以它一定是要有控制点做叠加以后,才能把地图匹配到正确位置上。这些是传统图商的优势。

总体上说,我的观点就是,初创公司和传统图商技术路线、大概思路可能是一样的,不会有太大的差异。而且今后的地图更新,众包模式肯定是未来的方向。

现在业内的做法就是结合,既要吸取传统测绘好的做法,比如传统测绘对地图精度质量保证的手段。同时也一定会大力使用这种新兴众包模式,来做地图的维护更新。这两条路看起来是分散的,但一旦到一定程度,它会结合在一起。

雷锋网:为什么这些初创公司有底气来做高精度地图,还是因为现在技术条件已经成熟?在国内,图商有资质,那初创公司到最后还是要与图商合作?

苏晓聪:我的观点是,初创公司更多是做算法和平台,他们在汽车行业相当于 Tier2 的概念,即提供技术解决方案。

其实汽车厂商对地图,包括定位功能的安全等级要求是很高的。所以地图不能出错。对汽车行业来说,要保证安全,不是说是一个算法就能满足的。我们肯定要靠一个流程、一个体系去保证。

这个流程体系类似我们所说的工业生产制造,有很多在实施层面、制作层面,还有很多环节需要去控制质量。所以地图是需要投人力和资源去做的。

初创公司的优势和强项在算法层面,包括平台的构建,技术解决方案的提供。在它之上还会有系统的集成商。他们将拿到的数据放在汽车工业的流程体系中,将这个数据真正做成可量产,可销售的数据。

这个过程,实际上是有很多工作做的,我认为是初创公司目前的重点都不在这上面。真正落地一定是要与产业上下游结合。

雷锋网:高精地图的成本问题目前是绕不过去的槛。比如 HERE 地图在与 Mobilye 合作开发高精地图,从图商角度怎么看这样的合作?

苏晓聪:地图这个方向实际是一个非常大的业务领域,上下游产业链也比较长,有采集、有分析处理、有更新等各种各样的环节。所以整个地图产业,不是说一家就能做的。而且市场足够大,客户有差异化的需求。

成本的问题到最后一定演变成技术上的差异,而不会说有一家公司出现颠覆性的技术,这不太可能。所以这个市场,我个人判断,未来几年内还会是这样一种百家争鸣的局面,不可能一个流派、一个技术或者一两家公司控制。

雷锋网:今年奥迪推出 A8,搭载 Level3 级别的自动驾驶,它系统里也有 HERE 高精度地图。你们与上汽合作主攻 Level4 级别自动驾驶的高精度地图。那么 Level 3 高精度地图跟 Level 4 高精度地图有什么区别?

苏晓聪:我了解的情况是,高精地图在奥迪 A8 这款车型里,功能比较简单,就是自动泊车、交通拥堵辅助。它对地图的依赖不是很强。

相比现在系统的功能提升,A8 安装了很多传感器,它的控制系统、转向系统也有备份。然后再把一些功能场景限制得很死,比如说高速场景,有隔离带的场景,实际这上对地图的依赖并不强,它更多做的是一些功能冗余,系统的应急方案。

有车企提到 Level 3 自动驾驶一定要用到高精地图。但从奥迪 A8 上看,它对高精地图的依赖性并不是特别强。地图如果加进去,只是增加了安全冗余,并不是说缺了高精地图就不能使用自动驾驶功能。

Level 4 一定需要高精度地图。但它在精度、准确性、地图更新、地图偏转等问题都要解决。如果问题没有解决,这对 Level 4 自动驾驶汽车的量产是有隐患的。

雷锋网:汽车厂商一般会关注高精地图的哪些方面?在汽车行业,我们经常会谈到车规级。那么一个车规级的高精度地图应该是什么怎样的?

苏晓聪:第一是安全性、可靠性。这是车规级最核心的诉求。另外一个层面是可用性的问题:什么时候能用,与量产能不能配得上,成本是多少?覆盖率是多少?

走的比较前的车厂,更多的考虑就是安全性可靠性问题,我们怎么解决车规级的问题。这其实现在还有很多技术需要完善。

这也是为什么地图行业有这么多新兴玩家,其实这个产业在技术上还有很多上升空间,这也是为什么有很多初创公司进来的原因之一。如果技术已经十分成熟,那肯定就不会有这么多玩家进来。

雷锋网:有一些自动驾驶公司在做自动驾驶解决方案同时,宣称也在做高精地图。这挺让人疑惑的。

苏晓聪:做整车方案的时候,高精地图这个环节是绕不过的。为什么现在的地图资源大家都在抢。其实做人工智能,今后核心的、真正的算法创新很少,我们大量的优势建立在数据收集能力,数据分析能力上。

但很重要的所有数据拿到手上,是要去分析的。第一个条件就是要把它归纳到地图,就是我们说的时空关联。所以说地图构建所有技术体系,这是最核心的,绕不过去。

另外,地图不像操作系统,可能有好几个标准,包括芯片,也有好几个厂家在做,它们的标准化做得非常好。但地图有地域性差异,根据应用的不同而不同,所以当前阶段来看,高精地图还不稳定,也暂时不是一个标准化的产品。


本文作者:易建成

本文转自雷锋网禁止二次转载,原文链接

相关文章
|
5天前
|
算法 搜索推荐 Java
基于SpringBoot+协同过滤算法的家政服务平台设计和实现(源码+LW+调试文档+讲解等)
基于SpringBoot+协同过滤算法的家政服务平台设计和实现(源码+LW+调试文档+讲解等)
|
15天前
|
机器学习/深度学习 人工智能 自然语言处理
【CVPR2024】阿里云人工智能平台PAI图像编辑算法论文入选CVPR2024
近期,阿里云人工智能平台PAI发表的图像编辑算法论文在CVPR-2024上正式亮相发表。论文成果是阿里云与华南理工大学贾奎教授领衔的团队共同研发。此次入选标志着阿里云人工智能平台PAI自主研发的图像编辑算法达到了先进水平,赢得了国际学术界的认可。在阿里云人工智能平台PAI算法团队和华南理工大学的老师学生们一同的坚持和热情下,将阿里云在图像生成与编辑领域的先进理念得以通过学术论文和会议的形式,向业界传递和展现。
|
2月前
|
机器学习/深度学习 运维 算法
[ICDE2024]多正常模式感知的频域异常检测算法MACE
阿里云计算平台大数据基础工程技术团队主导,与浙江大学合作的论文《Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection》被ICDE2024收录,该论文解决了云服务环境中不同服务存在不同正常模式,而传统神经网络一个训练好的模型只能较好捕捉一种或少数几种正常模式的问题,该论文提出的方法可以使用一个统一模型对不同服务进行检测,就达到比为每一个服务定制一个模型的SOTA方法更好的效果。
|
2月前
|
算法
MATLAB|【免费】融合正余弦和柯西变异的麻雀优化算法SCSSA-CNN-BiLSTM双向长短期记忆网络预测模型
这段内容介绍了一个使用改进的麻雀搜索算法优化CNN-BiLSTM模型进行多输入单输出预测的程序。程序通过融合正余弦和柯西变异提升算法性能,主要优化学习率、正则化参数及BiLSTM的隐层神经元数量。它利用一段简单的风速数据进行演示,对比了改进算法与粒子群、灰狼算法的优化效果。代码包括数据导入、预处理和模型构建部分,并展示了优化前后的效果。建议使用高版本MATLAB运行。
|
2月前
|
人工智能 算法 测试技术
论文介绍:进化算法优化模型融合策略
【5月更文挑战第3天】《进化算法优化模型融合策略》论文提出使用进化算法自动化创建和优化大型语言模型,通过模型融合提升性能并减少资源消耗。实验显示,这种方法在多种基准测试中取得先进性能,尤其在无特定任务训练情况下仍能超越参数更多模型。同时,该技术成功应用于创建具有文化意识的日语视觉-语言模型。然而,模型融合可能产生逻辑不连贯响应和准确性问题,未来工作将聚焦于图像扩散模型、自动源模型选择及生成自我改进的模型群体。[论文链接: https://arxiv.org/pdf/2403.13187.pdf]
128 1
|
2月前
|
机器学习/深度学习 人工智能 运维
人工智能平台PAI 操作报错合集之请问Alink的算法中的序列异常检测组件,是对数据进行分组后分别在每个组中执行异常检测,而不是将数据看作时序数据进行异常检测吧
阿里云人工智能平台PAI (Platform for Artificial Intelligence) 是阿里云推出的一套全面、易用的机器学习和深度学习平台,旨在帮助企业、开发者和数据科学家快速构建、训练、部署和管理人工智能模型。在使用阿里云人工智能平台PAI进行操作时,可能会遇到各种类型的错误。以下列举了一些常见的报错情况及其可能的原因和解决方法。
|
2月前
|
机器学习/深度学习 算法 数据挖掘
SciPy与机器学习:融合科学计算与智能算法
【4月更文挑战第17天】本文探讨了如何结合SciPy与机器学习,SciPy作为Python科学计算库,为机器学习提供数学基础和工具。在机器学习中,SciPy用于特征选择(如ANOVA和SVD)、聚类(K-Means和层次聚类)、优化(梯度下降和牛顿法)以及信号处理。通过与scikit-learn等机器学习框架结合,实现高效数据处理和模式识别。
|
2月前
|
机器学习/深度学习 算法 计算机视觉
[YOLOv8/YOLOv7/YOLOv5系列算法改进NO.5]改进特征融合网络PANET为BIFPN(更新添加小目标检测层yaml)
本文介绍了改进YOLOv5以解决处理复杂背景时可能出现的错漏检问题。
161 5
|
2月前
|
算法 定位技术
【算法】 用Prolog解决地图着色问题
【算法】 用Prolog解决地图着色问题
48 0
|
2月前
|
机器学习/深度学习 算法 搜索推荐
外卖平台推荐算法的优化与实践
外卖平台推荐算法的优化与实践