如何打造基于摄像头的感知定位解决方案？DeepMotion给出了答案(7)

2、需要满足高级别自动驾驶对高精地图精度的需求，也就是达到厘米级。
3、在实际应用中，除了上面第二条提到的对地图精度的需求以外，为了使得地图活性得到保证，需要可接受的采集成本和采集周期。在设计地图制作方案的时候，必须要考虑到这一点。初期阶段大家可以不计成本，不计代价地做出第一版底图。但是在规模化生产应用以后，还是要虑到自动化、更新频次和采集成本等因素。

我们设计的可众包高精地图构建分成端和云两部分。
在端这一部分，我们会通过车载的GNSS以及惯导来做两方面事情。一方面是估计车辆自运动，得到车辆的6-DOF位姿。从上图可以看到，在实践中我们会用一些语义级的特征，首先对图像进行地图元素的识别和分割，再对识别结果进行比对，然后结合惯导和GPS的信息来比较准确地估计车辆6-DOF的姿态。
当有了姿态之后，可以很方便地把刚才图像识别所得到的一些地图元素进行矢量化的抽取，其中涉及到一些比较复杂的处理，比如道路平面的估计以及识别结果的规整，使其标准化。结合姿态，可以很自然地把这些元素放在三维空间中。
我们统计了一下相关的一些数据，如果真正要做一个高效的采集系统，目前传统的内外业方式不一定完全适用，因为大量数据不能够实时处理，也就不可能众包。同时大数据的拷贝、迁移等也会对整个地图的生产过程造成比较大的延时。
因此我们提倡的是把矢量化的地图元素结合当前采集车辆的6-DOF位姿进行打包后压缩，然后传回云端。我们估计在城区中的数据量大概在40-50KB/Km，城区道路元素相对多一点，而对于高速公路来说，数据量要小很多。
对于众包车辆来说，我们可以要求它只提供矢量化的元素。如果是希望做从0到1的制图过程，我们也支持存储一些关键帧，以便后期对制图的质量进行更好的把控。
在基于众包的情况下，传回云端的数据主要包括车辆姿态以及一些矢量化的道路元素。我们会根据车辆所在的位置（绝对坐标）对其进行一些分组。大家都知道在传统的作图过程中，是分成小块一个个进行处理的。类似地，我们也会把地图分成几块，每一块里面会做相应的层级空间聚类。