三、需求分析与建模
本文从「互联网+」智能交通应用及未来 20 年无人系统行业发展的典型应用场景出发，将高精度道路导航地图划分为 6 层建立需求模型，如图 2 所示。
图 2 高精度道路导航地图应用分析
(一)「互联网+」智能导航
随着城市环境的不断建设，为了提高道路使用效率、缓解拥堵，很多新的交通管理措施不断被实施。例如多乘员车道(HOV 车道)、潮汐车道(见图 3)等。
图 3 HOV 车道和潮汐车道
HOV 车道仅供乘坐至少某一规定乘客数的车辆通行。潮汐车道是指可变车道，即某一条车道在不同时段内行驶方向会发生变化。这些新的交通管理方案的实施主要是通过车道来实现的，而高精度道路导航地图可以精准反映这些信息，为人们提供智能导航服务。
(二)「互联网+」智能交管
道路交通执法管理具有很多难题，尤其是在执法取证和事故应急处理方面。而高精度道路导航地图可以提供新的技术手段来解决交通执法管理中的困难。
1. 交警执法领域
车道级违法行为执法取证是道路执法领域的一个难点问题。车道级违法行为指移动目标相对于地面车道或其他移动目标而言，相对位置移动在一个车道级别内的、违反交通法规的行为 [13]，如不按规定车道行驶等。
由于数据采集困难和现场还原困难导致这些行为目前难以执法取证。而高精度道路导航地图可以精准反映车辆行驶在哪一条车道上，因此可以对车辆是否有车道级违法行为做出准确判断，满足车道级违法行为执法取证的需求。
2. 保险理赔领域
车险理赔行业长期受到骗保行为的困扰，耗费了大量的人力物力。这是因为保险人员往往只能查勘事后证据，无法判断事故的全过程。高精度道路导航地图包含丰富细致的车道信息，因此可以精准反映车辆的行驶状态，并且在地图上将事故的全过程进行还原，从而可以帮助保险人员对事故进行准确判断。
(三)「互联网+」辅助驾驶/无人驾驶
无人驾驶领域要求地图在几何上具有更细的粒度，细致地刻画道路上每个车道的详细信息。而在拓扑网络上，也要求准确表达车道之间的连接关系。高精度道路导航地图包含多个层次的几何拓扑数据，可以满足面向辅助驾驶和自动驾驶的不同层次的运用需求。
除此以外，高精度道路导航地图还包含动态要素。动态要素包括两种，一种是半实时的动态要素，它在自动驾驶领域主要用于进行全局的路径规划;另一种是实时的动态要素，主要指动态障碍物，它主要应用于自动驾驶系统实现局部路径规划。
四、高精度道路导航地图的结构与计算
(一)高精度道路导航地图结构
道路地图是对实际道路进行反映，通过特定图层来描绘特定类别，然后将图层叠加进行路面表达。终端上显示的导航地图往往由 10 多层甚至 20 多层不同分辨率的图片组成，当用户进行缩放时，程序根据缩放级数，选择不同分辨率的瓦片图(用方格来模拟实体)，拼接成一幅完整的地图。高精度道路导航地图也是如此，只是它在普通电子地图的基础上包含了更多的图层数量，且每一图层的描绘更加精细。
图 4 地图结构内容划分示意图
高精度道路导航地图由四个部分的数据构成，分别是道路网数据、车道网数据、安全辅助数据和道路交通设施数据。这四类数据构成的地图结构内容根据地图精度不同显示的内容也就不同，其基本结构划分和显示内容示例，如图 4 所示。
图 5 高精度道路导航地图道路网示意图
道路网主要是由道路基准线网络构成，用于描述道路的几何形态、表达与道路设施间的关系。高精度道路导航地图道路网示意图，如图 5 所示，它包括道路基准线、道路基准线连接点和路口等图层。
图 6 高精度道路导航地图车道网示意图
车道网记录路网中每个独立车道的相关属性，用于车道级的道路显示、定位、路径规划和驾驶策略辅助。它包括车道级道路、车道级道路连接点、车道级道路形状点等图层，如图 6 所示。
安全辅助数据和道路交通设施数据是对车道安全数据和车道上的其他交通设施进行描述，用于辅助车道级定位和显示，例如曲率、航向、纵横坡度等。
道路交通设施数据则包括交通标识、路侧设施和固定地物等信息。
(二)计算模式
高精度道路导航地图描绘的道路信息更加丰富，包含的细节更多，因此它的数据量也更加庞大。传统导航电子地图每千米的数据量约是 1 kB，而高精度道路导航地图每千米的数据量大约是 100 MB，是传统导航地图的 10^5 倍。而且高精度道路导航地图中的数据类型复杂多样，数据量急剧增加，并且数据处理的实时性要求较高。
所以目前以云计算模型为核心的集中式大数据处理方式已经不能满足高精度道路导航地图的数据计算要求，需要建立新的计算模型。本文提出「众包+边缘计算」模型作为高精度道路导航地图计算模式。
高精度道路导航地图的数据采集任务很艰巨，需要采集车跑过每一条道路，然后上传数据绘图。首先，这需要花费大量的时间;其次，道路上的一些信息会发生变化，高精度道路导航地图需要保持周期性数据更新，再次采集很多信息又是重复的，且耗费更多的资源。
笔者认为可以采用众包的方式解决这些问题，高精度道路导航地图的用图者同时也可以是绘图者。通过众包的方式，将数据采集设备装在使用高精度道路导航地图的车辆上，其在行驶时边用图边采集数据，并且将获取到的数据上传。这种方式可以很好地满足城市街道需要一周更新一次来反映其构造和新的交通模式的需求。美国的 Mapper 公司已经采用这种方式来获取地图数据。
随着物联网和 5G 通信技术的快速发展，有别于传统云计算的全新计算模式——边缘计算被研究者们提出。边缘计算是指在网络边缘执行计算的一种计算模型，边缘计算中边缘的下行数据表示云服务，上行数据表示高精度道路导航地图服务，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源 [14,15]。
该计算方法是一种在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
图 7 高精度道路导航地图边缘计算模型参考框架
针对高精度道路导航地图的情况，在边缘式计算中，由于数据量的增加以及对实时性的需求，需将原有云中心的计算任务部分迁移到网络边缘设备上，以提高数据传输性能，保证处理的实时性，同时降低云计算中心的计算负载。本文研制了高精度道路导航地图边缘计算模型参考框架，如图 7 所示。
声明：中国勘测联合网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，文章内容仅供参考。
