Скрытая роль высокоточных цифровых карт в развитии систем автономного вождения

Среди разработчиков систем автономного вождения до сих пор продолжается дискуссия о том, насколько важны высокоточные цифровые карты (HD-карты) для развития технологии. Мнения ведущих игроков отрасли разделились: кто-то полагается только на компьютерное зрение ^[1] и визуальные модели, а кто-то делает ставку на цифровые карты.

Мы в Navio сторонники второго подхода и считаем, что высокоточные цифровые карты — перспективная и надежная база для развития автономных технологий, поэтому подробно расскажем об их роли в архитектуре систем автономного вождения и о том, почему считаем их ключевым элементом для повышения уровня автономности в будущем.  

Как устроены высокоточные цифровые карты

Высокоточные цифровые карты — это модель окружающего мира, по сути — виртуальный двойник дороги. Это не фотография со спутника или схема улиц города, по которой человек может ориентироваться на местности, а структурированный набор слоев и атрибутов, которые предназначены для машинного восприятия ^[2] и анализа.

Разница с обычными навигационными картами заключается в устройстве, точности и детализации. Если на обычной карте отклонение точности позиционирования может составлять метры, то в высокоточных цифровых картах погрешность должна быть не более 10 сантиметров. Кроме того, карты из обычных геосервисов зачастую отрисованы исключительно на основе снимков со спутника и даже не имеют разметки полос, а линия дороги располагается по центру всей проезжей части.

Структура цифровых карт значительно сложнее и состоит из нескольких уровней:

– базовый графический дорожный слой;
– слой локализации;
– модель полос;
– динамические сервисы.

Каждый из слоев закрывает определенную задачу и фиксирует:
– точную геометрию дорог: координаты, границы, стационарные ориентиры, трехмерную (3D) модель дорожного полотна;
– семантический слой: разметка, знаки, светофоры, бордюры;
– топологию движения: предписания движения по полосам;
– атрибуты для планирования: скоростные лимиты, тип покрытия, уклоны;
– информацию об окружающем мире и условиях, влияющих на безопасность движения и помогающих видеть за пределами сенсоров. Например, информацию об инцидентах на дороге, трафике, погодных условиях и так далее.

Зачем высокоточные цифровые карты нужны автономному транспорту

Автономное транспортное средство должно действовать не только исходя из сложившейся обстановки на дороге в данный момент, но и видеть за пределами сенсоров — предсказывать, что будет за поворотом. А для этого нужно знать как устроена дорога впереди и точно понимать свое местоположение. 

Чем больше полных и точных данных будет у ИИ-водителя, тем увереннее он будет чувствовать себя на дороге. Например, графический слой с геометрическими данными помогает рассчитывать идеальные траектории движения. Семантический слой добавляет смысл геометрии и помогает ИИ-водителю корректно интерпретировать дорожную среду. Слой локализации используется для точного определения местоположения автомобиля. Все это объединено в высокоточных цифровых картах и создает для ИИ-водителя комфортное пространство с обозначенными условиями, внутри которого система принимает решения.

Важно отметить, что цифровые карты содержат детальную информацию о дорожной среде, поэтому автономному транспорту почти невозможно обойтись без них на узких городских улицах, сложных дорожных развязках и в зонах с плохой GPS (глобальная позиционирующая система) локализацией.

Как ИИ-водитель использует высокоточные цифровые карты

Обращение ИИ-водителя к цифровым картам происходит на всех этапах процесса вождения. Однако цифровая карта — это статичное пространство, а мир вокруг — динамичный. Поэтому, если упрощать архитектуру, то схема взаимодействия выглядит так: цифровая карта изображает модель окружающего мира, сенсоры фиксируют изменения, а ИИ-водитель объединяет и сверяет эти данные и на их основе принимает решения.

Если представить общение ИИ-водителя с цифровыми картами в виде диалога, то можно определить несколько ключевых вопросов:

1) «Где я и что вокруг меня?»
В первую очередь необходимо с максимальной точностью определить местоположение автомобиля. Для этого лазерные локаторы (лидары), камеры и радары сканируют пространство, далее система сравнивает полученные данные со слоем локализации цифровых карт, находит совпадения и привязывается к знакомым стационарным ориентирам, определяя с точностью до сантиметров положение автомобиля.

2)«Где можно ехать?»
Обращаясь к графическому и геометрическому слою, ИИ-водитель получает информацию о размерах, качестве дорожного полотна, границах полос, уклонах, изгибах дорог, а также о топологии перекрестков. Эти данные помогают заранее планировать движение и выбирать идеальные траектории.

3)«Как здесь можно ехать?»

Семантический слой содержит информацию о дорожных знаках, светофорах, пешеходных переходах, ограничениях, приоритетах и предписаний режимов движения. ИИ-водитель использует этот слой как базу правил, которые необходимо соблюдать на данном отрезке пути. А с помощью сенсоров он сверяет актуальность данных карты с реальностью.

4)«Что впереди?»
Благодаря цифровым картам ИИ-водитель знает, что его ожидает за ближайшим поворотом или перекрестком. Поэтому он может планировать свои действия наперед и выбирать более безопасные траектории движения и скоростной режим. Все это позволяет расширить зону видимости за пределы покрытия сенсоров.

Несмотря на то, что компоненты из набора сенсоров (сенсорсета) работают по принципу взаимодополнения, а также существует множество дублирующих систем для предотвращения отказов, важно отметить, что цифровые карты являются дополнительным контуром безопасности. Они не могут полноценно заменить компоненты набора сенсоров (сенсорсета), но повышают устойчивость системы в целом. В условиях, когда возникают непредвиденные ситуации в виде выхода из строя отдельных компонентов, либо ухудшения видимости и невозможности определения визуальных ориентиров из-за погодных условий, цифровые карты остаются надежной подстраховкой.

Как создаются высокоточные цифровые карты

Создание цифровых карт — одно из самых сложных, дорогих и трудоемких направлений разработки систем автономного вождения. Однако специалисты Navio разрабатывают собственное решение, которое наиболее точно отвечает нашим задачам и условиям. Наши цифровые карты характеризуются высокой точностью, опцией трехмерной (3D) визуализации, простой интеграцией в автономный транспорт и симуляцию для обучения ^[3] ИИ-водителя, удобством редактирования, расширенным набором дорожной инфраструктуры.

Данные для цифровых карт собираются с помощью специальных мобильных сканеров и состоят из:
– видеозаписей реальных проездов;
– набора точек данных, созданных лазерным локатором (лидарных облаков);
– данных глобальной навигационной спутниковой системы (GNSS-треки), отображающие привязку к глобальной системе координат.

Цепочка производства цифровых карт выглядит следующим образом:
1. Получение данных с мобильного сканера
2. Подготовка набора точек данных, созданных лазерным локатором (лидарных облаков)
3. Подготовка растров интенсивности отражающей способности
4. Отрисовка объектов
5. Построение поверхности цифровой карты
6. Подготовка трехмерной (3D) визуализации
7. Проверка топологии цифровой карты
8. Синтетические тесты
9. Тестирование цифровых карт на местности
10. Готовая высокоточная цифровая карта

Жизненный цикл такой карты представляет из себя закольцованную последовательность повторяемых процессов: сбор данных -> обработка и валидация -> контроль версий (версионирование) и управление изменениями -> доставка -> обратная связь от флота и обновление опыта ^[4] -> сбор данных. В реальности это выглядит так: автомобиль ездит по одним и тем же локациям, проезжая по той или иной геометрии, он определяет различия между предыдущей и актуальной фиксацией. Далее он сообщает о наличии изменений и передает данные в систему автоматизированной системы оценки (скоринга) и арбитража, которая сравнивает отличия с нескольких проездов и решает что делать — самостоятельно в автоматическом режиме поменять карту, либо передать данные на ручную обработку человеку.

Как можно увидеть на примере этих цепочек, процесс непростой и довольно продолжительный. Это влечет за собой определенные трудности, связанные с увеличением зон покрытия, скорости сканирования, объемами поступающей для обработки информации, а также частотой обновления карт. Также некоторые сложности для масштабирования и цикличного обновления карт несет динамичная городская среда с быстро меняющимися дорожными условиями и инфраструктурой. А также сезонные явления в виде снега, льда, влекущие изменения качества и видимости дорожного полотна. Несмотря на все эти сложности и ограничения, с начала прошлого года мы оцифровали более 6000 километров дорог в 56 локациях и смогли добиться высокой скорости оцифровки. Важно отметить, что скорость оцифровки значительно зависит от типа локации — город или трасса и ранжируется от 18 минут до 8 часов на 1 километр. Например, если один район Москвы площадью 28 квадратных километров содержит 1800 дорожных знаков, 800 светофоров, 300 перекрестков и примыканий, а также 450 километров линий разметки, то это слишком насыщенный по количеству объектов и трудоемкий для оцифровки объем. А трасса М-12 «Восток» на участке в 800 километров содержит всего несколько сотен знаков, стандартную линейную разметку и лимитированное количество примыканий, поэтому оцифровка такого типа локации в разы легче, чем одного городского района. В ближайшем будущем мы планируем сократить скорость сканирования и обработки в несколько раз, значительно расширить зоны покрытия, а также модифицировать наше решение.
 
Будущее высокоточных цифровых карт

Тенденции развития технологии автономного вождения говорят о том, что в ближайшем будущем разработчики не станут отказываться от использования цифровых карт, а наоборот будут искать пути для более глубокой интеграции и масштабирования своих решений. Использование цифровых карт позволит сделать автономное вождение более безопасным и предсказуемым, но потребует значительных ресурсов и создания масштабной инфраструктуры. 

Потенциально цифровые карты могут превратиться из утилитарного инструмента для разработчиков в новый интеллектуальный сенсор на борту автономного автомобиля и стать важной составляющей коллективного интеллекта ^[5] всего автономного флота. Это откроет широкие возможности для интеграции с технологией v2x (Vehicle to everything — автомобиль, подключенный ко всему) и создания единой интеллектуальной транспортной системы.

Дорожная инфраструктура меняется постоянно, а поддержание актуальности цифровых карт — дорогая и ресурсозатратная задача. Поэтому снижение стоимости производства цифровых карт, вычислительной нагрузки и более эффективная работа с данными — один из основных приоритетов для разработчиков. При условии решения задач, связанных со скоростью сбора, передачи и обработки данных, технология позволит создать из высокоточных цифровых карт динамичную и живую модель среды, которая будет непрерывно обновляться в реальном времени и кратно увеличивать области покрытия.