时空信息学报丨一种面向自动驾驶高精地图的更新策略_最新动态

首页 > 最新动态 > 时空信息学报丨一种面向自动驾驶高精地图的更新策略

最新动态

时空信息学报丨一种面向自动驾驶高精地图的更新策略

2025-01-03164

收录于话题

《时空信息学报》是由自然资源部主管，国家基础地理信息中心、中国地理信息产业协会、黑龙江测绘地理信息局共同主办的中文学术期刊，双月刊。为分享最新研究成果，搭建学术交流平台，中国地理信息产业协会公众号开设“时空信息学报”专栏，独家刊载《时空信息学报》论文，供广大读者研阅。1月2日起，陆续刊发2024年第5期的10篇论文。欢迎产学研用各界关注、分享！

一种面向自动驾驶高精地图的更新策略

陈召洋¹，黄炜¹，吴杭彬¹，

应申²，李必军³，刘春¹

1. 同济大学测绘与地理信息学院，上海 200092；
2. 武汉大学资源与环境科学学院，武汉 430072；
3. 武汉大学测绘遥感信息工程国家重点实验室，武汉 430072

摘要：目前高精地图的更新主要依赖于专业测绘采集数据，其高额的更新成本和较低的更新效率限制了高精地图的广泛应用。本文在智能高精地图四层模型的基础上，从不同地图信息在更新信息类型、检测更新频率及更新前是否存在更新驱动信息，这三方面的差异出发，结合专业更新和众包更新方法设计一种基于高精地图信息特点的更新策略，根据不同地图信息在精度和鲜度方面存在的差异，选择不同的更新模式进行变化检测和更新；此外，还阐述了本策略针对不同地图信息的具体应用场景，并利用熵权法在更新成本、更新时间和更新精度方面进行综合评价。研究表明：对于小范围变化的地物信息和频繁变化事件信息，应优先采用实时检测、静态信息更新模式，或实时检测、动态信息更新模式以确保更新的及时性和准确性；对于大范围低频率变化的地物信息和偏远区域缓慢变化的事件信息，本策略能够在保证数据精度的同时有效节省成本。

关键词：自动驾驶；高精地图；更新策略；地图分层模型；熵权法；地图更新模式；众包更新；差异更新

引用格式：陈召洋, 黄炜, 吴杭彬, 应申, 李必军, 刘春. 2024. 一种面向自动驾驶高精地图的更新策略. 时空信息学报, 31(5): 585-595

Chen Z Y, Huang W, Wu H B, Ying S, Li B J, Liu C. 2024. A strategy for updating high definition maps in autonomous driving. Journal of Spatio-temporal Information, 31(5): 585-595, doi: 10.20117/j.jsti.202405010

1 引言

相较于传统导航电子地图，高精地图具有高精度、高鲜度、高丰度等特点，不仅包含高精度的道路几何信息，还包含车道数量、行驶方向、车道宽度、车道连接关系、交通标志、车道编号等丰富的属性信息，这些信息有助于自动驾驶车辆在复杂环境中实现自车高精定位和超视距感知，提高导航决策能力、保障车辆的行驶安全（Liu等，2019）。因此，高精地图信息对高级别自动驾驶具有重要意义。近年来，高精地图信息的更新主要利用专业测绘采集车实现（Choi和Kim，2022）。虽然其信息精度高，但经济成本也较高，且需要专业技术人员花费大量时间处理后才能投入使用，难以实现对某些变化频率较快信息的及时更新，无法满足城市场景自动驾驶对高精地图信息高时效性的要求。目前，在节省更新成本和提高更新效率两方面取得了丰富的研究成果。

在节省更新成本方面，如利用道路上的固定摄像头（郁佳佳等，2021）、无人机（Kong等，2023；刘欣怡等，2023）、车载GPS （van Winden等，2016；彭程等，2023；肖好良等，2023）、行车记录仪（陈世增等，2020）、路侧单元（潘景剑等，2022）等众包方式采集数据后，对不同的地图信息进行变化检测和更新。相较于传统的专业采集手段，众包更新具备低成本、实时性高的优势，给高精地图更新带来了新的可能（杨蒙蒙等，2023）。面对某些地图信息变化频繁时，众包更新通过高频率数据采集能更好地捕捉地图信息的变化，保持地图信息的及时性和准确性。众包数据在精度方面存在不确定性，现有研究进行了改进。一方面，通过选择不同的数据处理方法以提高信息精度。Kim等（2021）提出了一种观察学习算法，通过从大量精度较低的众包数据中选择质量可靠的数据完成高精地图更新；Park等（2022）提出了用YOLO算法和高精度数据集训练出检测精度较高的模型，结合摄像机对道路上的交通标志进行检测和匹配。另一方面，通过融合不同类型数据提高信息精度。Liao等（2022）将摄像机获得的图片数据和激光雷达数据进行融合，显著提升了地图生成精度和生成速度。

在提高更新效率方面，为减少信息更新前的搜索时间，许多研究对高精地图数据的逻辑结构提出了不同的分层方案。贺勇等（2015）将高精地图数据逻辑结构划分为道路网络信息层、车道网络层、车道线层和交通标志层四层，应用于车道级导航及智能车。但这种分层方式缺少对事件信息和应对特殊场景的驾驶经验信息等的考虑。清华七层自动驾驶地图结构模型加入了交通事故、行人、信号灯状态和驾驶决策信息等，并将高精地图数据逻辑结构分为道路级路网层、交通信息层、道路–车道连接层、车道级路网层、地图特征信息层、动态感知容器层和智能决策知识层（Jiang等，2019）。在这种分层方式下，虽然单独的拓扑关系连接层降低了路径搜索时间，但对后期数据更新，增加了空间数据拓扑关系跨层维护的复杂度。刘经南等（2019）提出了智能高精地图四层模型，将高精地图分为了静态地图层、实时数据层、动态数据层和用户模型层。

现阶段高精地图的传统更新仍依赖庞大的采图车队、制图产线、数据管理与云服务（吴喜庆等，2022）。其从数据采集到地图发布需要大量的经济与时间成本，甚至会让车辆在行驶过程中容易获得一些与实际环境不符的信息。另外，众包更新方法的不断涌现显著虽然降低了更新成本且能较好地维护信息鲜度，但降低了信息精度。因此，为满足地图信息精度和鲜度的要求，同时节省高精地图的更新成本并提高更新效率，本文在智能高精地图四层模型（刘经南等，2019）分层结构的基础上，结合专业更新和众包更新方法设计一种基于高精地图信息特点的更新策略，阐述了这种更新策略的具体应用场景并在不同场景中进行可行性验证。

2 自动驾驶高精地图的主要更新方式

智能高精地图四层模型中，静态地图层包含了道路网、车道网、交通设施与定位图层信息等静态驾驶环境信息；实时数据层包含了交通限制信息、交通流量信息及服务区信息等实时路况信息（刘经南等，2019）。实验主要基于不同地图信息在更新信息类型、检测更新频率及更新前是否存在更新驱动信息方面的差异设计了不同的更新方式，如图1所示。

2.1 静态信息更新和动态信息更新

根据《道路高精导航电子地图数据规范》（CH/T 4026—2023），静态地图层信息的变化频率较慢，主要用于精准刻画静态驾驶环境，绝对几何精度应小于等于1 m；实时数据层信息的变化频率较快，主要是为自动驾驶车辆提供一些实时的路况信息。因此，将更新信息类型的更新方式分为静态信息更新和动态信息更新。

静态信息更新是对地图信息完成更新后，信息变化频率较慢；其主要面向智能高精四层模型（刘经南等，2019）中的静态地图层信息的更新，如交通标识牌、车道等地物信息的更新。动态信息更新是对地图信息完成更新后，信息变化频率较快；其主要面向智能高精四层模型（刘经南等，2019）中的实时数据层信息的更新，如天气、交通拥堵情况、道路工程等事件信息的更新。

2.2 定期检测更新和实时检测更新

目前有企业认为长久静态数据的更新频率为1个月，如城市级别道路网、车道网的更新等；半长久静态数据的更新频率为1 h，如交通设施的更新等；半动态数据的更新频率为1 min，如交通事故的更新等（吴喜庆等，2022）。因此，将检测更新频率的更新方式分为实时检测更新和定期检测更新。

定期检测更新是按照固定周期对城市范围的地图信息进行变化检测和更新，主要采用专业采集更新的更新方式。实时检测更新是对特定区域的地图信息进行变化检测和更新，没有固定的更新频率，主要采用众包更新的更新方式。

2.3 事件驱动更新和非事件驱动更新

根据地图信息在变化检测前是否存在更新驱动信息，如政府在道路修建前发布的公告等，将更新驱动信息的更新方式分为事件驱动更新和非事件驱动更新。

事件驱动更新是在变化检测前某地图信息存在更新驱动信息，所进行的变化检测和更新，可以提高更新效率，如道路管理部门提前通知地图生产商关于某段道路的施工信息，地图生产商随后利用专业设备采集变化的道路数据，经人工处理后对原有道路信息进行保留或更新。

非事件驱动更新是在变化检测前某地图信息没有更新驱动信息，所进行的变化检测和更新，如利用路侧单元将检测的道路车流量情况实时上传至云端，云端处理后在地图中及时更新某区域的道路车流量信息和拥堵信息。然而，其在进行变化检测前，无法确定地图信息是否发生了变化，因此，完成变化检测后若发现地图信息出现变化则将最新信息及时更新在地图中，否则在地图中继续保留原有信息。

3 自动驾驶高精地图的更新模式

将不同的更新方式进行组合，可得到定期检测、静态信息更新，实时检测、静态信息更新，实时检测、动态信息更新，以及定期检测、动态信息更新共四种更新模式，如图2所示。

定期检测、静态信息更新和实时检测、静态信息更新主要是对智能高精地图四层模型（刘经南等，2019）中的静态地图层的道路网、车道网、交通设施和定位图层中的地物信息等进行变化检测和更新。实时检测、动态信息更新和定期检测、动态信息更新主要是对智能高精地图四层模型（刘经南等，2019）中的实时数据层的交通限制、交通流量等事件信息进行变化检测和更新。

3.1 定期检测、静态信息更新

定期检测、静态信息更新模式是在固定周期内，对城市范围的地物信息进行的变化检测和更新。根据地物信息在变化检测前是否存在更新驱动信息，分为事件驱动更新和非事件驱动更新两种方式，如图3所示。

在定期检测、静态信息更新模式的应用场景中，可利用专业测绘采集车、移动测图系统（Choi和Kim，2022）等数据采集方式对高精地图城市范围道路网、车道网、交通设施和定位图层信息等进行变化检测和更新（表1）。

1）事件驱动更新的应用场景

这种更新模式用于在固定周期内对城市范围在变化检测前存在更新驱动信息的地物信息进行变化检测和更新，如对因周围环境致使道路产生严重病害，影响车辆行驶安全的道路信息进行变化检测和更新等。通常情况下，道路在岩土条件、施工干扰、地表载荷、水环境等环境因素的影响下，长期使用后可能会出现道路坍塌、断裂等病害问题影响车辆的正常通行（徐玉峰，2010）。因此，若发现某道路存在潜在风险，则立即对其启动周期更短的变化检测，并及时在高精度地图中更新与其通行状况相关的信息以确保车辆的行驶安全。

2）非事件驱动更新的应用场景

这种更新模式用于在固定周期内直接对城市范围的地物信息进行变化检测和更新，如对某城市道路标志线信息的检测和更新等。在实际应用中，根据地图更新周期的要求，可利用移动测图系统按照固定周期采集城市道路标志线的点云数据，经数据清洗、匹配、优化等处理后，若发现道路标志线的位置、类型等信息发生变化，则将新信息及时更新在高精地图中。

3.2 实时检测、静态信息更新

实时检测、静态信息更新模式是在无固定周期的条件下，对特定区域的地物信息进行的变化检测和更新。根据地物信息在变化检测前是否存在更新驱动信息，分为事件驱动更新和非事件驱动更新两种方式，原理与图3类似。在这种更新模式的应用场景中，可利用车载GPS（彭程等，2023）、行车记录仪（陈世增等，2020）等数据采集方式。对高精地图特定区域道路网、车道网和交通设施和定位图层信息等进行变化检测和更新，例如，某段道路属性信息的更新等（表2）。

1）事件驱动更新的应用场景

这种更新模式用于对特定区域某些在变化检测前存在更新驱动信息的地物信息进行变化检测和更新，如对某段道路车道标线信息的更新等。车道线的数据采集通常用成本较低方式，如从无人机影像或GPS轨迹中提取，虽然获取简便，但在信号差的区域，数据质量可能较差。因此，为了节省更新成本和提高更新效率，地图生产商会先利用常规技术检测某区域车道线是否发生变化，若发现变化，则安排专业测绘采集车采集变化数据，完成内业人工制作后，及时在高精地图中对地图信息进行更新（Bastani等，2018）。例如，在对比行车记录仪采集的数据和原始高精地图后，可发现图4（a）中第2条车道线为新增车道线；随后，地图生产商会利用专业手段在地图（图4（b））中补充此处的新增车道线信息，完成更新，如图4（c）所示。

2）非事件驱动更新的应用场景

这种更新模式用于直接对特定区域的地物信息进行变化检测和更新等，如对某道路交通标识牌信息的更新等。因此，地图生产商有时会利用行车记录仪获取的数据检测交通标识牌信息是否发生变化，一旦发现某处信息的不匹配，对此变化信息进行更新。例如，图5（b）中的黄色点表示此处有限速值为30 km/h的限速牌，但在图5（a）的范围内并无此限速牌，经比较后，地图生产商在原始高精地图中删除此限速牌信息，完成地图更新。

3.3 实时检测、动态信息更新

实时检测、动态信息更新模式是在无固定周期的条件下，对事件信息进行的变化检测和更新。根据事件信息在变化检测前是否存在更新驱动信息，分为事件驱动更新和非事件驱动更新两种方式，如图6所示。

在这种更新模式的应用场景中，可利用交通广播、网站爬虫、车载众包、路侧感知等数据采集方式对高精地图的交通流量信息、道路工程信息、兴趣点（point of interest，POI）信息等进行变化检测和更新，如某条路的交通限制信息、天气信息的更新等，见表3。

1）事件驱动更新的应用场景

这种更新模式用于对某些在变化检测前存在更新驱动信息的事件信息进行变化检测和更新，如在恶劣天气的环境下，对某道路路面状态信息的变化检测和更新（Hasan等，2015）等。此时，路面状态信息的变化较快，如积水和结冰信息，因此，为确保车辆的行驶安全，可利用特定设备实时检测路面状态，将变化情况实时上传至云端后及时更新在高精地图中以反映最新的路况信息。

2）非事件驱动更新的应用场景

这种更新模式用于直接对事件信息进行变化检测和更新，如对某事件附近道路交通管制信息的更新等（杨伟和艾廷华，2016）。当某区域由于交通事故导致周围路段产生临时交通管制时，为确保附近车辆的行驶安全，可利用路侧单元实时统计某段道路在一定缓冲区范围车辆的数量，通过分析数量变化情况，识别出交通流量显著变化的路段，并结合社交媒体、交通广播等信息来源，确定车流量变化的原因后，及时将此路段最新的交通管制信息更新在地图中，如图7所示。通过此方式，相关车辆在行驶通过此范围时能够及时获取最新的地图信息，确保行驶安全。

3.4 定期检测、动态信息更新

定期检测、动态信息更新模式是在固定周期内，对特定区域不频繁变化的事件信息进行的检测和更新，如在车流较为稀疏的区域更新交通拥堵情况等。相较于城市区域事件信息的变化频率，此处事件信息的变化频率较慢，采用这种更新模式不仅能确保车辆的行驶安全，还能实现资源的有效利用；相较于地物信息，事件信息的变化频率仍较快，即使某事件信息在变化检测前存在更新驱动信息，但这种特殊事件的检测周期难以确定，很难维护信息的有效性。因此，仅采用非事件驱动的更新方式，如图8所示。

在定期检测、动态信息更新模式的应用场景中，可通过车载众包、无人机、交通监控、专业采集车等数据采集方式对高精地图特定区域的服务区信息、交通流量信息等事件信息进行变化检测和更新，见表4。

非事件驱动的定期检测、动态信息更新模式用于在固定时间周期内，直接对特定区域的事件信息进行变化检测和更新，如对车流量较少区域道路拥堵情况的变化检测和更新等。在一些车流量较少的地方，实时更新道路拥堵情况可能会造成资源浪费。为节省资源并确保信息的有效性，可定期从交通监控视频中提取车流量信息，以判断道路的拥堵情况，若发生变化则将地图更新。

4 实验与结果分析

利用不同类型的地图信息，从节省更新成本、提升更新效率两方面，评价了上文所述更新模式的可行性。

4.1 实验

选取北京市东城区作为实验区域，路网数据来源于OpenStreetMap网站。为简化路径分析过程，对路网进行了简化处理，保留了最具代表性的一、二级主干道路网结构。为分析地图信息更新成本、更新时间及更新精度的影响程度，设计了不同的实验场景，模拟信息在实验区域全部路网中的大范围变化，以及在局部路网中的小范围变化，并包含信息变化频率不同的情形。首先在路网上随机分布信息变化点，这些信息点视为低频变化信息，如道路信息变化和道路通行信息变化等；然后信息点在较短时间内继续发生变化，表示为高频变化信息，如交通事故信息变化等。在这些场景中，分别采用定期检测、实时检测两种方式对变化信息进行检测和更新。

根据上文所述更新模式，对不同检测更新方式进行了设计，如图9所示。对于定期检测更新，设计了两个实验周期。在第一个周期中，信息变化点随机分布于路网，专业测绘采集车沿随机路径进行检测并记录该路径，其将在后续周期中使用；第一个周期获取的数据仅用于提取检测路径，并不进行任何分析。在第二个周期中，信息变化点再次随机分布，车辆沿第一个周期提取的路径进行检测，并将检测到的变化信息直接上传至云端进行更新，后续将基于第二个周期的检测结果进行分析。对于实时检测更新，信息变化点同样随机分布，但众包车辆会直接进行检测并实时将变化信息上传至云端进行更新。

考虑到云计算和物联网中的实时数据传输与处理已经非常高效（Shukla等，2023），因此，将更新时间视作检测时间。假设所有车辆的行驶速度相同，不同信息变化点之间的距离采用曼哈顿距离，以此获得更新时间。根据已有研究（国君计算机团队，2019），专业型采集车辆的设备成本高达百万元级别，精度通常小于10 cm；众包型车辆的设备成本仅为十万级别，精度通常大于0.5 m。因此，对于更新成本，实验假设定期检测成本为实时检测成本的10倍，反映实际情况中的成本差异。对于更新精度，实验假设定期检测的精度为实时检测精度的10倍，反映实际情况中的精度差异。

为保证客观、合理性，利用熵权法（Wang等，2021）进行了综合评价。首先，对更新成本、更新时间及更新精度指标进行标准化处理，得到。对于正向指标x_ij，如更新精度，值越高表示越优：

对于负向指标x_ij，如更新成本、更新时间，值越低表示越优：

其次，对所有的

进行归一化处理，记为

。

最后，计算各指标的熵值

和权重

，结合归一化后的值

，得出不同检测方式在不同变化频率信息下场景的综合得分

：

4.2 结果分析

分布在实验区域全部路网中的大范围地图信息和在局部路网中的小范围地图信息，分别以高频率和低频率发生变化时各检测方式的综合得分，结果见表5~6。不同场景下各检测方式的检测结果如图10~11所示。

在大范围地图信息出现变化的场景中，定期检测方式在第一次变化的综合得分高于实时检测方式但在第二次变化的综合得分低于实时检测方式，见表5。这表明，定期检测通过专业测绘采集车的高精度设备进行周期性更新，在一次检测中覆盖广泛的区域，并确保信息的准确性，在处理大范围低频率变化的地物信息（如道路线信息等）时更为有效。另外，当地图信息继续发生变化，实时检测方式的综合得分超过了定期检测方式，表明通过众包车辆及时捕捉和更新最新的道路或交通信息，在处理大范围高频率变化的事件信息（如交通事故等）时更为有效。

在小范围地图信息出现变化的场景中，定期检测方式在第一次变化和在第三次变化的综合得分低于实时检测方式，见表6。这表明，实时检测通过众包车辆的灵活性，快速响应并更新最新的地图信息，在应对小范围地图信息的变化时更为有效。另外，定期检测方式在第二次变化的综合得分超过了实时检测，说明定期检测通过周期性检测更新处理一些特定区域的信息变化也较为有效，如偏远地区的小范围事件信息（车流量信息）等。

综上所述，不同更新方式在不同场景下各有优劣，在高精度地图更新过程中，根据地图信息的类型和变化检测频率的差异，选择适宜的更新模式最重要。对于小范围变化的地物信息和频繁变化事件信息，应优先采用实时检测、静态信息更新模式或实时检测、动态信息更新模式，确保更新的及时性和准确性；对于大范围低频率变化的地物信息和偏远区域缓慢变化的事件信息，定期检测、静态信息更新模式或定期检测、动态信息更新模式则能够在保证数据精度的同时节省成本。因此，在不同情况下，应用本策略选取不同的更新模式可以显著提升地图更新效率，优化资源分配，节省更新成本，在不同应用场景中实现最优的更新效果。

5 结论

高精地图中包含了丰富的道路场景语义信息、实时路况信息等，支撑着自动驾驶车辆的出行。然而，高精地图专业更新的成本高昂且效率较低，限制了高精地图的广泛应用。虽然众包更新在一定程度上弥补了专业更新的不足，但精度相对较低。因此，本文基于已有研究（刘经南等，2019）的智能高精地图四层模型，结合专业更新和众包更新方法设计了一种基于高精地图信息特点的更新策略，通过分析不同地图信息在更新信息类型、检测更新频率及更新前是否存在更新驱动信息这三方面的差异，选择不同的更新模式进行变化检测和更新，节省更新成本，提升更新效率。此外，通过针对不同地图信息的具体应用场景利用熵权法在更新成本、更新时间和更新精度方面进行了综合评价，分析了合理性和可行性。

本策略是在满足地图信息精度和鲜度的需求下，通过选取不同的更新模式对其进行变化检测和更新，以节省更新成本与提升更新效率。然而，在复杂路网环境中可能面临精度的进一步优化需求，且众包数据质量仍可能成为其进一步推广应用的挑战。

参考文献（References）

陈世增, 李必军, 周继苗. 2020. 利用双灭点估计的车道线检测. 测绘通报, (1): 16-20[Chen S Z, Li B J, Zhou J M. 2020. Lane detection with double vanishing points estimation. Bulletin of Surveying and Mapping, (1): 16-20 (in Chinese)]

国君计算机团队. 2019. 高精度地图背后是巨头之争，华为与BAT拼技术也拼资金.https://www.zhitongcaijing.com/content/detail/ 238437.html.[2024-09-06][Guojun Computer Team.2019. Behind high-precision maps is a competition among giants, with Huawei and BAT competing for technology and funding.https://www.zhitongcaijing. com/content/detail/238437.html.[2024-09-06] (in Chinese)]

贺勇, 路昊, 王春香, 杨明, 吴涛. 2015. 基于多传感器的车道级高精细地图制作方法. 长安大学学报(自然科学版), 35(S1): 274-278[He Y, Lu H, Wang C X, Yang M, Wu T. 2015. Method of making lane-level high-precision map based on multi-sensor. Journal of Chang’an University (Natural Science Edition), 35(S1): 274-278 (in Chinese)]

赫英策, 李禹萱, 孙尚宇, 宋伟东.2024. 基于改进YOLOv8的前视影像的路面病害检测方法. 时空信息学报, 31(5): 05001, https://doi.org/10.20117/j.jsti.202405001.[2024-09-19] [He Y C, Li Y X, Sun S Y, Song W D. 2024. Based on the improved YOLOv8 pavement disease detection method on the forward view image. Journal of Spatio-temporal Information, 31(5): 05001, https://doi. org/10.20117/j.jsti.202405001. [2024-09-19](in Chinese)]

蒋鹏程, 邱俊武, 陈衡锋, 章旭国, 陈佳鑫, 田壮.2024. 基于YOLOv4的室内动态场景下ORB-SLAM3优化方法. 时空信息学报, 31(5): 05006,https://link.cnki.net/urlid/10.1904.P.20240924. 1157.003. [2024-10-01][ Jiang P C, Qiu J W, Chen H F, Zhang X G. Cheng J X, Tian Z.2024. Optimization Method for ORB- SLAM3 in Indoor Dynamic Scenes Based on YOLOv4. Journal of Spatio-temporal Information, 31(5): 05006,https://link.cnki.net/ urlid/10.1904.P.20240924.1157.003. [2024-10-01] (in Chinese)]

刘经南, 詹骄, 郭迟, 李莹, 吴杭彬, 黄鹤. 2019. 智能高精地图数据逻辑结构与关键技术. 测绘学报, 48(8): 939-953[Liu J N, Zhan J, Guo C, Li Y, Wu H B, Huang H. 2019. Data logic structure and key technologies on intelligent high-precision map. Acta Geodaetica et Cartographica Sinica, 48(8): 939-953 (in Chinese)]

刘欣怡, 张永军, 范伟伟, 王森援, 岳冬冬, 刘梓航, 贾琛, 景慧莹, 钟佳辰. 2023. 无人机倾斜摄影三维建模技术研究现状及展望. 时空信息学报, 30(1): 41-48[Liu X Y, Zhang Y J, Fan W W, Wang S Y, Yue D D, Liu Z H, Jia C, Jing H Y, Zhong J C. 2023.3D modeling based on UAV oblique photogrammetry: Research status and prospect. Journal of Spatio-temporal Information, 30(1): 41-48 (in Chinese)]

潘景剑, 候春辉, 张翔宇. 2022. 车路协同RSU软件系统的设计与实现. 计算机与网络, 48(2): 60-63[Pan J J, Hou C H, Zhang X Y. 2022. Design and realization of cooperative vehicle infrastructure RSU software system. Computer & Network, 48(2): 60-63 (in Chinese)]

彭程, 唐建波, 彭举, 梅小明, 陈雪莹, 姚志鹏. 2023. 基于自适应轨迹聚类的城市路网提取与更新方法. 时空信息学报, 30(2): 209-217[Peng C, Tang J B, Peng J, Mei X M, Chen X Y, Yao Z P. 2023. Extraction and updating method for urban road network based on adaptive trajectory clustering. Journal of Spatio-temporal Information, 30(2): 209-217, doi: 10.20117/j.jsti.202302007(in Chinese)]

佘永业, 李熙莹, 赵力萱, 余志. 2014. 融合实时交通状态信息的道路背景更新模型. 公路交通科技, 31(6): 115-120[She Y Y, Li X Y, Zhao L X, Yu Z. 2014. A road background updating model considering real-time traffic state information fusion. Journal of Highway and Transportation Research and Development, 31(6): 115-120 (in Chinese)]

吴喜庆, 吴征, 周怡博. 2022. 我国高精度地图产业发展现状及政策建议. 汽车文摘, (7): 1-4[Wu X Q, Wu Z, Zhou Y B. 2022. Development status and policy suggestions of high definition map industry in China. Automotive Digest, (7): 1-4 (in Chinese)]

肖好良, 毕京学, 王腾. 2023. 基于轨迹数据的城市出租车服务空间分析研究. 时空信息学报, 30(1): 95-101[Xiao H L, Bi J X, Wang T. 2023. Research on spatial analysis of urban taxi service based on trajectory data. Journal of Spatio-temporal Information, 30(1): 95-101 (in Chinese)]

徐玉峰.2010. 道路病害及其防治技术研究. 公路交通科技(应用技术版), 6(11):48-50[Xu Y F.2010. Research on road diseases and its prevention and control technologies. Highway Transportation Technology (Applied Technology Edition), 6(11): 48-50(in Chinese)]

杨蒙蒙, 江昆, 温拓朴, 陈会仙, 黄晋, 张浩, 黄健强, 唐雪薇, 杨殿阁.2023. 自动驾驶高精度地图众源更新技术现状与挑战. 中国公路学报, 36(5): 244-259[Yang M M, Jiang K, Wen T P, Chen H X, Huang J, Zhang H, Huang J Q, Tang X W, Yang D G.2023. Review on status and challenges of crowdsourced updating of highly automated driving maps. China Journal of Highway and Transport, 36(5): 244-259(in Chinese)]

杨伟, 艾廷华. 2016. 基于车辆轨迹大数据的道路网更新方法研究. 计算机研究与发展, 53(12): 2681-2693[Yang W, Ai T H. 2016. A method for road network updating based on vehicle trajectory big data. Journal of Computer Research and Development, 53(12): 2681-2693 (in Chinese)]

郁佳佳, 徐玉菁, 左梅, 黄卉, 陆清茹. 2021. 改进的基于时空累积图的车流量检测算法. 电子测量技术, 44(11): 148-155[Yu J J, Xu Y J, Zuo M, Huang H, Lu Q R. 2021. Improved traffic flow detection algorithm based on space-time accumulated figure. Electronic Measurement Technology, 44(11): 148-155 (in Chinese)]

Bastani F, He S T, Abbar S, Alizadeh M, Balakrishnan H, Chawla S, Madden S. 2018. Machine-assisted map editing//Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Seattle, USA. 23-32

Choi I H, Kim E M. 2022. Automatic construction of road lane markings using mobile mapping system data. Sensors and Materials, 34(7): 2625

Hasan M M, Amirgaliyev B, Rakhatov D, Tuyakbayev A, Kenshimov C. 2015. Real time road mapping for the driving safety purposes// 2015 International Conference on Connected Vehicles and Expo (ICCVE). Shenzhen, China. 60-61

Jiang K, Yang D G, Liu C R, Zhang T, Xiao Z Y. 2019. A flexible multi-layer map model designed for lane-level route planning in autonomous vehicles. Engineering, 5(2): 305-318

Kim K, Cho S, Chung W. 2021. HD map update for autonomous driving with crowdsourced data. IEEE Robotics and Automation Letters, 6(2): 1895-1901

Kong Y H, Wu H B, Akram A, Li J T, Zhao J W, Wang S D, Huang W, Liu C. 2023. UAV LiDAR data-based lane-level road network generation for urban scene HD maps. IEEE Geoscience and Remote Sensing Letters, 20: 6501805

Liao B C, Chen S Y, Wang X G, Cheng T H, Zhang Q, Liu W Y, Huang C, Liao B C, Chen S Y, Zhang Y C, Jiang B, Zhang Q, Liu W Y, Huang C, Wang X G. 2022. MapTR: Structured modeling and learning for online vectorized HD map construction. 2208.14437.https://arxiv.org/abs/2208.14437v2.[2024-08-01]

Liu J, Xiao J H, Cao H J, Deng J K. 2019. The status and challenges of high precision map for automated driving. Lecture Notes in Electrical Engineering. Singapore: Springer Singapore. 266-276

Park Y K, Park H, Woo Y S, Choi I G, Han S S. 2022. Traffic landmark matching framework for HD-map update: Dataset training case study. Electronics, 11(6): 863

Shukla S, Hassan M F, Tran D C, Akbar R, Paputungan I V, Khan M K. 2023. Improving latency in Internet-of-things and cloud computing for real-time data transmission: A systematic literature review (SLR). Cluster Computing, 26(5): 2657-2680

van Winden K, Biljecki F, van der Spek S. 2016. Automatic update of road attributes by mining GPS tracks. Transactions in GIS, 20(5): 664-683

Wang Z, Xing X G, Yan F. 2021. An abnormal phenomenon in entropy weight method in the dynamic evaluation of water quality index. Ecological Indicators, 131: 108137

↓↓ 了解更多产业要闻 ↓↓

请将我设为星标★

来源：《时空信息学报》2024年第5期

编辑：李娟

审核：余青

独家：《时空信息学报》专栏