日前，武漢大學測繪遙感信息工程國家重點實驗室教授、博士生導師李必軍在自動駕駛地圖峰會上做了題為“高精還是高精度？自動駕駛地圖的發展之路”的演講。

他認為，自動駕駛應該使用場景地圖，要通過地圖的信息來降低感知的難度，同時通過傳感器的感知來降低對地圖精度的要求。他同時指出，不改變現有的交通規則，自動駕駛就不可能實現。

以下是演講實錄。

李必軍：

今天我主要講地圖在自動駕駛中的應用。

在武漢大學測繪遙感里面主要是做測繪工作，從移動測量到汽車導航，再到現在的無人駕駛，做移動測量將近有20年的時間，無人駕駛2008年到現在也整整十年，我發現這里面有很多的問題。

我這么多年做的研究其實是跟導航、位置服務緊密相關的，包括從2009年到現在做的國家863、國家自然科學基金等項目，基本上都是圍繞著地圖數據的獲取、處理跟服務展開的。最近的就是從廣義影象到基于雙目視覺，再到智能汽車的環境精細感知，從這里面可以看到測繪技術在交通領域的研究應用。PPT上列的是這些年的研究成果，特別是2017年底完成了國家標準——關于導航電子地圖增量更新，參與單位還有四維圖新、高德，包括在座的熟人也參與了一系列關于地圖相關的標準。

今天重點講四個方面，主要是智能駕駛與地圖相關的，里面有很多內容是我自己這些年的經驗總結，可能跟現在的大眾說法有些不一樣的地方，大家可以共同探討，在這里也請大家提供寶貴的意見和建議。

首先，測繪。在遙感實驗室有一個方向叫做3S集成研究室，在座的都知道3S集成是什么內容。智能交通這塊是我的老師在實驗室定的一個新的研究方向。怎么樣介入交通領域？那我們就選擇了智能交通方向。3S集成技術是智能交通的核心內容，也是重要的基礎。在智能制造里邊有先進的制造、先進駕駛、控制系統等等，目前智能汽車非常流行、落地的是ADAS，這是智能交通的內容之一。

我今天主要講的是復雜環境下，測繪技術怎樣在交通領域里面為交通的“十三五”發展目標提供一些解決方案或者提供一些技術支持。

從大的研究背景來說，我的理解是這樣的：測繪是個小學科，交通是個大行業，兩方面結合作為自己的研究方向。這20年圍繞著導航與位置服務，我們在2003年跟一汽做過汽車導航的配套研究，包括當時弄了個“武大導航”的注冊商標，為“一汽”做了汽車導航的后裝軟件、后裝系統。

在這個過程中，我們發現地圖的測繪和更新是非常難的。大家都知道我們武大搞移動測量，我本人在2000年的時候將激光掃描、相機、GPS集成進行地圖信息快速采集與更新。目前最大的問題就是地圖快速更新的問題，我們今天講高精度地圖采集，技術難度不是問題，更新才是實實在在的問題。

在這兩個基礎上，把十年導航的技術成果加十幾年移動測量的成果進行集成，2008年開始進行智能駕駛方面的研究，主要還是從測繪的角度、從感知的角度來看看智能駕駛是怎么做的，測繪的技術怎么在智能駕駛應用？這里面有一些感觸和經驗。

傳統的測繪主要是提供地圖服務，在現代的測繪之下，除地圖產品之外還有很多的增值內容。大家都很熟悉這個背景，我就直接略過去。

這里講自動駕駛，又有很多人分成無人駕駛、智能駕駛等，還有很多其他的說法。我這里統稱為一個名詞，就不細分了。背景意義大家也都知道，剛才看到的傳統擁堵交通狀況下，怎么解決交通的問題、緩解城市的交通困難，特別是提高交通安全，這對中國來說是很重要的問題。

公安部說每年的交通死亡人數涉及到汽車駕駛的是五六萬人，但是世界衛生組織報道的是大概5-6倍，也就是將近30萬人，這應該是準確的數字。從這里來看每年有幾十萬人相當于一個中小城市的人口就沒了，安全問題非常嚴重。智能駕駛能不能解決安全問題？我想大家應該對此抱有非常大的希望。

這是美國的自動駕駛分級標準，大家也都采用這個，網上也有，也都這樣分。包括現在的交通設施是服務人。交通的渠化、交通的地圖是為人服務，并不是為機器服務的。

這里面爭議最大的是L3級，現在很多的創新企業要越過L3搞L4級、搞全自動駕駛等等的說法。為什么L3級大家不搞、不做了？前年的時候特斯拉有個交通事故，大家都是知道的，最后的鑒定結果是L2級，因為它要求人手不能離開方向盤。因此汽車行業里邊規定手是不能離開方向盤，如果手不能離開方向盤自動駕駛就很難受，特別是眼睛要看前方，你可以不操作，但是你人要注意隨時接管。

L3級要求是人機共駕，人隨時可以介入，機器隨時可以介入，到底什么時候人介入？什么時候機器介入？目前很難。不僅僅涉及到人的問題，還涉及到技術難題的問題，目前來說這是無解的。

在無解的情況下，很多人就直接開始搞L4級、搞全自動駕駛。這能不能做？如果我們都有高精度地圖，有精確到厘米的地圖，在地圖定位很準確、汽車技術也很成熟的情況下，我們可不可以實現基于高精度地圖的無人駕駛？這個話題現在很熱，熱到了各行各業都來搞自動駕駛，三五個人弄一個團隊開始做自動駕駛。

國外的相關研究發展的非常早。我國從2009年開始學習美國，國家自然科學基金委員會搞了個全國智能駕駛大賽。在這方面我國落后歐美國家將近10年的時間。當然這也不能怪在座的各位，汽車產業本來就是一直扶不起來，扶了這么多年還是依靠國外的核心元器件，從發動機到底盤到變速箱等等。

這是國外的情況。國內其實做得也挺早，我們是國內第一批參加國家重大研發計劃“視聽覺信息的認知計算”的。目的還不是圍繞著無人駕駛，但它把無人駕駛當作了驗證平臺，通過自動駕駛來驗證國家在視覺、聽覺方面的計算能力、感知能力。開始預算了8千萬，后面增加了一次總體大概1.5個億左右，大概是8年的時間到今年結束。

我相信大家都知道，國內很多從事無人駕駛的人才，來自這些基金培養的有很多。我就有學生在騰訊做無人駕駛的，也是這樣培養出來的。這是當時國內的基本情況，主要的科研單位是以比較有錢的高校為主，因為這個東西特耗錢。

國內第一次舉辦無人駕駛大賽是2009年，在西安。那時候人比車快，因為車每走一步就要停大概一分鐘才能再往前。為什么？沒有地圖。沒有地圖后就靠視聽覺計算：靠視覺、靠激光，看一下就往前走一步再停下來。那時候沒有GPU加速這種東西，而且車很重，設備很貴，沒有低于150萬的車。武漢大學的車不到10萬塊錢，但是上面有170萬的裝備，那些裝備都很值錢。2009年這次比賽具有開創性意義，當時沒有車廠，也沒有互聯網企業看重這個，完全是前沿性研究。

2010年的比賽要考查參賽隊伍的認知能力，還是沒有地圖、不能用衛星導航，要通過感知看道路、標牌。賽場在長安大學的某個校區，做了一個封閉環境，當時校區里有汽車的測試場。長安大學是搞公路的，所以在汽車方面有汽車學院，特別是在汽車測試場里面汽車可以撒開跑。但比賽結果也不是特別好，一個S彎有很多車沒過；雖然劃定了停車位，但是沒有地圖純靠感知，大家也很難找到地方；特別是兩輛車夾著的時候，當時沒有幾輛車能夠順利完成。

我們以地圖為基礎獲得了野外比賽第一名。當時，我帶著團隊直接用地圖匹配，不到5公里的測試場，要40分鐘完成，結果只有我們武漢大學按時完成了。有的團隊是數電線桿，過幾個電線桿要轉彎，這在地圖里面都是很簡單的事情。通過地圖告訴你目的地在哪，規劃一條路徑，這是測繪里面最簡單的空間分析問題，在當時沒有地圖的情況下就是很難很難。

這個難度就需要用地圖來解決，通過我們測繪的相關技術手段來解決自動駕駛里面的感知問題。因為車載感知設備不是千里眼、也不是順風耳，只有在傳感器感知范圍內才能做空間分析這些事情。

2011年的時候，比賽場地不再是限定測試場，而是放到了鄂爾多斯的真實道路上。不過當時做了道路封閉管制車輛，比賽場地變成14公里，難度有所增加。2012年開始進入鄉村道路。2013年開始進入高速公路道路，那時候就開始在常熟進行測試，參加單位越來越多，從9家到10家到20多個團隊，再到現在很多公司開始介入。

總的來說，自然基金委組織的大賽培養了很多團隊，培養了很多人才。我參加這個比賽交流時講無人駕駛一定要把地圖引進去，不能不用地圖。地圖是一種重要的先驗知識，一定會降低感知的難度，可以很好的解決無人駕駛的問題，之后大家都開始接受這個觀念。自2011年開始，很多人找我們合作，大家開始用差分定位技術，在比賽之前就開始做賽場地圖。專業不專業不好說，但至少有一點，明確了自動駕駛是離不開地圖的。

2012年接受《人民日報》采訪的時候我提了一句話：無人駕駛并不遙遠，記者就把這個作為標題。百度是2013年開始做無人駕駛，當時國內的無人駕駛已從2009年開始發展了很多年，提供了很多經驗和參考。剛才劉總說，2020年作為自動駕駛的元年，當年我接受采訪時，也是說至少有七八年才可能看到無人駕駛；目前很多地方都在測試無人駕駛，特別是美國的亞利桑那州。從目前來看，2020年自動駕駛元年可能有點早，特別是在乘用車環境方面，說2020年是駕駛的元年可能性不太大。但是有一點，地圖在自動駕駛中的作用是越來越大。既然地圖有這么大的作用，到底自動駕駛和地圖是怎么結合和發展的？我下面講一講自己的一些觀念。

大家都知道目前主要是兩條思路，一個是傳統汽車廠、一個是互聯網企業。總的來說，目前無人駕駛很熱，很多中小創企業進入到了無人駕駛領域，包括一些傳統的車企開始切入到智能駕駛領域。

簡單地講一下這塊的內容，在我們國家，群智感知和眾包服務的地圖采集模式，目前在法律層面上還是有些問題。前年華為問我自動駕駛地圖可不可以搞？你可不可以幫我們做？我說，法律規定必須有測繪資質才能做。目前國內只有十幾家有導航電子地圖的生產資質，不是誰想干就可以干，不是技術很牛就可以干，必須有專業資質。

我們地圖怎么樣更新呢？以前的導航電子地圖從傳統的一年一次，到一年兩次，再到一季度一次，再到互聯網“實時”地圖，地圖從采集到發布的周期越來越短；但從國家目前的法律規定，地圖保密審查時間一到兩個月時間是要的。所以目前更新頻率有極限，速度不可能太快；當然也有便捷的方法，通過快捷的手段來解決，這是產業的事情不是技術上的事情。

大家都熟悉的移動測量，是自動化程度比較高的采集方法。這是高精度地圖采集車的情況，目前通過人工智能技術的發展，現在采集的自動化手段是越來越高，包括數據處理，特別是利用深度學習進行模式識別，目標分類的自動化水平是越來越高。所以我們在傳統制圖方法上面，比如說交通標識、標牌以前是人工識別和編輯方式，現在可以通過人工智能方法來解決，數據處理能力得到了比較大的提升。

但是地圖的生產裝備還是一個核心問題。我們怎么能低成本、高可靠的解決高精度地圖的采集？目前還是一個難題。如果是生產高精度地圖，一年投資五六千萬肯定是不行，至少每輛車的采集設備，貴的五六百萬，便宜的也得一兩百萬。我們研制開發的高精度數據采集車，也是兩三百萬的成本。這么高的成本來生產這樣一個地圖，如果我們的無人駕駛車也要達到這樣的一個精度，是不是也要增加一兩百萬數據采集成本？這種車產量肯定是有限的。

剛才也說了人工智能的問題，現在的人工智能也非常的火，都認為人工智能能解決很多問題。應該說人工智能確實改變了生活，如掃地機器人等，但還有很多的問題沒有解決。我們到現在還要通過一百萬張、一千萬張圖片才能保證人工智能能夠準確的識別一只貓，那還不如一個小孩，你跟他說一下這是一只貓，他一輩子都記住，不要用那么多圖片來增加正負樣本的訓練。這體現了目前人工智能離人的智能還有很大的差距。人工智能最主要的三大問題是感知、決策、執行，對我們在座的各位來說，主要是建立場景地圖感知問題。當然還有決策、規劃和控制的問題。

地圖的基本功能除了顯示，查詢、空間分析、導引服務是目前用的比較多的。我國導航電子地圖的發展從2003年的汽車導航開始，到現在ADAS和高精地圖的發展過程，總的來說分為三個階段。

第一階段大家都用的導航電子地圖，大概10米左右的精度。再就是ADAS地圖，然后是高精度地圖，高精地圖是車廠提出來的，跟我們傳統的地圖并不一樣。現在測繪行業提出來的高精度地圖指的是地圖精度、比例尺，跟汽車廠提出的內容明顯不一樣。我們通過對比可以看到它是汽車駕駛自動化相關的問題，要求汽車行駛方向的橫向精度、縱向精度等等，不是傳統的測繪地圖。

這是高精度地圖的作用，是在ADAS里邊的基本應用，它可以告訴駕駛人什么時候轉彎，轉彎的半徑是多少，讓人可以提前減速，這是比較好的應用。里面的核心內容基本都用這張圖解釋出來，地圖可以進行計算。

我們現在地圖是為人服務的，人跟機器到底有什么差異？傳統都是把地圖先做抽象最后形成地圖語言，用地圖符號來做。現在機器來模擬人的過程，之間到底應該進行怎么樣的人機轉換？這應該是我們重點研究的問題，也就是圍繞著無人駕駛和機器人，地圖應該做怎么樣的改進？場景應該做怎么樣的調制、設置和變化？這是我們要思考的。

這是高精度地圖的基本特征。除了精度高之外還要增加一些內容，我們才能做無人駕駛的應用。無人駕駛要增加的內容包括紅綠燈的信息和動態交通信息。目前車廠做的環境感知解決方案，借用一個詞叫“洪荒之力”來實現地圖場景的構建。無人駕駛汽車廠商都通過各種傳感器組合來實現汽車周邊感知的無縫覆蓋，但有這么多的傳感器依然解決不了無人駕駛的環境感知問題（測程外、遮擋），因此說地圖在這里面作用是非常明顯。

但遺憾的是在地圖采集過程中有很大難度。比如說福特公司的自動駕駛地圖生產時，圖上道路破損人看很明顯，地圖生產的時候當作道路缺陷處理，當把這樣結果的高精度地圖跟其他車共享時就出現了一個問題：所有自動駕駛測試車在這個地方都有避讓的動作，實際上這個破損的地方過了幾天之后就修好了，但是地圖沒有做更新。這是一個像素引發的問題，類似的問題很多。現在我們國家公路建設、城市建設日新月異，例如在武漢修地鐵，今天還可以走的路，明天就不可能不能走了。地圖怎么更新？既然是高精度地圖，路上增加了欄桿或者引導標志時無人駕駛車識別不了怎么辦？這就會導致很危險的安全問題。

（PPT圖片）左邊是特斯拉的撞車事故，這還是比較簡單的場景。如果像右邊這樣的交通現狀，這種環境下怎么解決自動駕駛？目前肯定是解決不了，只要我們的交通設施是為人服務的話，這個問題始終解決不了。我認為如果交通設施和渠化始終是為人定規則，然后讓自動駕駛來適應各種交通規則和場景，全自動駕駛是永遠不可能實現。

那么如何才能實現？如果哪一天人為機器人讓路，看到機器人就主動避讓，這個問題解決起來就快了。當然機器人也要保證能夠識別道路、識別地圖。畢竟人的交通行為善變，在方向是全自由度的，車不可能一下子飛起來，不可能一下子左邊，它有轉彎半徑和方向的約束。所以，解決自動駕駛問題就要改變交通規則。

今年5月份，我們剛才講到的Mobileye跟英特爾搞自動駕駛的新聞發布會，可惜的是自動駕駛車紅綠燈都沒有認出來。明明是紅燈，大家看到它就沒識別直接闖紅燈過去了。目前，每年無人駕駛比賽時，紅綠燈識別率都不高，60%的成績已經算很好了，70%基本上可以拿到最好的成績。因為我們的紅綠燈有圓的、方的、左邊的、右邊的、橫著的、豎著的等等，紅綠燈都識別不了自動駕駛怎么可能實現？這是基本交通規則。

在這種情況下，利用現有人工智能技術實現自動駕駛還早的很。2020年左右稱為駕駛元年可能會樂觀了點。說到地圖，至今已經有幾千年的歷史，我們在座的各位也是做了多年地圖的，那么無人駕駛到底應該用什么樣的地圖？有專家針對“自動駕駛的地圖”提出“駕駛地圖”的概念，駕駛地圖很繞口，測繪里也沒有這個概念。我提出“場景地圖”，無人駕駛是按照場景走，我把這個概念描述一下，什么是場景地圖。

左邊是個場景，現在習慣的是按右邊渠化，把它全部拿來數字化。能不能基于左邊的影像直接實現無人駕駛？人是可以很清楚的，在這種場景下駕駛是安全的。以前喝點小酒開車回家也可以，事后不知道怎么回家的，停的好好的，路上的事全忘掉了，沒有復雜的計算也開回去了。這里邊有多少任務識別、人工智能？我感覺是沒有的，因為怎么回家的我忘了，車停在哪里我忘了，第二天到處找車。現在不能酒駕，也沒有這種體驗了。

圖片上場景里邊信息很豐富，而且信息也很清晰，應該怎么走，交通規則很清楚，下面車道線劃的也很清楚，遮擋等問題也存在。針對這個場景我們自動駕駛應該怎么樣去做？如果靠人工智能實現左邊的駕駛分析、地圖匹配等等，至少目前的情況下全自動是做不出來的。大家不要把人工智能看得非常牛，什么都能解決，不是這樣，技術還沒有發展到這種程度。

在這種情況下，我就做了一個表來進行比較，這個表還在逐步完善中。這里面有大家經常會提到的ADAS地圖、高精度地圖等，我要重點講的是場景地圖。首先，場景地圖是相對坐標系，可以有絕對位置。我們在交通中用的主要是線性參考系統，沒有用平面坐標和經緯度。從空間認知來講也是三要素：基準、方向跟距離解決了位置的定位問題。

除了參照坐標體系之外，還有縱向跟橫向的定位問題，開車里面最關心的是橫向，不能隨意到其他車道去，不能到對面的車道去。縱向上多一點誤差，誤差幾米、十幾米都沒有關系。我們要關心車頭時距，交通里面標準，車輛剎車的時間距離是多少？把這個問題解決了就好了。在結構化道路里有車道線，通過低成本的視覺就可以解決高精度的橫向定位問題。我們要正確的面對、正確的對待自動駕駛的地圖精度問題。到底是需要高精度地圖、高精地圖，還是需要什么樣其他的？這個問題大家都在關注和研究。

怎么應用？大家都很熟悉。當然有高精度地圖是好，在高精度地圖的情況下通過測繪技術能很好地實現車輛的定位定姿，這是好處。但是，這樣做的代價跟其他技術問題怎么解決？

這是Mobileye的一個方案，實際上有很多的方案。當前深度學習、機器視覺的算法離人的智能差距還非常大。這里展示了團隊的研究成果。怎樣基于地圖來定位？基于各種傳感器來定位？基于方向盤來定位？怎樣基于ADAS來進行無人駕駛？這個圖片大家都熟悉，怎樣解決場景中目標的語義，目標的語義表達還做不到實時，要事后處理。總的來說，還是從模擬人的駕駛角度做了無人駕駛的技術研究。

講了這么多，做一下總結和展望。如果說2020年還做不到大眾化的自動駕駛，現在有哪些方面能夠快速做到優先落地？首先講這三個場景，在3S場景下（小、特、慢）能夠實現這樣的無人駕駛，現在很多做落地的基本上都是3S的場景。

機器人怎么來做自動行駛？我們開發的這個機器人上面是沒有衛星信號的，而是基于地圖、基于車道線進行識別，雖然它目前跑得還不怎么樣，但是成本很低，兩三萬塊錢基本就解決了自動行駛。

還有一個方式，既然現有傳感器還解決不了自動駕駛汽車的環境感知問題，那我們可不可以基于基礎設施的信息化、網聯來實現環境感知問題？這是863車路協同提出的解決方案，通過信息化解決基礎設施感知、認知問題，通過通信方式解決紅綠燈識別、交通標志識別等內容，通過信息交互而不是通過圖像識別解決認知問題。

這是一個解決方案，由于時間的問題，先講到這。我的觀念主要是自動駕駛應該是使用場景地圖，要通過地圖的信息來降低感知的難度，通過傳感器的感知來降低對地圖精度的要求。今天我主要分享了一些我的研究成果和觀念，總的感覺自動駕駛任重道遠。謝謝！