1.1 自动驾驶软件结构

1.2 HD MAP介绍

1.3 坐标系/定位/感知/规划

定位主要用GPS-RTK, 差分GPS精度:分米

将汽车的有限性能应用到动态物体的识别当中去，是很有意义的，因为静态的物体信息可以通过HD map提前制作好来获取。

1.4 Apollo HDMAP

• 任何一个点都需要多次的采集，才能得到真实的路面信息。
• 地图数据的采集，主要使用点云数据(如上图，apollo：点云数据易于处理，精度更高；缺点是采集数据成本太高)；同时Here宣称他们使用的是摄像头采集数据做高精地图，精度也可达到cm级别。
• 上图中元素识别：如图像中分类的问题，点云的分类问题。

• 高精地图数据量非常大，制作成本很高。
• 高精地图的制作流程，非常像SLAM的流程。SLAM的核心是VO和Optimization.
• 应关注点：VO,  LOOP Closing挺重要的：提高精度，加快高精地图的制作。

1.5 高精地图的制作

• 
• 高精地图的制作的自动化程度直接决定了其制作效率！

2 OpenDrive 协议

高精地图 较流行的开源格式

2.1 坐标系

2.2 Road的表示方式

2.3 OpenDrive协议下的高精地图表示方式

• xml格式拓展

• 高精地图商业化: 百度，高德，四维图新
• OpenDrive(压缩的比较狠)在机器人领域应该得比较多，在无人车领域应用的还未普遍推广； Apollo目前在使用OpenDrive时，将其进行拓展，虽然数据会变得繁琐起来，但使用起来会方便很多。

2.4 其他高精地图格式

2.4.1 LaneLet

2.4.2 Apollo OpenDrive

3 点云地图制作

3.1 基本概念

3.1.1 欧拉角

• 欧拉角的局限性：当一个角的值为±90° 时，另外两个角的旋转是一致的。关键词“万向锁”。

3.1.2 四元数

四元数在机器人学中应用广泛，很重要！

3.1.3 相机基本模型

• Z是常系数，上图Pc表示相机坐标系下的空间点坐标

输入: RBG彩色图片x5幅，基于点云制作的已经匹配好的深度图片x5幅，pose数据(R,t)x5条

输出：三维高精地图模型

3.2 代码示例

3.2.1 效果图

4 V2X

5 练习