語義高精地圖是高層級的高精地圖，語義地圖的實現需要以幾何地圖為基礎。在這篇文章中，將要講述自動駕駛語義高精地圖的實現過程。

正如人類駕駛員出行需要導航地圖并觀察周圍環境來確定行駛路線一樣，自動駕駛汽車上路時除了依靠自帶的傳感器探路避障，還需要一份地圖來確定自己的位置，進行路線規劃，這種供自動駕駛汽車使用的地圖就是高精地圖。
自動駕駛車輛依靠自身配備的傳感器探測車身周圍環境信息，但超過車身一定距離后，例如車輛前方500米的道路環境，僅依靠車身傳感裝置很難得到信息反饋，而高精地圖能夠提供超視距信息，彌補傳感器探測的不足。這些全面精確的信息能夠為車輛增速還是減速、直行還是轉彎等行為提供必要的決策依據。

在真正上路行駛的過程中，隨著更高級別自動駕駛的出現以及更高安全要求的提出，僅僅包含了幾何位置信息的高精地圖已經不能滿足市場的需要，現在自動駕駛要做的不僅是對環境的物理性描繪，更要對環境進行理解，而對環境的理解分成兩部分：最基礎的是幾何描繪，例如車輛前方是彎道、直道還是十字路口，距離車輛多遠等空間信息。幾何地圖幫助車輛進行自身定位，并準確識別車輛自身處于地圖中的何種位置。第二是語義理解，即通過幾何描繪出的這個圖形是信號燈還是路標等。
語義地圖幫助車輛保持在某一正常車道內運行，讓自動駕駛車輛了解不同類型的道路之間、道路與路燈和行人之間是怎樣的關系，并按照社會公序良俗和具體環境中他人的期望來選擇如何作為。語義高精地圖是高層級的高精地圖，語義地圖的實現需要以幾何地圖為基礎，在這篇文章中，將要按順序講述自動駕駛語義高精地圖的層級實現過程。

道路網絡圖

語義高精地圖的最基礎層是道路網絡圖。道路網絡圖能夠表示存在多少車道、它們行駛的方向以及連接到哪條道路，還能顯示人行道和車道之間的優先關系，這使得自動駕駛車輛能夠安全地停在十字路口或人行橫道上從而實現交叉通行。這些都是可以通過其他層進行變化的復雜屬性：交通燈的變化影響車輛需要向哪些車道讓路，或者依據時間段改變單雙向車道。道路圖層與車載導航地圖相似，只不過功能更加豐富。自動駕駛汽車的規劃功能使用道路網絡圖來確定從A到B的粗略路徑，并通過避免復雜的交叉路口或限速道路來幫助自動駕駛車輛降低風險。

車道幾何層

道路圖層的基礎上是精確到厘米級的車道幾何圖層。這一圖層形狀上是一組多邊形，表示路面上的車道標記以及車輛將遵守的街道規則。這一圖層顯示的數據還包含在導航地圖中通常沒有的屬性：線條顏色、允許換道區域、減速帶和停止線等。
了解這些屬性能幫助車聯對其他車輛或者行人做出明智的決定，使車輛能夠安全地執行一些復雜的操作。雖然道路圖層能夠實現高水平的規劃決策（例如規劃從舊金山到西雅圖的路線圖），但車道幾何圖層能夠幫助實現更具體和詳細的路徑規劃：如何轉動方向盤并使用踏板穿過這個十字路口？是否存在例如單行道類的環境限制？

在車道幾何圖層的輔助下，當自動駕駛汽車真正行駛在路上時，可能會出現改變初始路線的實時決策。車輛的行為規劃器使用虛線白色的車道分隔器來決定何時將控制命令發送到車輛的油門和轉向控制，從而安全地改變車道或與車流合并。
感知系統檢測其他交通參與者并對其進行分類（例如，我旁邊有一個大型物體，我認為它是卡車）。然后，車輛的智能預測功能使用地圖位置、速度等信息來預測卡車在接下來的幾毫秒和接下來的10-30秒內將做什么。有了人行道和人行橫道的幾何形狀，自動駕駛車輛可以正確地識別行人，預測他們的行為。然后自動駕駛車輛會在人行橫道前減速讓行。以上這些系統在短時間內能夠多次協同工作，以確保安全舒適的乘坐體驗。

語義特征和先驗地圖

語義高精地圖能把路上的語義元素抽取出來補充到前述的幾何地圖中，比如車道線、紅綠燈、人行橫道等，形成新的地圖信息保存方式，然后用于車輛的定位和決策。

在前兩種幾何類地圖的基礎上，第三代高精地圖是語義特征和先驗地圖。語義特征包括交通燈、人行橫道和路標等要素。先驗地圖是指地圖中那些我們關心的可預測的概率性區域。這兩方面的地圖要素幫助車輛決定自己相對于其他物體的行為方式。
在道路圖層和車道幾何圖層中，語義關系定義了如何在復雜的車道關系中協同工作：可以轉彎的地方、需要停車的地方，以及從A地到B地需要進入哪個車道行駛等。語義特征通過為自動駕駛汽車提供更多有關環境和周遭運動物體的相關信息，來獲得更多的優先權。

交通信號燈就是一個非常典型的例子。在普通地圖中，它們是三維形狀，表示交通信號燈的坐標位置，它們面向的方向或應用于哪些車道等。但是，交通信號燈不是靜止的，普通地圖所反映出來的特征并不能使自動駕駛車輛做出行駛決策。這時語義地圖就能夠發揮作用，能夠輔助車輛的感知和規劃系統判定交通信號燈的狀態：是紅燈還是綠燈？人行橫道外是否還有行人在走動？這些是語義地圖與其他地圖相區別的特征，能夠直接影響車輛的動態反應。

先驗地圖與之類似，但包含更多的細微差別，能夠顯示普通地圖數據的派生或或延伸信息。再以信號燈為例，先驗層能夠顯示單個交通燈顏色循環變幻順序（紅色，綠色箭頭，綠色，黃色，然后再紅色……）、每個顏色的停留時間。但這樣的規律循環狀態是固定不變的嗎？
在高峰時段綠色是否會持續更長時間以允許更多的車輛通過主要交叉路口？從理論上講，先驗層可以顯示那些我們所關心的特定類別物體或具有時空特異性的需要觀察的信息。舉例來說，在一些經常遛狗的公園區域，可以為自動駕駛汽車設置先驗層，提示自動駕駛汽車在周六上午8點到11點之間注意動物。

有了先驗圖層，自動駕駛汽車可以提供完全避開某個區域或在行駛到某個區域時更加謹慎。在高級別的先驗圖層中，自動駕駛汽車甚至可以洞察社會文化規范，這些信息不會顯示在路標上，而是需要通過觀察推斷出來。例如，在中心轉彎車道，由于相鄰十字路口的限制，車輛傾向于轉彎，此時自動駕駛車輛可以預先合并到其他車道上，從而避免事故的發生。

區分語義特征和地圖先驗的最后一個例子是停車。停車點是一種語義特征，指示車輛不能行駛必須停止的區域。而先驗地圖會顯示：停車區域可能可以安全駛過，也可能需要注意已經停靠在這一區域的汽車。語義地圖和先驗地圖共同使自動駕駛車輛在導航復雜的道路系統上做出更細致的決定，表現得像一位經驗豐富的駕駛員。

語義地圖構建

語義地圖的構建遵循一些基本原則：

1．所有數據必須與車輛置身的幾何圖層信息一致。

2．車輛自身獲取的數據是最值得信賴的信源。

3. 充分利用已有的數據資源，例如導航地圖，在其基礎上構建語義地圖。

首先將現有的導航地圖作為基礎數據，在此基礎上進行大量的工程設計用于保持信息的更新性和準確性，以上構成了道路圖層的基礎。利用自動駕駛探測車隊和自身數據創建出用于本地化的道路圖層、車道幾何圖層和大多數語義特征圖層。
接下來，通過自動駕駛傳感器數據，利用計算機視覺和深度學習技術來識別車道標記、交通信號燈、路標和其他元素，對其位置進行三角測量，將它們的三維坐標放置在地圖中。然后，通過分析車輛的行駛軌跡、觀察其他車輛的行為，可以具體地做出諸如轉彎限制，交通燈模式或駕駛員行為之類的提示。
其中，自動駕駛傳感器需要經過精心校準，并且要利用多種傳感器例如GPS，IMU，激光雷達和相機等，通過激光雷達、視覺SLAM的方式處理道路信息，創建清晰的幾何地圖。激光雷達掃描處理產生一個模擬現實路面和周圍區域特征的幾何圖，它能使我們精確地定位語義數據的位置。各種客觀元素與地圖數據之間的對應關系讓我們將所有圖層合并成為一個參照系，確保所有地圖圖層的一致性。

車道幾何圖層上的人工控制

地圖構建的最后一步是持續的反饋循環，這種反饋用于人工管理和質量控制，以確保地圖能夠精確到厘米級。這其中算法發揮了很大的作用，除了輔助建圖以外，還可以幫助我們巧妙地識別地圖中的錯誤，以及提醒某些地方需要人工操作員進行最終的細化和質量控制。
另外，豐富的2D和3D工具允許操作員標記數據源錯誤，在啟發式算法或算法中調出邏輯錯誤，然后比對地圖進行最終調整。一旦質量控制流程完成，就可以在車輛真正上路之前進行模擬情境自動化測試。通過模擬測試后，按照L5自動駕駛測試協議進行實時道路測試，嚴格遵守所有流程和規則。一旦最終的道路測試通過，該地圖將被批準部署到車隊中。

后續在對車隊數據進行處理時，所有收集的新信息將會進行自動的更新迭代，有助于不斷改進和更新地圖數據，并在此過程中重置算法。然后不斷生成更加精準和確切的地圖，并在實際道路行駛中檢驗它的可靠性。

地圖技術是自動駕駛車企能夠正常運作的堅實基礎，不僅對連接乘客和司機很重要，對行車安全問題和公司版圖擴張也至關重要。自動駕駛技術更新迭代越來越快，智能駕駛傳感器不斷改進，性能越來越強，越來越多的城市開始部署自動駕駛研發測試，在此過程中，地圖技術成為提高自動駕駛車輛行駛的效率、安全性和高速發展的關鍵。尤其在實現L5級自動駕駛時，高精地圖的作用尤為重要，成為自動駕駛研發企業的必爭高地。