如何打造基于摄像头的感知定位解决方案？DeepMotion给出了答案(8)

对于每一块中的轨迹，包括相应帧中的姿态以及关键帧中的矢量化地图元素，如何从不同的轨迹中去找到它们之间的相对关系，比如如何快速地判断本次采集中的某个路口的某个箭头和前次采集中的箭头是不是同一个。
当你能够很高效准确地做这一点以后，那么就会在多条轨迹之间建立约束。一方面可以连在一起生成更大的轨迹地图，另一方面，这些约束会对整个轨迹的几何结构优化产生相当重要的作用。这整个过程都是在云端进行的，最后的输出就是大画幅、大尺寸、矢量化的高精地图。

为能达上述目的，这是我们现在在车端使用的基于NVIDIA TX-2的算力单元。这块小板上既有CPU也有GPU。CPU主要负责同步GNSS、IMU、Camera的时序信号、负责整个车辆的自运动估计，以及输出矢量化的地图元素。另外我们会利用板上的GPU来做道路元素的识别和分割。可以看到，这块板卡的算力要承担比较多的任务，因此如何在时间上和不同线程之间合理地分配计算资源，保证在车辆轨迹不丢失的情况下，保证比较高准确率的道路元素抽取，这是一个很大的挑战。其中会有非常多的研发和调试的工作需要去做。
以目前的技术水平，基于这样的板卡基本上能做到10fps以上的处理速度，在车速80-90km/h的情况下也能满足作图的需求。

这是一个真正在云端多轨迹融合的例子，真实情况较为复杂。在不同情况下，采集车辆所处的车道不一样，所看见的视野也不一样，在不同视野里，不同地图元素的准确精度也是不一样的，这点做视觉的人都应该知道，所以在多个轨迹中不仅仅有轨迹的拓扑结构，你所看见的元素可能也会有些差异，那么估计出来的矢量化地图元素的坐标可能也会有不同的精度。其中最核心的算法就是不同轨迹中地图元素的配准。还有一个难点是基于矢量化的地图元素和采集车的行进轨迹，推理出道路的拓扑结构，这些事情也是放在云端来做的。