摘 要

本文借助现阶段的三种主流地图构建软件算法，并对几种算法下的实验室模拟地图构建进行了对比与分析，另应用到百度阿波罗平台的实践与学习。

论文主要研究了具体的一种算法应用以及程序的实操，对于试验过程中的问题进行了理论与实践上的探讨与分析；另外简单学习了另外两种算法的的编程与应用，模拟了构建实验室地图，并与其他两种进行了对比分析优缺点。

研究结果表明：第一种可以实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。相比另外两种方法对激光雷达频率要求低、鲁棒性高（第二种在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）；而相比最后一种方法在构建小场景地图时，第一种是不需要太多的粒子并且没有回环检测因此计算量小于最后一种而精度并没有差太多。

关键词：无人驾驶；高清地图；Gmapping slam；Hector slam；Cartographer slam。

Abstract

This paper makes use of the current three mainstream map software algorithms, and compares and analyzes the construction of laboratory simulation Maps under several algorithms, and applies it to the practice and learning of Baidu#39;s Apollo platform.
This paper mainly studies the application of a specific algorithm and program practice, and discusses and analyzes the problems in theory and practice. In addition, we simply study the programming and application of the other two algorithms, simulate the construction of laboratory maps, and compare and analyze the advantages and disadvantages with the other two.
The results show that the first one can build indoor maps in real time, and the calculation required to build small scene Maps is small and accurate. Compared with the other two methods, the frequency requirement for Lidar is low and the robustness is high(the second is that when the robot quickly turns, it is easy to mismatch, and the resulting map is misplaced. The main reason is that the optimization algorithm is prone to fall into the local minimum value); Compared to the last method when constructing a small scene map, the first one does not require too many particles and there is no loop detection so the calculation amount is smaller than the last one and the accuracy is not much worse.

Key Words：Driverless；HD map；Gmapping slam；Hector slam；Cartographer slam

目录

第1章 绪论 6

1.1无人驾驶高清地图背景历史： 6

1.2国内外发展现状： 9

1.2.1现状综述 9

1.2.2中国国情 13

1.2.3高精度地图标准之争 13

1.3 高精地图在无人驾驶领域的作用 14

1.4高精地图与普通导航地图的区别 15

1.5高精度地图的定义 17

1.6高精度地图应用 18

1.6.1高精地图如何提高鲁棒性 18

1.6.2高精地图的大致分层 20

1.7小结 20

第2章 Gmapping slam 21

2.1 Gmapping概念： 21

2.2 Gmapping slam优缺点： 23

2.2.1优点 23

2.2.2缺点 24

2.3 关于Gmapping的基本理解 24

2.4使用RBpf建图 25

2.4.1目标分布与提议分布 25

2.4.2在RBpf的基础上改进提议分布和选择性重采样 26

2.5存在的部分问题及解决方法 28

2.5.1提出问题 28

2.5.2解决方法 29

2.6小结 32

第3章 Hector slam 32

第4章Cartographer 33

4.1 Cartographer算法原理 33

4.2局部优化 33

4.3 全局优化 35

第5章 百度apollo平台 35

5.1发展背景 35

而将这个计划命名为“Apollo”计划，就是借用了阿波罗登月计划的含义。 36

5.2平台体系 36

5.3生态系统 36

5.4技术合作 36

5.5核心支柱 37

第1章 绪论

1.1无人驾驶高清地图背景历史：

对于机器人来说，比较多见的地图有以下几种：一、图特征地图，二、拓扑地图，三、栅格地图，四、直接表征法（Appearance Based Methods），语义地图是对于人来说的常用地图，让人们能知道这是什么路，路边都有什么建筑或者什么场景等包括人类能够理解的语义信息。栅格地图的特点是易于建造也方便后期的维护，是使用栅格来建造环境要素的。栅格地图的缺点是，占用的内存空间和处理消息的速度会随着地图的不断增加而增长和变缓。几何地图中的线段，角点等几何特征，都是从周边的环境里获得并后续进行总结和糅杂，有利于对目标位置的估算和识别，但是集合地图从目标获得的传感器是否有偏差较为敏感。在拓扑地图中，将环境表达成一张拓扑意义的图，地图当中的每个点，对应着现实环境中的某些特定的地方，使用弧线链接不同的点，对大环境地图的建设是非常友好的。

建图（Mapping）和定位（Localization）是相辅相成的，同时也是分割不掉的。正确的地图的前提是定位的准确，准确的定位又可以造就正确的地图。对于机器人和无人驾驶来说，最为关键的东西（Simultaneous Localization and Mapping, 即SLAM）就是即时定位以及地图的构建。高精度地图的首要前提就是高精度的定位，否则，它将毫无意义。

从1986年卡尔·佛里特立奇·奔驰发明汽车到现在，三十多年技术不断更迭，无人驾驶即将为汽车行业的变革掀起的浪潮。然而对于各项技术成型的时间，车行、互联网、机构、通讯公司、科技公司都产生了激烈的讨论。下面是我列举的几个关于无人机发展里的关键时间段。

1）汽车电子沿着两横三纵的技术架构，逐步实现成熟的智能化和网联化：2016年-2018年主要是三大传感器的融合使用；2017年-2019年主要是高精度地图的成熟；2019年-2022年是车载通讯模块、互联网终端、通信服务的成熟；2022年-2025年主要是决策芯片和算法的成熟。

2）2016-2018—三大传感器融合：国内毫米波雷达已经开始出货；车载视觉系统硬件已经达到消费级水平，进入软件成熟期；激光雷达成本不断下降，加速ADAS和无人驾驶的普及进程。

3）2017-2019—高精度地图的成熟：传统地图无法满足自动驾驶的要求，高精度地图是L3、L4级别最为关键的技术；当前高精度地图参与者主要有图商、自动智能驾驶科技公司、ADAS方案提供商、传统车企四类，其优劣势各不相同，硬件软件逐步融合。

4）2019-2022—车载通讯模块的成熟：LTE-V在延时、频谱带宽、可靠性、组网成本、演进路线等方面都具有优势，未来的发展趋势大概率是使用LTE-V标准；目前布局的主要是半导体厂商和汽车厂商，但国内很多公司都进入了产业链，大唐电信也发布了全球第一台LTE-V车联网设备，有望在车载通讯模块爆发之际获得高速成长。

5）2022-2025—算法和决策芯片的成熟：各大厂商都在用不同的芯片设计支持不同的算法，Google自己已经开发了TPU，用于CNN加速，地平线也在开发BPU，Intel收购Mobileye打造芯片算法一体化，未来或是FPGA支持下的深度学习算法来实现自动驾驶。

高精地图是无人驾驶的必备条件，交通道路信息和路况街道数据的相结合是实现自动导航的前提，精准度十分高的构建行驶路段的环境情况，要求在10CM以内，才能够实现自动导航，并为用户提供最优的路线，使汽车能够精准的到达提前设定好的地方。各个国家的科技公司、车企对高精地图非常渴求，纷纷布局地图产业。德国三大汽车厂商（戴姆勒、宝马、奥迪）财团共斥资三十多亿美元收购了Here地图，获得自己可以控制的导航服务。而腾讯选择了投资这一方式，接近十二亿元投资了思维图新，尝试着将腾讯自带的社交客户和四维图新拥有的大量交通数据集合，创造出全新的无人驾驶车载的解决方案。

2014年，由国家测绘局发布的修订过的新一版的《测绘资质分级标准》中，明确了申请资质绘测单位及公司所需要达到的专业标准，其中包含有：大地测量、测绘航空摄影、摄影测量与遥感、地理信息系统工程、工程测量、不动产测绘、海洋测绘、地图编制、导航电子地图制作、互联网地图服务。其中导航电子地图制作和互联网地图服务决定着企业能否具有涉足无人驾驶高清地图行业的敲门砖。

具有该资质的公司可以在规定范围内进行导航电子地图数据采集、导航电子地图的编辑加工，其中包括道路数据、POI（特征点）数据、背景数据、行政界数据、图形数据、语音数据等；导航地图的公开出版、展示和使用。

导航电子地图制作之所以稀缺，是因为在于全国仅有14家单位具备此资质，伴随着国家监管力度的增强和审核门槛的增加，阻止了新的单位的进入。

无人驾驶系统是一个复杂的系统，包括摄像机、传感器、雷达来进行数据收集，计算机来进行数据的编辑与计算，有上述内容构建地图软件作为导航，来模拟实现真人司机驾驶车辆的工作，在无人驾驶系统中，高清地图作为无人驾驶领域的稀缺资源，在整个领域扮演着极其重要的角色，它可以利用各种传感器捕捉信息为汽车预先感知行驶路段的交通路况信息，如坡度、曲率、航向等，对接下来的行驶路径进行智能分析与规划，让汽车做出正确决策。
如同真正驾驶员进行驾驶活动一般，自动驾驶系统也同样需要经过感知、高精定位、决策、控制四个步骤。驾驶员通过眼睛耳朵来获取周围的环境信息，而无人驾驶系统能够将激光雷达、毫米波雷达、摄像头等传感器做为自己的眼睛和耳朵，不断的捕获分析周围的环境信息。接着是高精定位，驾驶员通过看到的听到的，再结合自己的记忆信息、地图信息来判断自己所处的位置，而自动驾驶系统是通过它的“眼睛、耳朵”获取环境信息并上传数据库，再与数据库中的信息进行比对，从而确定其精确位置。最后驾驶员根据驾驶经验和当前路况环境操控汽车行驶。而自动驾驶系统在获得了足够多的信息之后，利用人工智能为汽车接下来的制动、转向、加速等控制器下达指令，规划汽车接下来的行驶路径。在无人驾驶系统当中，高清地图起到了高精度定位、辅助环境感知、规划与决策等功能。

高清地图有两大组成部分，分别为静态地图和动态地图。其中静态地图涵盖了模拟车道、道路部件、路况信息等信息，而动态地图所包括的是道路拥堵情况、施工情况、是否有交通事故这些突发情况，是变化的信息，显然这些动态信息的变化在地图上能否及时准确的表示出来，对于无人驾驶的安全性具有很大的左右能力，实时高清地图有很高的难度，现如今行驶在马路上的汽车越来越多的搭载了各式各样的传感器，在发生了会威胁到无人驾驶安全的事件之后，通过与云端通信，可以将信息更新给更多的车辆，从而规避事故的发生。

1.2国内外发展现状：

1.2.1现状综述

在智能交通和无人驾驶行业迅猛发展的当下，一般意义上的导航地图，已经在内容、精度、完整性等各个方面都追赶不上更高层面的无人驾驶的要求。现今已经提出的无人驾驶高清地图已经得到了行业内的广泛认同以及先驱企业的着手发展。着眼现在的高精度电子地图，更多的是适用于辅助驾驶系统，另外在无人驾驶（自动驾驶）领域也有了比较可观的研究成果。譬如在进行汽车行驶导航定位及地图构建的过程中，利用高精度电子地图；以及在辅助驾驶和无人驾驶系统中，通过利用无人驾驶高清地图导航信息，并进行无人驾驶车辆的行驶轨迹导航。

目前已有许多的关于构建无人驾驶高清地图的研究，例如通过配备GPS-RTK的采集车，在某些行驶路线上进行信息采集，从而利用这些数据进行地图构建；另外也有一些成本很高的研究方法，比如通过激光雷达、摄像头等传感器进行道路交通信息采集，再配合全球卫星导航系统的定位，从而达到精度高达十厘米以内的地图构建；同样，也存在低成本研究方法，有些研究者提出，利用全球定位系统收集目标的位置信息，以及惯性导航系统综合预估目标的运动数据，二者耦合，经过整合计算预判，在初步构建地图的基础上，添加更多的目标运动数据，从而构建较为完善的无人驾驶高清地图。

日前，越来越多的国内外企业和单位，参与到无人驾驶高清地图的构建、绘测与生产当中。无人驾驶高清地图的构建在Google和Daimler的无人驾驶汽车研制与落地过程当中，扮演着至关重要的角色。2015年，奥迪、宝马、Daimler 几家公司耗费三十一亿美元，买下了诺基亚的HERE地图，究其根本，其实是为了日后进军无人驾驶高清地图领域奠定良好的基础。

2015年，无人驾驶高清地图的构建已经开始在某些场合下投入使用，2011年宝马的3系Track Trainer，2014年奥迪的RS7，都是通过无人驾驶高清地图构建，在Laguna Seca和Hockenheim，在高清地图的引导下，圆满的跑完了赛道。

自2016年开始，越来越多的互联网企业，凭借其灵敏的嗅觉发现其中商机，通过收购的方式，获取了无人驾驶地图资源，然后配合他们原有的算法、云计算能力进行无人驾驶高清地图导航信息的生产，如Google、Uber、百度、阿里等。同样，更多的车企也开始接受第三方的地图服务，2017年初，在Mobileye和三家大型汽车企业宝马、日产和奥迪所签署的协议中，三家企业可以从Mobileye获得高清地图产品的服务，而与此同时Mobileye则能够从几家企业处获得的，更多的用以完善、提高地图产品的宝贵数据。

众所周知，无人驾驶领域之中，最为稀缺的，莫过于无人驾驶高清地图，这一要素，作为无人驾驶领域的刚需，在整个领域当中起到了无可替代的核心作用，作为眼睛和耳朵，它帮助汽车去提前获取即将进入的行驶区域的道路交通信息，如路面平整程度、弯道弧度、行驶方向等，又作为大脑，为汽车做出指引，智能规划着车辆的行驶路径，让汽车按照正确的安全的行驶路线行进。另外考虑的国家安全这一至关重要的关键因素，理所当然的会禁止外企在国内进行任何地图数据采集的行为。在互联网信息共享十分发达的今天，为了国家机密的安全不外泄，同样也有着十分严苛的外资准入制度，此类企业的外资比例最高不可超过 50% 。由于这些因素，目前仅有 14 家甲级资质企业，拥有无人驾驶高清地图的绘测及生产资格，按照目前的国家标准来看，短时间内很难能够有新成员进入这个家庭，而嗅到商机的阿里、腾讯、百度等企业，争相并起，他们通过收购图商，由此拿到在无人驾驶高清地图领域的营业资质。目前在前装地图领域，已然有三足鼎立的姿态：四维图新（腾讯）、高德（阿里）和易图通（阿里）三家地图供应商，他们一起占据了高达99%的市场比重，显而易见，如此地位是其他人所望而不及，更无法撼动的，而且各自稳定的整车厂客户需求，是这三家供应商立足的根本所在，由此可见整体前装市场已然大局已定，很长一段时间内都很难发生较大的改变。

当一辆无人驾驶汽车诞生在这个世界落地，发动机启动，四面八方，将会有无数的信息上传与下载。它通过雷达来测量前后汽车与它之间的距离，它通过摄像头来获取前方路口红绿灯的信息及其他行驶路上的颜色信息，它通过激光雷达向四周发散激光脉冲，用以获取周围环境的信息。对于无人驾驶汽车而言，在行驶之中他看到的什么并不重要，而是它在行驶进入某一路段之前，它对于路况及交通信息所知道的多少，这将直接影响到行驶的安全性。

这辆无人驾驶汽车需要的，并不是一张普通的，死气沉沉的地图——它所需要的是，周围环境、路况等等各种复杂的信息，而且这些信息需要不断的更新，甚至其精度要达到厘米级别，它需要的，是一双眼睛，一对耳朵，把一副完整的周围环境的模样全部呈现在它的眼前。无人驾驶汽车在运动过程中，每天需要收集超过1T的数据，足以刻满1400张光盘，这些数据保证了它耳明眼亮，能够及时、准确的获取周围的信息。然而，每一辆无人驾驶汽车都会通过它所搭载的许多传感器接收无数的信息，而许许多多的无人驾驶汽车所获取的信息，如果全都上传到网络，这其中的成本是很不经济的。

而这些无人驾驶汽车的生产者公司，必须依靠人力将数据从一个硬盘到另一个地进行转移，这一过程复杂枯燥而又冗杂，这个过程因而为极多数的工程师所诟病，他们调侃这种工作中，硬盘的转移速度是他们的脚力。

毋庸置疑的是，无人驾驶高清地图的数据收集确实积累实体世界环境信息的至关重要的一部分，新一代的工程师们可以利用这些信息来教会新一代的无人驾驶汽车行驶得更加安全与高效。研究人员希望，无人驾驶汽车所获取的信息最终将不单单应用于交通物流，还用于增强现实技术的发展，对真实的环境进行模拟，而这一已构建的地图信息可以为无人机、各种机器人、无人驾驶汽车等所获取，用以引导更加安全高效的行驶活动。

然而，为无人驾驶汽车研究出更加有效的高清地图技术，是实现这一理想至关重要的第一步，许多充满智慧的硅谷工程师所头疼的问题在于如何将这些搭载于无人驾驶汽车上的传感器所获取的信息进行存储与整合。无人驾驶汽车革命到来的早晚，取决与更为精确的高清地图的诞生。

更为高精度的无人驾驶高清地图显然是具有极高的复杂性的，无人驾驶领域内层有异常激烈的争论便是针对于，这些虚拟的条条数据所构建的虚拟展示，到底能否称之为“地图”。搭载于各地的传感器所收集到的数据大致有以下几类：人行道的位置、各种建筑物的占地与坐标、行驶路边树木的位置信息;交通标识以及红绿灯信息;无人驾驶汽车的车速控制，比如某些地段的限速问题、人行道及路口位置的加减速问题等。当然信息获取的准确性问题也是十分重要的，哪怕是很微小的变化，都可能产生巨大的影响，甚至是地壳运动每年只有那么几厘米。

地图初创企业Civil Maps的CEO拉万·普塔贡塔曾说：“很多公司都不知道如何存储他们的数据，这也是为什么自动驾驶汽车被lsquo;地理围栏rsquo;圈住了。它们不可能在车厢中载下所有数据，所以只能被限制在特定区域内。”

既然有这样的言论，那当然Civil Maps正在试图着手去解决这一问题，为了方便进行地图数据的管理，但是到现在为止还没有任何企业的企业标准能够代表行业标准。值得注意的是，处理这些数据来构建地图的人工智能并不完美，通常情况下还是需要有人来检查人工智能所构建的地图的是否需要更新数据，以及分析无人驾驶汽车行驶过程中出现的问题，找出问题的原因。

另一大挑战是该行业的深度碎片化，目前行业内高清地图并没有通用的大家都所接受的标准，每个企业之间也不可能达成数据共享，毕竟每家都认为自己所掌握的数据是自家的立足根本，视其为商业机密。

“每家公司都在努力开发自己内部的高精地图解决方案，以便满足自己的自动驾驶汽车需求，而这没有规模效应，”DeepMap的吴夏青说，“这就像在重新发明车轮，浪费了大量资源。这也可能是阻止自动驾驶汽车成为商品的原因之一。”

现如今越来越多的企业对于专业3D地图越来越高的需求，而业内又存在着老一代的Here和卫星导航设备制造商TomTom等，也有新一代的DeepMap等新兴企业，两代企业之间竞争日益激烈。尽管这些初创公司只专注面向全自动驾驶汽车的地图，但Here和TomTom相信，尽管无人驾驶汽车暂时还没有大规模的面世，但是无人驾驶高清地图在辅助驾驶方面也同样可以扮演十分重要的角色，因而无人驾驶高清地图的研究还是十分必要的。

TomTom的自动驾驶部门主管威廉·斯特里博施如是说道，无人驾驶汽车所使用的地图是传统意义上的地图或者现今当前应用的地图所远远不能及的，无人驾驶地图的公用，将不仅仅是导航，还需要“承担安全关键功能”，关乎着无人驾驶汽车的安全保障问题。

同时威廉还补充道，“另一个不同之处在于你不能再用GPS作为在地图上进行定位的唯一手段，因为这一全球定位系统对于自动驾驶汽车而言并不够精确。”

在大部分传统汽车地图绘制企业的眼里，高清地图拥有着极其重要的商业价值，将在未来几年甚至很长一段时间，为企业带来十分可观的收入。

“像电视的发展一样，从传统电视到高清和4K一旦发展起来，就不会走回头路，”赫尔威奇表示，“我们认为，未来我们销售的大部分地图都将是高精地图。”

在高清地图领域，日本同样也拥有着走在行业前列的技术：QZSS，准天顶卫星系统，用以民用方面的高精度定位。日本境内稠密且多山谷，GPS的定位精度远远不能满足高清地图的要求，QZSS的研究则改善了这一问题，对于提高定位精度做出了巨大贡献。

在无需地基增强的情况下，QZS可以实现亚米级定位。在地基增强下，可以实现厘米级定位。

当然还有一种不依赖GPS的高精度定位，那就是激光雷达和DR（惯导）。　然而这种不需要依赖GPS的定位有一个很重要的要求就是必须预先有一张使用雷达或者激光雷达测绘的先验（Prior）地图，显然这种方式的工作量是显而易见的，如此巨大的任务量带来的便是高昂的成本，因而不宜实行。

VRS（信号源高保真技术）最突出优势是其相较于其他而言传播范围更加广远：VRS网络中固定参考站的距离增大，两个基站之间的距离可达到70公里，三个基站所构成的三角形的面积可以达到2100多平方公里。以北京为例，城区面积为900多平方公里，三个参考站即可覆盖，北京市面积1.68万平方公里，十个参考站即可覆盖。

　　

当然VRS同样也存在着以下缺点：

　　（1）由于VRS采用的是双向通信，这便导致其在线用户数不能过多。

　　（2）虚拟参考基站随着用户（流动站）的移动（超过一定距离）要重新初始化，并且是不可追踪、不可重复的虚拟的参考基站。

　　（3）人为的规定了一个参考站站网中参考站的数量，一般情况下为三个。它们是由参考站软件所决定的，用于计算流动站所需要的改正数。此项约束限制了系统采用合适数量的参考站解决占主导地位的大气条件，例如建立大尺度气象活动的模型问题。这种约束也影响到成果的稳定性，并表现出对网络的几何形态及对数据的传输损耗十分敏感。如果三个站中有一个站不能为这个网络提供数据，那么网络软件必须搜索另外一个合适的参考站，并为用户重新安排改正计算。在搜索过程中，没有网络改正数可以提供给流动站用户，影响外业生产的效率。

　　（4）VRS的传播讯号更倾向于专用接收机，讯号具有偏向性。

　　对测绘系统来说，VRS的缺陷几乎可以忽略，一般只有极少的用户绘测系统在线，另外也不会一直在野外勘测数据，那是只有新入行的才会做的入门磨炼。再有就是流动站（更多情况下是用的手机或者接收机）并不会以很快的速度运动。

1.2.2中国国情

　　由于地图信息数据关系到国家安全，而为了保障国家安全，在中国进行地图数据勘测的地图厂商都需要加装“国家保密插件”（也称之为加密插件、加偏或SM模组）。在加装了这种插件之后会将坐标加密，将真实坐标生成为虚拟坐标，而且这一加密并非简单导致虚拟坐标和真实坐标产生线性关系，而是各有不同，在不同地区测绘的数据获取的加密数据是不同的。这一插件名为GCJ-02，它是一种对经纬度数据的加密算法，就是对经纬度的数据进行随机的数值的偏差以进行加密。 在国内出版的各类地图软件（包括电子形式），都必须至少采用GCJ-02对地理位置进行首次加密。有些从事在线地图的厂商则会利用这一插件进行二次加密，用以保护自己的地图数据。

1.2.3高精度地图标准之争

　现如今高清地图绘制企业争相并起，也有些企业做的比较出色，但是高清地图的标准缺还尚未统一。先来看ADASIS，ADASIS定义了地图在ADAS中的数据模型及传输方式，以CAN作为传输的通道。现在ADASIS Forum被划入ERTICO（ITS Europe，欧洲的智能交通组织）。目前主要使用的是2010年的V2版，V3版将在2017年中期推出。ADASIS V3自2015年6月开始筹建，预计将以CAN和车载以太网为传输通道。ADASIS是典型的欧洲标准，下面三个工作组中都是欧洲企业，特性组由奔驰主导，新特色组由博世主导，内部操作可能性由欧宝（PSA）主导。ADASIS成员包括了几乎全部整车厂和Tier 1。当然，在ADASIS的官方网站上，ADASIS成员中中国企业仅沃尔沃、四维图新和沈阳美行三家。美国第一大图商谷歌也未加入，还有日本的日产未加入。

电子地图数据格式有两种，分别是交换格式和物理格式。交换格式通常是给人看的，让人能清楚的看懂，大部分是ASCLL码，数据量偏大，信息记录完整充分，传递使用简单方便。比如，MapInfo的MIF格式就是常见的交换格式。物理格式就不同了，是给计算机使用的，所以是二进制的，内容紧凑，效率高，内容与内容的关系比较密切，经常通过地址产生偏差，首要目标是更小、更快。常见的五例格式有MapInfo的MAP格式。

母库格式、交换格式、存储格式是导航电子地图的三个层次。格式几乎决定着导航功能实现的可能性。我们先来说母库格式，母库格式编辑和保存都很方便，是导航数据编辑、存储都可以直接进行的格式，TAB格式就是目库格式。交换格式一般都是公开格式，方便进行转换应用，能够转换到各种应用导航数据，GDF格式是常见的交换格式。四维用的NIMIF格式，高德用的AXF格式，瑞图用的RTM格式。除此之外还有的存储格式，原本是意指数据储存于计算机之中，但是一般情况下在导航之中代表的是导航引用格式，如KIWI格式。高清地图厂商们都拥有着自己的母库，每家厂商的母库和他们所创造研究的交换格式都是独一无二的。目前行业内的许多厂商都使用着不同种类的存储格式，保守估计有三十种以上，这样子就会有这样一个问题，一个服务中心需要应付不同厂商的迥然不同的格式的个性化存储。因而号召推广采用统一存储格式用以优化中心服务，是提高高清地图实用性的一大关键问题。

　　根据上面涉及的问题，各个国家的专家早已开启了新一代能够支持增量更新的电子地图存储标准的研究。里面有所成就的有日本的KIWI3.0和欧洲的NDS。就现在的情况来看，欧洲NDS胜算比较大。像奔驰、宝马、日产、大众、沃尔沃、现代以及雷诺都是支持DNS的厂家。但是日系和美系都没有采用NDS的系统。

1.3 高精地图在无人驾驶领域的作用

有了高清地图的帮助之后，无人驾驶汽车可以更容易地获取到一些信息，诸如实时的地理位置、接下来行驶的路线、周围物体与建筑的模样、前后车的距离、当前应该行驶的车道和方向、前方路口红绿灯情况等，并且赋予无人驾驶汽车超视距感知能力，能够提前预知前方路段的坡度、弯道弧度等信息。高清地图作为无人驾驶系统的眼睛、耳朵和大脑，帮助无人驾驶系统进行感知、定位、决策、控制、调控，提高系统鲁棒性。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：