如何打造基于摄像头的感知定位解决方案？DeepMotion给出了答案(13)

蔡锐：1、我们认为高精地图不应该是现有车机地图的使用方式。它应该和车上其他传感器处于一个紧耦合的状态，比如在车辆定位的过程中，需要获取摄像头信号来比对地图元素。因此我认为它模块的划分可能会和现在的车辆导航中模块划分是不同情况的。但具体采用什么样的一种配合方式，车机负责什么、传感器负责什么、在哪里进行交互运算等，我们也希望能多听听车厂朋友们的专业分析。
2、视觉自定位和差分定位相比，我认为这两个不是排斥的关系，而是一种互补的关系。差分定位是一种比较独立的定位，它参考地基信号来解算位置。而视觉更多是对环境中相对位置的分析，我觉得它们是一个互补的关系。
我的理解是，对于横向自定位，根据车道施画，可以很好地解决定位的问题，如果在没有车道施画的情况下，参考路边的路牌，或者是路基和路面的宽度等参数来进行分析。
提问三海丹-军科系统院-Vslam怎样融合多车采集的数据形成最后一张一致的地图。例如由于误差每个车采集到的车道线肯定会有不同，精度有可能是10cm以上。而且每个车使用的基准都不一样，最后是怎么融合成一条车道线的？
蔡锐：这是高精地图，尤其众包制作高精地图中比较核心的部分，每个单独轨迹可能都有自己独立的误差，由于实际的物理车道本身是刚性的，它们所产生的约束在你考虑到多次轨迹融合的时候，它们所产生的误差在整体上是一个减小和抵消的过程。
很多情况下，你会发现地图中很多道路的路口是比较丰富的，而它能提供的路面信息相对来说会更多一些。这时你会发现如果把它每个路口对齐得很好的情况下，路口之间的车道相应的对齐和融合相对来说会变得更加容易一些。
此外，融合不是单纯地将两个有十厘米偏差的轨迹相加。每一个轨迹都有背后的样条曲线表征，优化的是样条函数的参数。此外还有很多路面外的信息，比如空中的路牌。其实空中路牌是很重要的，因为对于地面元素的优化来说，地面距离越远，误差就会越大，但是空中路牌会给我们提供一些更多方向的约束。
提问四王维-高德-测试开发工程师众包采集和更新地图时，如何解决车道线的多源融合和拼接问题
蔡锐：这个问题跟上面的问题四是蛮类似的。可以考虑几个问题，首先以一种什么样的形式去描述车道线；其次是如何充分利用车道线以外的其他路面特征和空中信息去形成一个全方位的约束。
提问五郑国贤-东北大学-双控视觉惯性融合的SLAM在无人驾驶中扮演着怎样的角色？感觉一般都是听到深度学习的场景分割和语义理解。