地图定位与轻图路线：融合、降级与工程挑战

本页关注地图在定位与规划中的使用方式，以及"轻地图/无图"路线的技术边界与工程挑战。

1. 地图辅助定位原理

1.1 定位问题的本质

自动驾驶定位的目标是实时估计车辆在地图坐标系中的精确位姿：

\[\text{Pose} = \{x, y, z, \text{roll}, \text{pitch}, \text{yaw}\}\]

单纯依靠 GNSS 的精度（标准定位 1–5 m）远不足以实现车道级定位（< 20 cm）。地图作为先验知识，与实时传感器结合可显著提升定位精度。

1.2 LiDAR 地图匹配

NDT 地图匹配流程：

预先建立 NDT 地图（将全局点云体素化，每格建高斯分布）
实时 LiDAR 扫描与 NDT 地图配准
优化变换矩阵：

\[T^* = \arg\max_T \sum_{p \in \text{scan}} p_\text{ndt}(T \cdot p)\]

输出当前位姿与匹配置信度

ICP 地图匹配：

相比 NDT，ICP 对初始值更敏感，但在特征丰富场景（如室内或结构清晰的建筑旁）精度更高。

工程优化：

优化方向：
  ├─ 多分辨率 NDT：粗→细，加速收敛
  ├─ 点云预处理：地面滤除，降低干扰
  ├─ ROI 裁剪：只匹配车辆周围 50 m 内的地图
  └─ GNSS 提供初始位姿猜测，缩小搜索范围

1.3 视觉特征地图匹配

特征地图（Feature Map）：

建图阶段提取稳定的视觉特征点（ORB/SuperPoint）
为每个特征点存储 3D 坐标和描述子
定位时：特征匹配 → PnP 求解位姿

语义地标匹配：

使用高层语义元素（路灯、道路标志、人行横道线）作为定位锚点：

高层语义比低层特征点更稳定（不受光照、季节变化影响）
精度较低（30–100 cm），但覆盖范围更广

1.4 概率定位框架

粒子滤波（Particle Filter）：

\[p(\mathbf{x}_t | \mathbf{z}_{1:t}, \mathbf{u}_{1:t}) \approx \sum_{i=1}^N w_i^{(t)} \delta(\mathbf{x} - \mathbf{x}_i^{(t)})\]

通过维护一组粒子（每个粒子代表一个可能的位姿假设），通过运动更新和观测更新迭代估计位姿分布。

优点：可处理多模态分布（定位歧义场景）；缺点：粒子数量与精度的权衡，高精度需要大量粒子。

2. 多传感器融合定位架构

2.1 典型融合架构

GNSS 全局约束
    │
    ├─ 紧耦合 GNSS/IMU（高频，50–200 Hz）
    │   提供粗粒度全局位置和姿态
    │
    ├─ LiDAR 地图匹配（10–20 Hz）
    │   提供精确 3D 位置约束
    │
    ├─ 视觉里程计（10–30 Hz）
    │   提供短时精确相对位移
    │
    └─ 因子图融合（全局优化）
        输出：高频（50 Hz+）精确位姿估计

2.2 权重自适应机制

各传感器的融合权重根据实时质量评估动态调整：

def compute_fusion_weights(gnss_quality, lidar_score, vo_score):
    """
    返回归一化融合权重
    """
    weights = {
        'gnss': gnss_quality * W_GNSS_BASE,
        'lidar': lidar_score * W_LIDAR_BASE,
        'visual': vo_score * W_VO_BASE
    }
    # 归一化
    total = sum(weights.values())
    return {k: v / total for k, v in weights.items()}

3. 地图质量对定位的影响

3.1 精度-时效性分析

地图采集时间（月前）
    ↑
0   │████ 高精度，低误差
1   │████ 少量变化
3   │███░ 局部失配（施工、标志变更）
6   │██░░ 较多区域失配
12  │█░░░ 显著退化（城区）
    └──────────────────→ 定位误差

城区变化快，地图时效性要求高（月级或周级更新）；高速公路变化少，季度更新可接受。

3.2 地图失配对定位的影响

失配类型	匹配残差变化	定位误差影响
新增障碍物（临时锥桶）	小幅上升	轻微
路面标线重新划定	中等上升	中等（10–50 cm）
道路改道	大幅上升 → 配准失败	严重（可能跳变）
建筑物拆除	中等上升	中等

4. 地图失效与降级

4.1 地图健康度评分

设计统一的地图健康度评分驱动降级决策：

map_health_score = α × match_score + β × timeliness_score + γ × coverage_score

match_score:      当前配准残差（越低越好）
timeliness_score: 地图距上次更新的时间（越新越好）
coverage_score:   当前区域地图覆盖完整度

α + β + γ = 1，按场景调整权重

4.2 降级路径

map_health_score
    │
    ├─ > 0.8：正常运行，地图先验权重正常
    │
    ├─ 0.5–0.8：
    │   ├─ 降低地图先验权重（提升实时感知权重）
    │   ├─ 限速（城区 40 km/h，高速 80 km/h）
    │   └─ 禁止自动变道，使用感知主导轨迹
    │
    ├─ 0.3–0.5：
    │   ├─ 触发重定位（主动搜索全局匹配）
    │   ├─ 发送 TOR 预警（非紧急）
    │   └─ 切换至最保守驾驶模式
    │
    └─ < 0.3：
        ├─ 地图失效判定
        ├─ 触发 TOR（紧急）
        └─ 执行 MRC

5. 轻地图路线

5.1 技术定义

"轻地图"（Lightweight Map / Sparse Map）不等于"没有地图"，而是以更低成本的地图覆盖核心功能需求：

信息层	完整 HD Map	轻地图
道路拓扑骨架	✓	✓（保留）
车道几何（厘米级）	✓	△（降精度）
语义元素（停止线等）	✓	△（关键路口保留）
定位特征点	✓	✗
依赖实时感知	低	高

5.2 典型实现策略

策略一：道路拓扑 + 关键语义

保留：路口连接关系、限速、关键停止线依赖感知：车道边界、动态障碍物、实时几何

策略二：众包轻图（Crowd-sourced Map）

量产车辆行驶中提取道路骨架
用大量用户数据众包生成稳定的轻量语义地图
Mobileye REM（Road Experience Management）是典型代表

策略三：语义先验地图

只存储高层语义信息（路口类型、限速区域、关键地标）
实时感知负责填补细节，地图提供结构化约束

5.3 优缺点分析

维度	完整 HD Map	轻地图
采集成本	极高（专业采集车）	中（部分众包）
更新速度	慢（天–周级）	快（实时众包）
感知依赖	低（地图提供先验）	高（感知承担更多）
长尾风险	低（地图覆盖边界）	高（感知不确定性增加）
ODD 覆盖	受采集区域限制	理论上更广

6. 无图路线的边界

"无图"并非真正无先验知识，而是最小化对预先构建地图的依赖。

6.1 仍然需要的先验

即使是"无图"方案，也离不开：

先验类型	作用
基础导航地图	全局路由规划
交通规则数据库	限速、信号灯逻辑
高层地理信息	区域特征（城区/高速/乡道）
在线实时数据	交通状况、临时管制

6.2 主要挑战

无图路线的核心挑战：
  ├─ 车道级定位：无地图先验时，仅靠感知定位精度有限
  ├─ 长尾场景：不熟悉区域的复杂路口处理能力下降
  ├─ 遮挡与能见度：感知不确定性无法被地图先验弥补
  └─ 安全余量收紧：系统需要比"有图"时更保守的速度策略

6.3 行业代表案例对比

公司/系统	地图策略	核心能力
Waymo	完整 HD Map，精细建图	特定区域超高精度，ODD 明确
Tesla FSD	仅 SD Map，轻语义先验	泛化能力强，新区域快速扩展
Mobileye	REM 轻图，众包更新	大规模 ADAS，成本低
Cruise	HD Map + 本地特征	特定城市深度运营

7. 定位与规划接口设计

7.1 定位输出对规划的影响

规划层直接消费定位输出，接口质量至关重要：

localization_to_planning:
  pose:           # 6-DOF 位姿
  confidence:     # 置信度（影响规划的安全余量）
  mode:           # NORMAL/DEGRADED（影响是否允许高速变道）
  map_match_score:# 地图匹配质量（影响是否依赖地图语义）
  uncertainty:    # 位置协方差矩阵（影响轨迹规划的安全边界膨胀）

7.2 安全余量自适应

def compute_safety_margin(localization_confidence, map_health):
    base_margin = 0.3  # 基础安全余量（米）

    # 定位不确定性增加余量
    loc_factor = (1 - localization_confidence) * 0.5
    # 地图健康度不足增加余量
    map_factor = (1 - map_health) * 0.3

    return base_margin + loc_factor + map_factor

8. 评估指标建议

指标	定义	目标值
地图匹配成功率	配准收敛且残差 < 阈值的帧比例	> 99%
定位横向误差 P95	95% 时刻的横向定位误差	< 15 cm
地图失效触发率	每万公里触发地图降级的次数	< 5 次/万公里
降级后任务完成率	地图降级期间的任务完成比例	> 95%
地图更新响应时间	从道路变化到地图更新完成	< 24h（城区热点）

9. 实践建议

统一健康度分数驱动"地图权重自适应"：避免硬编码"有地图/无地图"二元逻辑
在高变化区域优先做高频增量更新：施工频繁路段每天更新，而非月度更新
把地图问题纳入算法回归集：地图版本更新时需要同步运行定位回归，确认匹配质量不下降
建立地图降级对安全指标的影响模型：量化"地图健康度下降 X%"对接管率的影响
为规划层暴露地图可信度：让规划知道当前地图质量，动态调整行驶策略