第4章：高精地图采集与制作：采集车设备、点云与图像融合、地图标注与自动化生产流程

好，咱们进入正题。高精地图的采集与制作，是整个自动驾驶系统里最「重资产」的环节。说白了，没有高质量的原始数据，后面算法再牛也白搭。我当年刚入行时，总觉得地图就是画几条线，直到自己跟车跑了一趟采集，才明白这里面的坑有多深。

4.1 采集车设备：不只是装个激光雷达那么简单

很多人以为采集车就是普通车顶上架个激光雷达。其实远不止这些。我参与过三代采集车的搭建，每次升级都踩过不少坑。

一套标准的采集设备，通常包含这几样核心硬件：

• 激光雷达（LiDAR）：主力传感器。一般用64线或128线，负责获取三维点云。我个人习惯用Velodyne或Hesai的，稳定性好。
• 高精度组合导航（GNSS+IMU）：这是灵魂。没有厘米级的定位，点云全是糊的。我们用的是NovAtel或Trimble的板卡，配合光纤陀螺。
• 全景相机：通常6-8个工业相机拼成全景。用来提取车道线、交通标志等语义信息。
• 工控机与存储：数据量巨大，一小时能产生几百GB。SSD阵列是标配，还得有冗余备份。

嗯，这里要注意一个细节：传感器安装位置。激光雷达最好装在车顶正中央，减少遮挡。相机要尽量外扩，避免被车体挡住视野。我曾经因为相机支架设计不合理，导致右侧盲区过大，后期补采浪费了一周时间。

4.2 点云与图像融合：让数据「对齐」

采集回来的原始数据，是两套独立的东西：激光雷达给的是三维点云，相机给的是二维图像。怎么把它们融合到一起？

核心就是标定。你需要知道每个相机相对于激光雷达的精确位置和姿态。这个参数矩阵，决定了后续所有处理的精度。

标定流程大致如下：

1. 内参标定：先标定相机本身的畸变参数。用棋盘格拍几十张照片，跑OpenCV的calibrateCamera。
2. 外参标定：找一块空旷场地，放几个标定板。激光雷达扫出点云，相机拍出图像。然后手动或自动找对应点，解算出旋转平移矩阵。
3. 联合优化：把多帧数据放在一起，做全局的Bundle Adjustment，减少累积误差。

你想想看，这一步为什么难？因为激光雷达和相机的分辨率差太多了。激光雷达的点很稀疏，而图像是稠密的。找对应点就像「大海捞针」。我建议用边缘特征来做匹配，比如路沿、杆状物的边缘，效果会好很多。

4.3 地图标注：从数据到语义

融合好的数据，还只是一堆点云和像素。要变成高精地图，需要人工或半自动地标注出语义信息。

标注的内容主要包括：

• 车道线：实线、虚线、双黄线、停止线。每条线都要标出精确的3D坐标。
• 路沿：区分可跨越和不可跨越。
• 交通标志：限速牌、指示牌、红绿灯。要标出位置和朝向。
• 杆状物：路灯、信号灯杆、路牌杆。这些是定位的重要地标。
• 拓扑关系：车道之间的连接关系，比如哪个车道可以左转，哪个只能直行。

我记得有一次，标注团队把一段实线标成了虚线。结果测试车在那条路上频繁变道，差点出事。从那以后，我要求所有标注结果必须经过双重质检：先自动检查，再人工抽检10%。

4.4 自动化生产流程：从人工到机器

纯人工标注，效率太低。一条城市道路，人工标可能要一天。而高精地图需要覆盖全国，必须走自动化流程。

我参与搭建的自动化生产线，大致分这几步：

步骤	输入	输出	主要算法
1. 数据预处理	原始点云+图像	去噪、去畸变后的数据	滤波、时间戳对齐
2. 点云分割	预处理点云	地面、建筑物、车辆等分类	PointNet++、RandLA-Net
3. 语义提取	分割后的点云+图像	车道线、路沿、标志牌	深度学习语义分割
4. 矢量重建	语义点云	矢量化的车道线、路沿	RANSAC拟合、B样条插值
5. 拓扑构建	矢量元素	车道连接关系、路口模型	图论、规则引擎
6. 质量检查	生成的地图	通过/不通过报告	规则检查、回环检测

这里面，语义提取是最关键的环节。我们用的是多模态融合网络：点云分支提取几何特征，图像分支提取纹理特征，然后在特征层做融合。效果比单模态好很多。

为什么会这样？因为有些车道线磨损严重，图像上看不清，但点云上还能看到凸起的物理结构。反过来，有些标牌在点云里只是一团点，但图像上文字清晰可见。两者互补，才能保证召回率。

嗯，这里要提一下自动化率。我们当时的目标是做到90%以上。剩下的10%，比如复杂的环岛、异形路口，还是需要人工介入。我建议不要追求100%自动化，那会投入巨大的成本。保留人工兜底，反而更高效。

下一章，我们会深入讲车道级路径规划的核心算法。到时候，这些地图数据就会真正派上用场了。