科创中国

行业领域

高技术服务业

需求背景

自动驾驶是目前汽车领域的重要研究内容，众源地图成图是自动驾驶的关键技术，众源成图的方法是降低成图成本的重要手段。自动驾驶的安全性对于众源地图的准确性是苛刻的，由于数据的多源异构特性，众源方式所得的地图质量需要严格把控。因此，提出有效的评价体系对于众源成图方案的落地至关重要，对于推进基于众源地图的自动驾驶方案进一步发展具有实用意义。

需解决的主要技术难题

无底图环境下众源成图质量评价方法研究需要解决的主要技术难题包括：

1. 数据质量评估：在无底图环境下，众源数据的质量往往无法保证，存在着噪声、不一致性等问题。因此，需要开发有效的方法对众源数据进行质量评估，识别和过滤掉低质量的数据。

2. 数据一致性处理：由于众源数据的来源多样性和不确定性，数据之间存在着一致性问题。在成图过程中，需要解决数据一致性问题，确保众源数据能够准确地融合在一起，生成高质量的成图结果。

3. 数据融合算法：在无底图环境下，需要开发适应众源数据特点的数据融合算法，将多个众源数据集合并成一个一致的成图结果。数据融合算法需要考虑数据权重、数据可信度等因素，以提高成图结果的准确性和可靠性。

4. 成图结果评价指标：在无底图环境下，需要研究和定义适应众源成图质量评价的指标。这些指标应能综合考虑成图结果的准确性、一致性、可信度等方面，以评估众源成图方法的有效性和可靠性。

5. 可视化方法：无底图环境下的众源成图结果往往较为复杂，需要开发有效的可视化方法，将成图结果以直观、易理解的方式展示出来，方便用户对成图结果进行分析和应用。

综上所述，无底图环境下众源成图质量评价方法研究需要解决数据质量评估、数据一致性处理、数据融合算法、成图结果评价指标和可视化方法等主要技术难题。

期望实现的主要技术目标

预期成果：

1、针对导航定位信号不可信导致地图位置不可靠的场景，本项目拟从车端原始数据入手，结合计算机视觉和深度学习等交叉学科的前沿技术解决相关的问题；

2、充分研究车辆在驾驶过程中的隐式关联关系，同时引入场景先验知识结合图神经网络等前沿技术以提高成图的质量； 

3、充分考虑车端要素感知、融合场景，基于证据理论对要素的动态更新与融合进行建模，对地图整体质量进行全局把控。

4、社会效益：

本课题项目面向多源异构成图项目自动化工具链，将对成图质量进行深入评估把控，并提高现有自动化工具的准确率，能更高效的推动现阶段地图数据质量的快速提高，从而给下游自动驾驶团队的提供高可用性高稳定性的地图数据。在后续量产阶段，通过完整的成图工具链，能对海量数据进行快速响应和评估，极大提高流转效率。

同时，该课题为行业首发，能推动建立企业乃至行业的地图数据质量标准体系，形成行业级解决方案并实现灵活调用。

处理进度