CCAM(Collaborative, Connected and Automated Mobility)에서는 지능형 운전 차량이 주변 환경을 인지하고, 모델링하고, 분석하는 능력이 강할수록 차량이 더 잘 인식하고 능력을 갖게 됩니다. 결정을 내리고 복잡한 운전 시나리오를 안전하고 효율적으로 실행합니다. 고정밀(HD) 지도는 센티미터 수준의 정확도와 차선 수준의 의미 정보로 도로 환경을 나타내므로 지능형 모빌리티 시스템의 핵심 구성 요소이자 CCAM 기술의 핵심 요소입니다. 이러한 지도는 자동화된 차량이 주변 환경을 이해하는 데 있어 강력한 이점을 제공합니다. HD 지도는 LiDAR, 카메라, GPS, IMU와 같은 물리적 센서(지도)의 지식을 통합하여 도로 환경 모델을 구축하므로 숨겨진 센서 또는 가상 센서로 간주됩니다. HD 맵은 도로 형상 및 의미 정보뿐만 아니라 도로 참가자, 기상 조건, 작업 구역 및 사고에 대한 실시간 인식 업데이트를 포함하여 스마트 시티 디지털 인프라의 전체적인 표현을 향해 빠르게 발전하고 있습니다. 자율주행 차량을 대규모로 배치하려면 차량 내 자율주행 차량이 제대로 작동할 수 있도록 지도를 지속적으로 업데이트하기 위해 협력하는 대규모 차량 함대에 의해 이러한 지도를 구축하고 유지관리해야 합니다. 이 문서에서는 고도로 자동화된 운전(AD) 시스템에서 이러한 지도의 다양한 적용에 대한 광범위한 검토를 제공합니다. 우리는 고정밀 지도를 구축하고 유지하기 위한 다양한 방법과 알고리즘의 최근 발전을 체계적으로 검토합니다. HD 지도 배포를 위한 데이터, 통신 및 인프라 요구 사항도 논의하고 종합합니다. 마지막으로 현재의 과제를 검토하고 차세대 디지털 매핑 시스템에 대한 향후 연구 방향을 논의합니다.
현대 위성 시스템과 이미지 기술의 출현은 세계의 정확하고 상세한 디지털 표현 생성에 혁명을 일으켰으며 현재 우리가 부르는 것을 생산합니다. Google Maps, OpenStreetMap, Apple Maps, Garmin 및 Mapbox와 같은 디지털 지도. 디지털 지도는 도로 구조와 기본 의미 정보는 물론 관심 지점(POI)을 인코딩합니다. 위성 이미지에서 이러한 지도를 구성하는 데 필요한 지리적 특징을 추출하고 식별하는 데는 여러 가지 방법과 기술이 있습니다. 디지털 지도는 이제 일상 생활에서 필수적인 도구이며, 특히 GPS와 통합될 경우 더욱 그렇습니다. 실제로 이러한 통합은 수많은 디지털 서비스, 가장 중요한 탐색 및 경로 구축의 핵심 구성 요소였습니다. 주로 인간을 돕기 위해 개발된 이 지도는 이제 인간 운전자를 돕기 위해 최신 차량에서 사용할 수 있습니다. 그러나 이러한 지도는 정확성과 정밀도, 그리고 AD에서 요구하는 업데이트 시간이 제한되어 있습니다. 차량은 어느 정도의 위치 정확도와 상세한 차선 수준 정보를 요구합니다.
차선 유지 보조 및 적응형 크루즈 컨트롤(ACC)과 같은 첨단 운전자 지원 시스템(ADAS) 기능의 요구 사항을 충족하도록 디지털 지도가 크게 개선되었습니다. 이러한 향상된 디지털 지도의 일반적인 기능에는 속도 제한, 도로 곡률 및 경사도, 차선 정보, 교통 표지판 및 신호등이 포함됩니다. ADAS 지도라고도 알려진 향상된 디지털 지도는 이제 대부분의 최신 차량에 필수적인 부분으로 ADAS 기능을 활성화합니다. 향상된 디지털 지도는 차선 수준의 정보를 제공하지만 기하학적 정확성과 의미론적 세부 수준은 더 높은 수준의 자율성에서의 적용 가능성을 제한합니다. AD 시스템에서 차량은 주변 환경에 비해 매우 정밀하게 위치를 지정하고 현재 상황을 이해하며 충돌 없는 궤적을 계획해야 합니다. 이러한 수준의 자율성을 달성하려면 자동화된 차량은 센티미터 수준의 위치 정확도와 차선 수준의 기하학적 정보를 갖춘 지도뿐만 아니라 도로 환경의 모든 정적 및 동적 특성을 포함하는 환경의 3D 모델도 획득해야 합니다.
위 요구 사항을 충족하려면 고정밀 지도, 즉 고정밀 지도를 생성해야 합니다. 그림 1은 지도의 진화, 특징, 용도뿐 아니라 포함된 정보, 정확성, 세부 수준을 보여줍니다.
지난 10년 동안 학계와 업계 모두 대규모 연구 및 개발 노력을 통해 저렴하고 자체 유지 관리되며 확장 가능한 고화질 지도의 한계를 뛰어넘었습니다. . 그러나 자율 이동성을 가능하게 하는 HD 맵의 잠재력과 궁극적인 목표를 방해하는 HD 맵 구축에는 여전히 해결되지 않은 몇 가지 문제가 있습니다. 이러한 과제는 다음 범주로 나눌 수 있습니다.
이 백서는 계층화된 아키텍처의 통합 모델을 포함하여 HD 맵에 대한 심층적인 개요를 제공합니다. 동시에 모듈형 AD 시스템에서 고정밀 맵의 중요성이 강조되고 다양한 AD 핵심 기능에서의 활용이 종합됩니다. 이 기사에서는 비용 효율적인 솔루션과 통신을 포함하여 지도 데이터 수집, 통신, 처리, 보안 및 비용과 관련된 과제에 대한 광범위한 검토를 제공하고 생성부터 배포까지 지도 데이터 요구 사항을 제공합니다. 또한 HD 지도를 구축하고 유지 관리하는 데 있어 현재의 과제에 대해서도 논의합니다. 마지막으로 미래 및 차세대 모바일 고정밀 지도에 대한 몇 가지 영감을 제공합니다. 주요 기여를 요약하면 다음과 같습니다.
초기 HD 지도는 ADAS에서 사용되는 향상된 디지털 지도의 확장일 뿐이며 초기 지도라고 합니다. HD 지도라는 용어는 최근에야 등장했지만 이제 Tier 1 자동차 회사, 지도 제공업체 및 OEM을 포함한 CCAM 업계에서 널리 받아들여지고 있습니다. HD 맵은 자동화된 차량이 매우 높은 정확도로 주행 환경을 이해하는 데 필요한 모든 정보를 캡슐화합니다. 일반적으로 HD 맵이 CCAM의 핵심 지원 요소라는 점은 인정되지만, HD 맵을 구성하는 정보와 이 정보를 표현하는 방법에 대한 명확한 지침이나 표준은 없습니다. 그럼에도 불구하고 시중에서 판매되는 HD맵은 공통적인 특징을 공유하고 있습니다. 센티미터 수준의 위치 정확도와 차선 수준의 기하학적, 의미적 정보의 가용성은 대부분의 HD 지도에서 필수적인 기능입니다. 가장 기본적인 수준에서 HD 지도는 단순히 정확한 위치가 도로 표지판, 차선 표시, 차선 경계 및 차선 구분 기호를 나타내는 일련의 점과 선분일 수 있습니다. AD 시스템의 요구 사항으로 인해 오늘날의 고정밀 지도는 점점 더 복잡해지고 있으며, 다양한 소스의 데이터는 운전 환경에 대한 여러 계층의 정보를 구성합니다. HD 지도를 여러 레이어로 나누면 도로 환경에 대한 보다 구조화된 데이터 표현이 가능해집니다. 이를 통해 다양한 세부 수준에서 환경을 모델링해야 하는 AD 시스템의 다양한 구성 요소에 대한 접근성이 용이해집니다. 또한 계층적 데이터 표현을 통해 지도 구성, 저장, 검색 및 유지 관리가 쉬워집니다. 이러한 레이어의 예는 그림 2에 나와 있습니다.
위에서 언급했듯이 차선 경계, 차선 표시 유형, 교통 방향, 횡단보도, 주행 가능 영역 다각형, 교차로 주석과 같은 차선 수준 세부 정보를 포함하여 AD 시스템에서 사용되는 지도 정보를 표현하는 방법에는 여러 가지가 있습니다. 운전 환경은 매우 역동적이지만 이 세 가지 계층에 표현되는 데이터는 정적입니다. 환경의 전반적인 표현에는 관찰된 속도, 기상 상황, 혼잡 지역, 도로 차단 지역(공사) 등에 대한 실시간 교통 정보도 포함되어야 합니다. 이 섹션에서는 이러한 레이어에 저장된 정보에 대한 전체적인 개요를 통합된 방식으로 제공하려고 합니다. 대부분의 HD 지도 제공업체에는 고유한 정의와 형식이 있고 HD 지도에 대한 단일 표준은 없지만 그림 2와 같이 HD 지도에 포함된 정보를 6개의 서로 다른 레이어로 나눕니다.
기본 지도 레이어는 HD 지도의 기초이며 다른 모든 레이어가 구축되는 참조 레이어로 간주됩니다. 여기에는 도로, 건물, 기타 구조물의 위치와 모양 등 환경에 대한 매우 정확한 3차원 지리공간 표현이 포함되어 있습니다. 도로 환경의 3차원 지리공간 모델은 자율주행차에 대한 중요한 정보 소스가 되고 있습니다. 오늘날 HD 지도에는 환경의 3차원 표현이 포함되는 경우가 많습니다. 기본 지도 레이어는 일반적으로 LiDAR의 포인트 클라우드 및/또는 하나 이상의 카메라의 이미지를 사용하여 생성되며 때로는 GPS/IMU의 도움을 받습니다. 이 센서 제품군은 환경을 나타내는 매우 정확하고 상세한 3D 포인트 클라우드를 생성하는 MMS를 형성합니다. 이 레이어에서 도로와 차선의 기하학적, 의미적 특징을 추출하여 HD 지도에 다른 레이어를 구축합니다. 이 레이어에는 환경에 대한 조밀한 데이터 표현이 포함되어 있으므로 자율주행차의 정확한 위치 파악에 중요한 역할을 합니다. 포인트 클라우드 등록을 위한 여러 기술을 사용하면 원시 센서 데이터를 해당 레이어의 포인트 클라우드와 일치시켜 차량 자세를 추정할 수 있습니다. 이 계층을 구축하고 업데이트하는 것은 데이터 처리 및 통신 요구 사항 측면에서 어렵습니다.
기본 맵 레이어는 환경에 대한 정확하고 조밀한 표현을 제공하지만 표현에 의미 있는 기능이 부족하여 환경에 대한 이해를 지원하는 능력이 제한됩니다. HD 지도의 지오메트리 레이어는 도로, 차선, 연석 및 기타 지형지물의 위치와 모양을 포함하여 도로 환경의 지오메트리에 대한 자세한 정보를 제공합니다. 지오메트리 레이어에는 일반적으로 도로 폭, 차선 수, 각 차선의 중앙선, 각 도로의 차선 경계, 도로 표면의 고도에 대한 정보가 포함됩니다. 또한 연석, 인도, 횡단보도, 수직 및 수평 교통 표지판의 정확한 위치와 모양에 대한 정보도 포함됩니다. 이러한 각 기능은 기본 기하학적 기본 요소, 즉 점, 선, 폴리라인 및 다각형으로 표현됩니다. 예를 들어, 수직 교통 표지판의 위치는 점으로 표시될 수 있습니다. 차선 중앙선 또는 경계는 폴리라인과 같이 상호 연결된 선 세그먼트 세트로 표시될 수 있습니다. 마찬가지로 횡단보도는 다각형으로 표현될 수 있습니다. 이 레이어의 기하학적 특징은 기본 지도 레이어의 데이터를 처리하여 생성됩니다. 기본 지도 데이터에서 지오메트리 레이어를 구축하려면 일반적으로 도로 분할, 차선 정보 추출, 도로 표지판, 전신주, 교통 표지판, 연석, 장애물, 포장 도로 기능을 비롯한 여러 처리 단계가 필요합니다. 이 레이어는 도로 특징에 대한 매우 정확한 차선 수준의 기하학적 표현을 제공합니다. HD 지도의 기하학적 특징은 다양한 AD 핵심 구성 요소, 가장 중요하게는 동적 도로 참가자의 정확한 모션 예측 및 기하학적으로 실현 가능한 궤적의 안전한 계획에 매우 중요합니다.
의미 지도 레이어는 기하학 지도 레이어에서 제공하는 도로 기능의 중요성을 정의합니다. 이 레이어의 데이터는 지도에 표시된 지형지물에 대한 맥락과 의미를 제공합니다. 예를 들어, HD 지도의 의미 지도 레이어에는 도로 유형(예: 고속도로, 주거용 도로) 및 차선(예: 왼쪽이나 오른쪽으로 변경될 수 있음), 해당 번호, 교통 방향 및 차선이 다음과 같은지 여부와 같은 정보가 포함됩니다. 회전 또는 회전에 사용됩니다. 주차에 대한 정보입니다. 또한 속도 제한, 차선 경계, 교차로, 횡단보도, 교통 표지판, 신호등, 주차 공간, 버스 정류장 및 환경을 상황에 맞게 표현하는 데 중요한 기타 여러 기능에 대한 정보도 포함됩니다. 시맨틱 맵 레이어를 통해 자율주행차는 환경에 대한 자세한 상황 표현을 구축하고 교통 규칙을 이해하여 다양한 교통 시나리오에서 정확하고 안전한 결정을 내릴 수 있습니다. 간단히 말하면, 의미 지도 레이어는 기하학적 지도에 정의된 도로 특징과 객체에 의미 라벨을 할당합니다. 예를 들어, 지오메트리 레이어의 포인트는 지도 좌표 참조 시스템에서 정렬된 좌표 집합에 지나지 않습니다. 의미 계층만이 해당 지점이 신호등, 양보 표지판 또는 정지 표지판에 해당하는지 여부를 정의합니다. 우리 모두 알고 있듯이 고정밀 지도에는 풍부한 의미 정보가 포함되어 있습니다. 또한 의미 체계 계층은 도로 곡률, 권장 운전 속도, 각 의미 체계 기능에 대한 고유 식별자와 같은 도로 기능과 메타데이터를 연결합니다. 실제로 의미가 풍부한 HD 지도를 통해 자율 주행 자동차는 운전 상황을 더 잘 이해하고 복잡한 시나리오에서 복잡한 결정을 내릴 수 있습니다. 그러나 도로 환경에 대한 신뢰할 수 있고 충실도가 높은 의미 그래프를 구축하는 것은 간단한 과정이 아닙니다. 장면 분할, 객체 감지, 분류, 자세 추정 및 매핑에 국한되지 않고 여러 처리 단계가 필요합니다. 최근 컴퓨터 비전, 딥 러닝, 센서 융합, 의미론적 SLAM 알고리즘의 발전으로 정확한 의미론적 그래프를 구축하는 것이 가능해졌습니다.
도로 연결 레이어는 도로 네트워크의 토폴로지와 다양한 기하학적 요소가 어떻게 연결되는지 설명합니다. 도로 수준 정보와 도로 수준 연결만 포함하는 디지털 지도의 표준 정의와 달리 HD 맵은 차선 수준의 기하학적, 의미 정보를 포함하므로 2개 이상의 차선 집합을 정의하므로 도로 간의 연결이 복잡해집니다. . 사이의 연결. 보다 정확하게는 이 레이어는 차선 경계, 중앙선 및 교차로를 포함하여 도로의 레이아웃과 연결성을 제공합니다. 차선 수준 연결 정보는 도로와 차선 간의 법적 전환을 계획하고 각 교차로에서 허용되는 운영을 계획하는 데 필요하며 이는 자율주행차의 경로 계획에 중요합니다. 간단히 말해서, 이 레이어는 지오메트리 레이어를 구성하는 기본 요소가 서로 연결되는 방식을 정의합니다. 이러한 연결은 기하학적 요소와 의미적 요소의 순차적인 쌍을 정의하여 설정됩니다. 각 기하학적 및 의미적 요소에 고유한 식별자를 할당하면 그래프 데이터 구조를 사용하여 이 정보를 표현할 수 있습니다. 여기서 각 요소는 모서리로 표시되고 연결은 노드로 표시됩니다. 그래픽 구조를 통해 지도를 빠르게 쿼리하고 검색할 수 있으며 효율적인 경로 계획이 가능합니다.
이 레이어는 과거 경험으로부터 정보를 표현하고 학습하기 때문에 사전 맵 레이어라고도 합니다. 여기에는 시간이 지남에 따라 상태가 변하는 지도의 기하학적 및 의미적 요소가 포함됩니다. 차량 데이터에서 교통 흐름과 사고 지역 상태를 학습하면 보다 효율적이고 예측 가능한 운전 행동이 가능해집니다. 또한 이 계층은 인간의 운전 행동과 교차로 신호등의 동적 상태를 예측하는 데 도움이 되는 정보를 획득하고 학습합니다. 또한 주차 명령, 점유 및 시간표와 같은 임시 도로 설정에도 적용됩니다. 예를 들어, 일부 도시의 노상 주차는 특정 평일에 변경되고, 점유 확률이 예측되며, 특정 주차장을 관리하는 시간 규칙은 해당 주차장을 통과하는 다양한 차량의 이전 지도 레이어 센서 판독값에서 파생됩니다. . 도로 운전자의 운전 행동을 학습하고 예측하는 것은 다양한 사회 간의 사회문화적 차이로 인해 어려울 수 있습니다. 이러한 동작을 경험적으로 모델링하는 것은 일반적이고 확장 가능한 AD 시스템에 중요합니다.
HD 지도의 실시간 레이어는 교통 상황, 도로 폐쇄, 자율주행차에 영향을 줄 수 있는 기타 이벤트 등 환경에 대한 실시간 정보를 제공하는 동적 레이어입니다. 항해. 이 레이어는 일반적으로 차량에 장착되거나 길가에 있는 카메라, 센서 및 기타 연결된 장치와 같은 다양한 소스의 데이터를 결합하여 생성됩니다. 특정 통신망을 활용한 참여 차량이나 스마트 인프라의 크라우드소싱을 통해 실시간으로 데이터를 수집하고 고정밀 지도를 업데이트하는 데 사용됩니다. 실시간 레이어에는 다른 차량의 위치와 속도, 교통 신호의 위치와 상태, 도로의 공사 구역이나 기타 장애물 및 장애물의 존재 여부 등의 정보가 포함될 수 있습니다. 이 정보는 자율주행차가 실시간으로 안전하고 효율적인 운전 결정을 내려 교통 흐름을 최적화하고 혼잡을 줄이는 데 중요합니다. 또한, 실시간 레이어를 활용하면 지도 생성에 사용된 센서에서 포착하지 못한 환경에 대한 최신 정보를 제공함으로써 HD 지도의 정확성과 완성도를 높일 수 있습니다. 간단히 말해, HD 지도의 실시간 레이어는 환경에 대한 역동적인 최신 표현을 제공합니다. 동적 요소가 포함된 HD 지도를 실시간으로 업데이트하는 것은 어려운 일이며 복잡한 지능형 통신 인프라와 여러 행위자 간의 협력이 필요합니다. 지능형 교통 시스템(ITS), HD 지도 제공업체 및 차량 간의 데이터 전송은 안정적이어야 하며 본 설문조사 후반부에 설명된 특정 요구 사항을 충족해야 합니다.
고정밀 지도는 AD 시스템에 도로 환경을 상세하고 정확하게 표현합니다. 이러한 지도에는 자율주행차의 안전하고 효율적인 탐색에 필요한 차선 수준의 기하학적, 위상학적, 의미론적 정보가 포함되어 있습니다. 자율주행차에 HD 지도를 사용하면 주변 환경을 더 잘 이해하고 경로를 계획하며 보다 정확한 운전 결정을 내려 승객과 다른 도로 사용자의 안전을 보장할 수 있습니다. 이 섹션에서는 AD 시스템에서 고정밀 지도의 중요성과 사용에 대해 설명합니다. 초정밀 지도 데이터는 이제 AD 시스템의 다양한 핵심 구성 요소 대부분의 필수적인 부분입니다. AD에서 HD 맵의 중요성과 사용을 논의하기 위해 일반적인 최신 AD 시스템의 아키텍처와 표준 구성 요소를 간략하게 소개합니다. 그림 5는 HD 맵에 의존하는 구성 요소를 보여주는 AD 시스템의 표준 구성 요소를 보여줍니다. 이 섹션은 AD 시스템의 아키텍처, 작동 방식 및 다양한 구성 요소에 대한 간략한 소개로 시작됩니다. 이 섹션의 나머지 부분에서는 HD 맵을 사용하는 AD 구성 요소의 최신 기술에 대한 광범위한 검토를 제공합니다.
자율 차량은 견고하고 안정적이며 안전한 방식으로 전체 운전 작업을 완료하기 위해 다양한 구성 요소가 함께 작동해야 하는 복잡한 사이버 물리 시스템입니다. AD 시스템을 위한 고유한 아키텍처는 없지만, 이 작업에서는 HD 맵을 사용하여 AD 시스템의 다양한 기능을 개선할 수 있는 방법을 이해하는 데 도움이 되는 공통 아키텍처를 사용합니다. 모든 로봇 시스템과 마찬가지로 자율주행 차량은 (1) 센서, (2) 인식, (3) 행동이라는 세 가지 주요 구성 요소를 갖춘 인지 에이전트로 볼 수 있습니다. 이러한 요소를 산업 등급 AD 시스템으로 분해하면 그림 5와 같이 여러 구성 요소가 생성됩니다. 최신 AD 시스템 아키텍처의 감지 구성 요소에는 일반적으로 IMU, GPS, 카메라, LiDAR 및 레이더와 같은 다양한 센서가 포함됩니다. 이러한 센서의 하위 집합을 사용하면 차량이 환경에 대한 위치를 알 수 있습니다(예: 위치 파악). 나머지 센서는 환경 자체를 감지하는 데 사용됩니다. 감지 구성 요소의 역할은 원시 센서 데이터를 읽고 전처리하여 이를 AD 시스템의 다른 부분에 제공하는 것입니다. 가장 간단한 형태의 감지 구성 요소는 원시 센서 데이터를 실시간으로 읽는 센서 드라이버 세트로 구성됩니다. 포지셔닝 구성요소는 전체 AD 시스템의 안정적인 작동을 위한 가장 중요한 구성요소 중 하나입니다. 그 목적은 차량의 위치를 정확하게 추정하는 것입니다. 현지화된 오류는 AD 처리 파이프라인의 나머지 부분으로 전파됩니다. 위치 파악은 감지 구성 요소의 원시 센서 데이터를 융합하는 단순한 상태 추정기입니다. 또한 지도의 가용성을 통해 특히 일부 센서가 고장나거나 성능이 저하된 지역에서 개선되고 강력한 위치 파악이 가능합니다. 인식의 역할은 장애물 및 도로 요인에 대한 정보를 포함하여 환경의 현재 상태에 대한 중간 수준 표현을 생성하는 것입니다. 이 표현에는 차선(위치, 경계, 표시 및 유형), 교통 표지판, 신호등 및 운전 가능 영역에 대한 세부 정보도 포함됩니다. 컴퓨터 비전과 딥러닝 기술은 분할, 클러스터링, 분류 작업에 널리 사용됩니다. 또한, 목표 수준 융합도 이 구성 요소의 중요한 부분입니다. 인식의 출력은 추적된 객체 목록과 장면 이해를 위한 이미지의 의미론적 분할입니다. HD 지도의 기하학적 및 의미론적 정보를 사용하여 객체 감지 및 융합을 향상시킬 수도 있습니다. 인식 오류는 전체 AD 시스템에서 사용되는 정보의 품질에 영향을 미칠 수 있으므로 정확한 인식은 안전에 매우 중요합니다. 따라서 중복된 센서 데이터 소스를 사용하면 인식 정확도에 대한 신뢰도가 높아져 전체 시스템의 견고성이 향상됩니다. 장면 이해 구성요소는 AD 시스템의 지각 구성요소와 상위 수준 인지 구성요소에 의해 제공되는 환경의 추상적 중간 수준 상태 표현 사이를 연결하는 다리입니다. 이 구성 요소는 인식 구성 요소에서 제공하는 고정밀 지도와 데이터를 구축하여 운전 시나리오에 대한 더 높은 수준의 상황별 이해를 제공하는 것을 목표로 합니다. 이 섹션의 뒷부분에서는 이 두 가지 정보 소스를 융합하여 운전 환경을 이해하기 위한 장면 표현을 구축하는 방법에 대해 논의합니다. HD 맵에 의존하는 AD 파이프라인의 또 다른 구성 요소는 동작 예측 구성 요소입니다. 이는 차량 주변의 도로 요원의 행동을 예측하기 위해 장면 이해를 통해 제공되는 환경에 대한 높은 수준의 시공간 표현을 기반으로 합니다. 모션 예측에서 HD 맵의 역할은 장면에 있는 각 도로 에이전트의 이전 궤적을 제공하는 것입니다. 모션 예측은 HD 맵이 핵심 역할을 하는 매우 다양한 모드의 문제이며 이 섹션에서 자세히 설명합니다. 모션 계획 구성 요소는 자율 주행 차량의 실행 가능하고 충돌이 없는 안전한 궤적을 계산하도록 설계되었습니다. 이는 HD 지도 데이터에서 실행되는 라우팅 알고리즘과 도로 요원의 예측 궤적을 통해 얻은 전역 최단 경로를 최적화함으로써 달성됩니다. 모션 계획에는 감지된 객체와 HD 지도에 의해 정의된 현재 장면의 상태에 의존하는 행동 계획 기능도 포함됩니다. 제어 장치는 계획된 궤도를 수신하고 조향, 제동 및 가속 구동 시스템에 대한 제어 명령을 계산합니다. 제어 구성 요소는 지도 데이터에 명시적으로 의존하지 않으므로 이 조사에서는 고려되지 않습니다. 마지막으로 그림 5에 표시된 것처럼 특수 구성 요소는 지도 데이터 제공 요청을 처리하여 다른 모든 구성 요소를 제공하는 데 사용됩니다. HD 지도 데이터는 일반적으로 차량 내 지도 클라이언트의 요청을 라우팅, 타일링 및 업데이트하기 위해 지도 서버(로컬 또는 클라우드)에서 쿼리하는 데이터베이스에 저장됩니다. 라우팅 요소에는 특별한 알고리즘 처리가 필요하므로 AD 시스템의 HD 맵 애플리케이션 조사에서 이를 고려할 것입니다.
AD 시스템의 위치 지정 구성 요소는 전역 기준 좌표계를 기준으로 차량의 위치와 방향을 추정하도록 설계되었습니다. 핵심 역할은 시스템의 연속 구성 요소에 필요한 추정치에서 높은 정확성과 견고성을 지속적으로 유지하는 것입니다. 포지셔닝 알고리즘의 정확성은 전체 AD 시스템의 신뢰성을 결정합니다. 악천후 조건에서 위치 확인의 견고성은 현대 AD 시스템의 핵심 요구 사항입니다. 추정 성능 저하로 인해 심각한 결과와 잠재적 피해가 발생할 수 있기 때문입니다. 지난 20년 동안 포지셔닝에 관한 중요한 연구는 놀라운 결과를 얻었으며 그 결과 다양한 방법이 탄생했습니다. 정상적인 작동 조건을 보장하고 글로벌 시스템 안전을 달성하려면 자율주행차가 10cm 이내의 정확도로 위치를 잡아야 합니다.
AD 시스템의 인식 구성 요소는 정적 개체(예: 교통 표지판 및 도로 표시)를 감지 및 추적하는 것뿐만 아니라 원시 카메라 이미지 및 LiDAR 포인트 클라우드 처리와 관련되는 경우가 많습니다. 주변의 차량, 보행자, 자전거 타는 사람 등. 인지는 AD 시스템의 핵심 핵심 기능 중 하나입니다. 충돌 없는 탐색을 보장하려면 안정성과 실시간 성능을 보장하는 것이 중요합니다. HD 맵 레이어에 포함된 상세하고 정확한 기하학적, 의미 정보와 인식 데이터를 융합하면 가장 관련성이 높은 관심 영역(ROI)에 초점을 맞춰 인식을 향상할 수 있습니다. 보다 정확하게는 HD 맵의 기하학적 구조를 통해 ROI를 정의하여 포인트 클라우드를 필터링하고 지각 기능에 특히 관심 있는 항목만 남겨두어 서두르지 않는 감지의 계산 효율성을 단순화하고 높일 수 있습니다.
자율주행차가 정확하고 안전한 결정을 내리기 위해서는 주행 환경을 이해하는 것이 중요합니다. HD 맵의 초기 동기 중 하나는 자율주행차에 정확하고 상세한 정보를 제공하여 주변 환경을 이해하는 데 도움이 되는 것이었습니다. 이 정보를 통해 AD 시스템은 현재 운전 상황을 이해하고 장면을 구성하는 모든 개체를 해석할 수 있습니다. 지도에 포함된 기하학과 의미를 통해 컴팩트한 데이터 모델과 환경 표현을 체계적으로 구축할 수 있어 차량이 복잡한 운전 시나리오를 처리할 수 있습니다. 보다 정확하게는 HD 맵의 기하학적, 의미적 정보를 기반으로 하는 AD 시스템의 장면 이해 구성 요소가 의미 있는 지각 맥락을 일관되게 제공할 수 있습니다. 원시 객체 감지 외에도 장면 이해는 안전에 중요한 정보를 추출 및 추정하고 후속 처리 단계에서 사용할 수 있도록 하는 것을 목표로 합니다.
도로 수준 디지털 지도는 인간 운전자의 탐색을 지원합니다. 이 지도에는 차선 수준의 세부정보가 포함되어 있지 않기 때문에 이 지도의 경로 계산은 도로 수준 연결을 사용하는 것 이상으로 수행될 수 없습니다. 시간과 에너지를 절약하고 전 세계적으로 차량 안전을 증진하려면 정확하고 최적화된 운전 경로가 필요합니다. 효율적이고 저렴한 운전 경로를 계산하려면 차선 수준 환경 모델을 고려해야 합니다. 또한, 매우 역동적인 환경에서는 자율주행차가 환경을 탐색할 때 경로를 동적으로 조정하기 위해 교통 상태 및 차선 점유에 대한 자세한 정보가 중요합니다. 상세하고 정확한 차선별 정보와 HD 맵 정적 레이어의 선험적, 실시간 레이어를 고려하여 효율적인 동적 경로 계산이 가능합니다. 자율주행차의 라우팅 하위 시스템이 현재 위치에서 설정된 목적지까지의 주행 가능한 경로를 계산하려면 그림 5와 같이 시스템에 HD 지도 서버로부터 최신 지도를 제공받아야 합니다. 또는 디지털 지도와 마찬가지로 경로 계산을 서비스로 제공할 수도 있습니다. 정확한 위치가 HD 지도 서버로 전송된 후 최적의 경로를 계산하고 차량에 피드백하여 시스템의 다른 핵심 구성 요소를 지원할 수 있습니다. 지난 몇 년 동안 이러한 라우팅 서비스에는 실시간 교통 상황과 에너지 요인(예: 가장 에너지 효율적인 경로)을 고려하는 작업이 포함되었습니다. 자율주행차의 경우 ADS로 주행하기 어려운 복잡한 도시 환경을 피하는 경로나 실시간 고정밀 지도 서비스를 포함한 온라인 서비스에 대한 지속적인 연결을 보장하기 위해 네트워크 커버리지가 좋은 경로 등 다른 요소도 고려할 수 있습니다.
AD 시스템에서 모션 계획의 역할은 실행 가능하고 안전하며 충돌이 없고 에너지를 절약하는 궤적을 생성하는 것입니다. 모션 계획 작업에는 일반적으로 궤적 생성 및 행동 계획이 포함됩니다. 행동 계획은 차선 변경, 차선 내 차량 추적, 감속 및 주차 등과 같은 다양한 운전 상태 간의 전환을 결정하는 데 사용되는 고급 의사 결정 기능입니다. 이러한 변환을 안전하게 수행하려면 행동 계획자가 차량 환경의 변환 모델을 구축하기 위해 로컬 지도와 차량 인식이 필요합니다. 이동형 로봇의 내비게이션과 달리 도로 환경은 고도로 구조화되어 있어 모든 도로 사용자는 교통 규칙을 준수해야 합니다. 생성된 AD 궤적은 운전 가능한 도로 영역 내에서 교통 규칙 및 이동을 준수하는 데 엄격하게 필요합니다. 자율주행 차량의 동작 계획을 위한 다양한 방법이 존재하며, 모두 교통 규칙을 준수하기 위해 고정밀 지도에서 제공하는 기하학적, 의미적 정보에 어느 정도 의존합니다. 샘플 기반 모션 계획 방법에서는 HD 맵의 차선 형상을 사용하여 실행 불가능한 후보 궤적을 거부하여 검색 공간을 제한합니다.
운전 환경은 매우 역동적이며 보행자, 차량, 자전거 타는 사람과 같은 다양한 도로 행위자가 참여합니다. 이러한 도로 행위자의 미래 움직임과 행동을 예측하는 것은 자율주행차가 대화형 환경의 상황 인식 표현을 구축하여 잠재적으로 위험한 상황을 예측하는 데 매우 중요합니다. 추상적 관점에서 볼 때 이러한 트래픽 참가자는 복잡한 다중 에이전트 시스템으로 생각할 수 있습니다. 실제로 도로 요원의 움직임과 행동을 예측하기 위한 신뢰할 수 있는 솔루션을 개발하면 실제 교통 상황에서 인간과 유사한 행동에 적응할 수 있는 자율주행 차량의 안전성과 능력이 향상됩니다. 이러한 교통 참가자의 행동을 예측하는 것은 AD 시스템에 매우 중요하며 주로 위험 평가 및 안전하고 편안한 이동 계획에 사용됩니다. 동작 예측은 현재 상태와 환경 모델을 기반으로 도로 요원의 미래 행동을 예측하는 것을 의미합니다. 다양한 연구 노력이 도로 참가자의 미래 움직임을 예측하는 문제를 다루었습니다.
HD 지도는 센서 출력 보정을 위한 참조로 사용할 수 있는 정확하고 신뢰할 수 있는 GT 데이터를 제공할 수 있습니다. 예를 들어, LiDAR는 고화질 지도의 기하학적 요소의 고정밀 좌표를 사용하여 보정하고 IMU와 완벽하게 정렬할 수 있습니다. 센서 측정값을 HD 지도 데이터와 비교함으로써 모든 오류나 불일치를 식별하고 수정하여 센서 보정을 개선할 수 있습니다. 또한 HD 맵은 온라인 (자체) 교정에 사용될 수 있습니다. HD 맵, 실시간 원시 센서 데이터 및 비교를 수행하는 알고리즘을 사용하면 센서 측정과 GT 간의 오류를 계산할 수 있습니다. 따라서 센서 교정 오류를 실시간으로 지속적으로 수정할 수 있습니다. 이를 통해 AD 시스템은 변화하는 환경 조건은 물론 센서 성능의 변화에도 더욱 강력하고 안정적으로 작동할 수 있습니다. 온라인 교정은 오프라인 교정 방법에 비해 더 정확하고 강력한 센서 교정을 가능하게 합니다. 최근에는 도로 주석을 강화하여 교통 랜드마크 감지를 위한 대규모 데이터 세트를 생성하는 데에도 HD 맵이 사용되었습니다.
고정밀 지도 작성은 여러 단계가 필요한 복잡한 과정입니다. HD 매핑 프로그램 구축의 첫 번째 단계는 매우 정확하고 잘 보정된 센서 제품군을 갖춘 특수 차량을 파견하여 환경에 대한 데이터를 조사하고 수집하는 것입니다. 매핑에 사용되는 데이터 수집 차량에는 최대 수 센티미터의 RTK(실시간 운동학) 포지셔닝 정확도를 갖춘 보정 서비스 또는 보정 서비스를 가능하게 하는 고정밀 GNSS에 대한 연결이 장착될 수 있습니다. GNSS 포지셔닝 측정은 종종 고성능 IMU(관성 측정 장치) 및 휠 주행 거리계의 측정과 통합됩니다. GNSS와 IMU를 관성 항법 시스템으로 하나의 장치에 통합한 여러 상용 제품이 있습니다. 또한 매핑 차량에는 도로 환경의 원시 3D/2D 데이터를 수집하기 위한 하나 이상의 고해상도 라이더와 카메라가 장착되어 있습니다. 매핑을 위한 데이터 수집 도구를 설정하는 방법에는 두 가지가 있습니다. 첫 번째 단계는 위의 센서를 구입하고 적절한 구성을 선택한 후 차량에 설치하는 것입니다. 그러나 이 접근 방식은 사전 정의된 센서 구성의 유연성을 제공하지만, 특히 카메라의 경우 플로팅에 필요한 정확도로 여러 센서를 교정하는 것이 쉽지 않고 시간이 많이 걸립니다. 또는 일부 제조업체에서는 MMS(모바일 매핑 시스템)라는 단일 패키지로 전체 센서 세트를 제공합니다. 상업용 MMS의 예가 그림 6에 나와 있습니다.
다양한 AD 핵심 구성 요소가 올바르게 작동하려면 최신 HD 맵을 보유하는 것이 중요합니다. HD 지도의 버그는 시스템의 잘못된 결정으로 인해 심각한 피해를 초래할 수 있습니다. 지도 차량을 자주 업데이트하면 잘못된 결정을 피할 수 있습니다. 도로 환경은 매우 역동적이며 새로운 인프라 건설, 도로 유지 관리, 차선 확장으로 인해 자주 변경될 수 있습니다. 매핑 차량은 환경의 변화를 감지하고 이를 전송하여 지도를 업데이트할 수 있어야 합니다. 지도 업데이트 프로세스에는 다양한 규모의 여러 소스 및 센서의 데이터 처리, 저장된 지도와 새로 수집된 환경 데이터 간의 편차 식별, 최종적으로 이러한 편차를 통합하여 지도의 다양한 레이어를 업데이트하는 등 복잡한 처리 단계가 포함됩니다. HD 맵의 변경 사항을 캡처하고 업데이트하기 위해 여러 가지 방법과 접근 방식이 문헌에서 개발되었습니다. 다음에서는 HD 지도의 변화를 감지하는 다양한 방법과 방법, 그리고 이 정보가 업데이트 지도에 어떻게 적용될 수 있는지 검토합니다. HD 맵을 유지하기 위한 이전 노력을 조사하기 위해 우리가 따랐던 접근 방식은 표 3에 표시된 것처럼 각 최첨단 방법으로 유지되는 레이어를 분석하는 것을 기반으로 합니다.
HD 지도의 변경 감지는 신축, 도로 폐쇄 등 환경의 변화를 식별하는 프로세스를 의미합니다. 그러면 지도의 레이어가 그에 따라 업데이트됩니다. HD 지도는 정기적으로 변경되며, 자율주행차가 신뢰할 수 있는 지도를 보유하는 것은 안전한 탐색에 매우 중요합니다. 변경 감지는 일반적으로 컴퓨터 비전 알고리즘 및 기계 학습 기술과 결합된 카메라, LiDAR, 레이더와 같은 다양한 센서를 사용하여 달성됩니다. 고화질 지도가 등장하기 전에도 변경 감지 알고리즘은 많은 응용 분야에 적용되었습니다. 원격 감지는 지도 변경 감지 및 업데이트의 초기 응용 프로그램 중 하나입니다. 또한 도시 모니터링, 산림 변화, 위기 모니터링, 3차원 지리 정보 업데이트, 건설 진행 모니터링 및 자원 조사에도 성공적으로 사용되었습니다. 이러한 애플리케이션의 가장 기본적인 수준에서 문제는 원시 센서 데이터, 주로 3D 포인트 클라우드, 2D 이미지 또는 이 둘의 조합을 비교하는 것입니다.
HD 지도 유지 관리의 두 번째 단계는 변경 감지 결과를 기반으로 지도 요소를 업데이트하는 것입니다. 간단히 말해서, 지도 업데이트는 확률적 데이터 융합 문제와 동일합니다. 끊임없이 변화하는 환경의 변화를 거의 실시간으로 지속적으로 모니터링하고, 시간과 공간의 다양한 데이터 패턴을 융합하고, 다양한 소스의 여러 레이어를 업데이트하는 것은 참으로 어려운 작업입니다. Cadena 등은 설문 조사 보고서에서 대규모 자율 차량이 생성하고 사용하는 고화질 지도를 업데이트하고 유지하는 분산 프로세스가 향후 연구의 매력적인 주제라고 언급했습니다. 이러한 방향에서 Kim 등은 크라우드소싱 포인트 클라우드 데이터로부터 새로운 피처 레이어를 최신 상태로 유지하는 솔루션을 제안했습니다. 이 새로운 기능 맵은 HD 맵에 대한 다양한 의미론적 및 기하학적 기능을 구성하기 위한 기초를 형성합니다.
HD 지도를 대규모로 구축하고 유지하는 것은 그림 7과 같이 ITS 도로 인프라 소유자인 정부, 지도 제공자 및 차량과 같은 여러 이해관계자 간의 데이터 교환 문제입니다. 지도 데이터의 수집, 구축, 유지 관리 및 배포에는 안정적인 통신과 분산 컴퓨팅 인프라가 필요합니다. 이 섹션에서는 HD 지도의 생성, 유지 관리 및 배포를 확장하는 데 필요한 데이터 및 통신 인프라에 대해 설명합니다.
CCAM이 지난 10년 동안 상당한 진전을 이루었지만 완전한 차량 자율성을 달성하는 것은 여전히 해결되지 않은 과제로 남아 있습니다. 자율주행차를 대규모로 배포하려면 HD 매핑을 위한 확장 가능한 솔루션이 중요합니다. 이 섹션에서는 HD 맵 CCAM의 잠재력을 최대한 실현하기 위해 해결해야 할 다양한 과제에 대해 조명합니다. 이해관계자들 사이에서 지도 데이터를 구축, 유지 및 배포하기 위한 비용 효율적이고 유연한 솔루션의 가용성이 미래 세대의 스마트 시티에서 CCAM의 확장성을 크게 향상시킬 것이라는 데는 의심의 여지가 없습니다. 또한, HD맵의 향후 전망과 활용에 대해 논의합니다.
HD 매핑은 실제 CCAM 애플리케이션에서 지속적으로 빠르게 성장하는 측면으로, 해당 분야의 혁신과 발전을 주도하고 있습니다. AD 시스템에 HD맵을 적용하고 HD맵을 구축하고 유지하기 위한 알고리즘과 인프라에 대한 많은 연구 개발 작업이 수행되었지만 이러한 노력을 요약하고 발판을 제공할 수 있는 문헌은 거의 없습니다. . 이 문서에서는 비용 효율적인 솔루션은 물론 생성부터 배포까지의 통신 및 지도 데이터 요구 사항을 포함하여 HD 지도 구축 및 유지 관리에 대한 이전 작업에 대한 광범위한 검토를 제공합니다. 또한 이 문서에서는 HD 지도를 구축하고 유지 관리하는 데 있어 현재의 과제에 대해 설명합니다. 보다 정확하게는 더 넓은 지능형 교통 시스템 커뮤니티를 위한 맥락으로 HD 지도에 대한 독립적인 개요를 제공합니다. 또한 AD 시스템의 다양한 핵심 기능에 HD맵을 활용하는 최신 기술에 대해 논의하고 분석합니다. 또한 다양한 수준에서 HD 맵을 구축하고 최신 상태로 유지하기 위한 다양한 접근 방식, 방법 및 알고리즘을 광범위하게 논의하고 검토합니다. 마지막으로, 차세대 모바일 애플리케이션을 위한 HD 지도의 향후 개발에 대해 조명합니다.
위 내용은 클라우드 기반, 자동차 기반 MapNeXt가 모두 완료되었습니다! 차세대 온라인 고정밀 지도 구축의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
