专访 HERE 公司陈新教授：用高精地图化解自动驾驶风险

雷锋网按：今年 1 月，一年一度的国际计算机学会地理信息系统国际会议 ACM SIGSPATIAL 如期召开。

会上，HERE 公司技术专家陈新（Xin Chen）教授发表了名为《HD Live Maps for Automated Driving: An AI Approach》（意为自动驾驶高精实况地图：人工智能法）的主题演讲。会后，记者对陈新教授进行了专访，下文为采访实录（由雷锋网 (公众号：雷锋网) 新智驾编译如下，全文略有删减）：

问：陈新教授，最近您在 ACM SIGSPATIAL 大会上做了有关高清地图的主题演讲。我们希望您能向大家分享下自己在高清地图上的经验。首先，请您谈谈自己在 HERE 的工作。

陈新： 我是高级自动驾驶部门的一名工程主管。我负责“高清感知”团队，这一团队的主要任务是自动化整个高清实况地图产品的绘制过程，我们用的主要是机器学习和 3D 技术，这些技术都是业内最顶尖的。

问：您在 HERE 公司，特别是高度自动驾驶部门有多少年的工作经验？

陈新： 圣母大学（University of Notre Dame）博士毕业后我就进了 HERE，在这里工作已经超过 12 年了，刚来时这家公司还叫 NAVTEQ 。至于高度自动驾驶部门，几年前它成立后我就过来了。来这个部门前我在研发干了几年，随后转岗到平台以及核心地图部门工作了几年。

问：您在圣母大学学的什么专业？

陈新： 我硕士和博士都在圣母大学学习，专攻计算机科学与工程专业。

问：那么，怎么准确定义高精地图？它和我们日常使用的导航地图有什么差别？

陈新： 传统的导航地图包含道路拓扑、道路中心线几何形状和道路级别属性，一般我们称其为道路模型，在高精地图里这只能算三层中的一层而已。

高精地图中还有一层是高清车到模型，它包含了车道拓扑数据、车道级别几何形状以及厘米级精度的属性。最后一层被称为高精定位模型，它由不同的功能组成，主要任务是为定位策略提供支持，将自动驾驶汽车指向高清地图上的确切车道及纵向位置。

多了这两层，地图就能有更丰富且更精确的内容。HERE 的高清实况地图就是一项基于云端的服务，它不但有多个高精度的映射层，还能持续升级以支持 ADAS、高度或全自动驾驶解决方案。

问：那么，自动驾驶汽车为何需要高精地图？AI 不是已经完虐人类了吗？比如在围棋上打遍天下无敌手的 Alpha Go 和图像识别上超越人类的微软深度学习技术。如果人类驾驶员都能借着普通导航来到一个陌生的地方，自动驾驶汽车为什么还要高精地图呢？

陈新： 高精地图能救命。传感器和 AI 永远都不会致臻完美，它们也会犯错，这代价我们可承受不起。有了高精地图，我们就能通过减少误差来化解风险。此外，高清地图还能辅助路线规划工作的完成，完全超越传感器的“视力”范围。

当然，高清地图还能增强传感器和 AI 的能力，帮助它们理解周围环境，特别是在罕见及恶劣的环境下。眼下，大多数自动驾驶解决方案都将高清地图看作传感、感知和规划的关键组成部分，而想用上丰富的高清地图信息，车辆必须精确定位它在地图上的位置，现有的 GPS 定位方案在精度上却有些差强人意。想提升定位精度，就得把实时车辆感知与高清地图进行结合。

问：打造高精地图过程中会面临什么挑战？

陈新： 高精度、全覆盖、近实时刷新、量产可扩展性和地图互操作性都是我们面临的挑战。此前，高精地图从未大规模部署过，所以我们也是该领域的先行者。HERE 致力于与客户及合作伙伴紧密合作，不断进行产品迭代并完成高精地图与自动驾驶系统的整合。

问：能详细解释下什么是可扩展性和互操作性吗？

陈新： 想在全球范围内绘制厘米级精度的高清地图并保证实时数据更新在技术上难度很大而且成本超高。没有哪家公司能承担数据采集、管理，软件、算法、工具、管道、工艺开发及运营的成本。

因此，我们必须拿出一个不拖垮公司还能轻松量产的解决方案。至于所谓的互操作性则指的是一套高精地图满足所有客户/合作伙伴的胃口，因为为每个客户定制不同的高清地图太不现实了。别忘了，大家的自动驾驶解决方案都处在研发阶段，软硬件上的变化太快了。

问：面对这些挑战，你们都准备了哪些对策？

陈新： AI 是杀手锏，详细来说就是计算视觉、3D 数据分析和机器学习等技术。将这些技术进行合理整合就是高清地图绘制自动化的最佳方案。

问：你提到的这些技术也是自动驾驶行业的中流砥柱吧？

陈新： 当然。我们用来搭建高精地图的技术与自动驾驶传感/感知技术其实是硬币的两个面。前者注重质量，后者则注重实时性能。绘制地图用到的传感器比自动驾驶汽车搭载的更现金更复杂，成本也更高。

问：当下深度学习这个概念非常火爆，你们用了吗？

陈新： 深度学习我们也用到了，它是机器学习技术下的一个分类。我们用它来自动进行特征提取，比如道路标线、路牌、障碍和路上的大坑等，数据则来自车载图像传感器和激光雷达等。

问：深度学习和计算视觉技术是如何共存的？

陈新： 深度学习能用来解决许多计算视觉问题，而且它有很强的可扩展性。与传统计算视觉算法相比，它能实现更高的准确度。当然，前提是有充足的训练数据和算力。如果训练数据不太够，计算视觉或机器学习也能搭把手。

问：HERE 会自行开发 AI 技术吗？

陈新： 当然，我的团队就在开发计算视觉、深度神经网络、机器学习和 3D 数据分析等技术，而且它们都是业内最尖端的。

问：为什么 HERE 不干脆收购现有 AI 公司、自动驾驶新创公司或平台？将工作任务外包给它们也行。

陈新： 我们的“秘方”就是自己的数据和对数据的挖掘能力，HERE 的数据集可是业内独一无二的存在。可以说，不断进化以及与这些数据相关的特殊要求是我们数据挖掘与开发上的优先级。

我的团队为 HERE 的数据集开发最先进的定制化技术并为高精地图提供优化支持。借助 HERE 丰富的训练数据，我们能直接将现成的深度神经网络架构准确度提升到 70%-80%。未来，借助专业技术和经验，这一数字还能再上浮 10%-20%。

我相信，AI 技术对地图公司也至关重要，它是 HERE 公司知识产权库的定海神针。光我自己就申请了 50 多份专利，而有的同事专利比我还多。HERE 的许多工程团队也用到了 AI 技术，我们团队开发的机器学习平台就要成为 HERE 内部的 AI 助手，无论有没有这方面的背景你都能用它训练、提升、部署及分享自己的机器学习模型。

问：真有趣，你们团队能人可真多。

陈新： 是的。我手下主要有三类人：第一类是研发工程师，他们的算法需要不断挑战极限。第二类是软件工程师，他们得用好这些算法并维护公共代码库。第三类则是生产工程师，他们要为 AI 软件在云端或边缘的运行搭建基础设施和应用。HERE 有许多博士级别的研发工程师，他们来自麻省理工、普渡和卡耐基梅隆等名校。

问：为什么还要在边缘运行 AI 软件？

陈新： 我在 Boulder 还有个团队专门做边缘感知和定位的工作。他们的任务就是利用高清地图为定位创造参考性实施方案。除了控制和规划，这个团队几乎涉及了自动驾驶的所有关键部分，而且由于装在消费级设备上，因此可生成 HERE Maplets 以升级高清地图。

问：未来高清地图的生成能全自动化吗？一点手动操作都不需要了？

陈新： 在不久的将来，手动工作依然相当重要，因为没有计算视觉或机器学习是百分百完美的。我们需要手动审阅并修复相关问题，让高清地图达到应有标准。同时，机器学习算法很依赖训练数据，而它们的生成还得靠人，我们需要人类加入反馈环路才能让自动化的准确性更高。

问：绘制地图时你们用什么传感器？

陈新： 我们有差分 GPS、惯性测量单元（IMU）、多款工业级的高清摄像头以及激光雷达扫描装置。差分 GPS 和 IMU 会参考图像和激光雷达点云，同时我们也会从图像和激光雷达中提取高清地图属性。此外，我们还会利用其他数据来源，比如卫星、空中成像和众包的传感器数据。

问：我听说，一些公司在自动驾驶解决方案中都没用到激光雷达，你们为什么要用这种传感器呢？它可比摄像头贵多了。

陈新： 是的，激光雷达想大规模部署不容易，它太贵了。不过整体趋势它是在降价的，而且体积也在不断缩小。因此我认为想让高清地图达到厘米级的精度，激光雷达必不可少。

眼下，计算视觉无法重构 3D 世界，因此其精度无法保证。举例来说，如果在 10 米内误差为 1 厘米，100 米开外误差就 1 米了，反观激光雷达传感器，数百米开外精度也能达到 1-2 厘米的精度。

摄像头也很重要，因为它能提供激光雷达没有的彩色信息，广视角和较长的探测距离也是其优势。大多数机器学习算法都是为 2D 图像研发的，眼下 ADAS 和高度自动驾驶汽车都偏向摄像头，而且基于摄像头的实时功能探测试升级地图的绝佳来源。

问：既然 AI 技术发展那么快，您怎么能保证 HERE 的技术就是业界最顶尖的？

陈新： 教职工作让我不得不快速更新自己的技能。2010 年以来，我一直在伊利诺伊理工大学和西北大学教授两门 AI 课。随着时间的推移，每门课的教学大纲都发生了巨大变化，因为每年我们都有新算法、新技术、新趋势和新软件。

问：能详细说说您的 AI 课程吗？

陈新： 我有一门课程叫做“地理空间视觉与可视化”，在这门课上学生会在地理空间信息的上下文中学习计算视觉、大数据分析和机器学习。另一门课是计量生物学，这也是我博士论文的主题。这门课上学生通过面部、虹膜和指纹识别来学习 AI 技术。计量生物学是机器学习技术最成功的产品之一，而且它几乎侵入了人类生活的方方面面，正推动机器学习走向规模化和高质量之路。不过，技术发展带来的道德和隐私问题也对社会造成了重大影响。

我的教学理念是让学生通过使用真实世界的数据来考虑现实世界的例子，并在课堂上解决现实世界的问题，从而在现实世界中学习机器学习。我想让学生掌握这个不断变化的行业所需的知识，经验和技能。

问：教职工作对你在 HERE 的事业有所帮助吗？

陈新： 当然。许多我的学生现在都成了 HERE 的同事。同时，教职工作也让我和当地大学建立了良好关系，许多学员和博士生现在都在为 HERE 赞助的研究项目效力。

在自动驾驶行业，伊利诺伊理工大学是仅次于卡耐基梅隆、斯坦福和加大伯克利的第四大黄埔军校，我希望自己的课程能为自动驾驶行业的发展尽一份力。当然，这也是 HERE 的核心价值之一。据我计算，过去八年来有 1000 多名学生修过我的 AI 课程。

问：最后，我想问问，开发者社区是否能从你的工作中受益？

陈新： 我们与开发者社区合作的方式多种多样。举例来说，我们提供过不少高精地图样本，同时还与一个有名的研发项目平台合作，将高精地图界面植入了它们的库。此外，与大学进行正式合作也是家常便饭，至于各种挑战和竞赛更是必不可少。我期待着能有更多人才加入我们这个世界级团队。

雷锋网推荐阅读：

HERE地图叒引入两个投资方，这回是博世和大陆

。