这是 2018 年学习 Udacity 无人驾驶先修课时记下的内容。当时先接触的是高精度地图：车除了要知道目的地，还得知道自己在哪条车道上、离车道边界有多远。

这次整理保留了原来的学习顺序。五张课程配图暂时无法恢复，下面用文字重新说明，修正原稿里关于地图精度、更新和对象检测的几处表述。

无人驾驶学习目录

高精度地图记录什么

手机导航常见的问题是“沿哪条路走，到哪个路口转弯”。自动驾驶还需要更细的信息，例如车道边界、车道之间的连接关系、停止线、交通灯和人行横道。

Apollo 3.0 的地图数据定义中，可以看到车道、道路、路口、信号灯、停止标志、人行横道等对象。这些对象不仅有位置，也有相互关系。道路中心线可以帮助规划路线，但车辆在道路上怎么走，还需要结合车道结构。

原笔记把高精度地图记成“厘米级的三维地图”。这里要分开看：不同图层、采集方法和使用场景有不同精度要求，不能给所有地图统一保证一个误差；有了详细地图，也不等于车辆在任何时候都能获得同样精确的位置。

地图怎么帮助定位

车辆传感器看到的是此刻周围的环境，地图保存的是提前采集和整理的环境信息。把两者中的稳定特征对应起来，就能估计车辆相对于地图的位置与朝向。

例如，道路两侧的固定结构可以成为匹配线索。地图是参考，传感器是当前观测；如果地图过旧、特征不足或观测质量变差，匹配结果也会受到影响。

定位的具体方法放在GNSS、惯性导航与融合定位中继续记录。

地图怎么帮助规划

原来记了三点：选择路线、找到道路中心线、提前知道道路上的标志。整理后可以这样理解：

  • 路线选择：相同目的地可能有不同道路连接，地图提供路线规划所需的拓扑关系。
  • 车道选择：车道的连接、转向和边界信息，帮助系统判断下一步该进入哪条车道。
  • 提前准备：已知的停止线、路口和限行约束，可以让规划提前考虑减速或转向。

原稿还写了“如果前方有障碍物可以提前知道”。这句话范围太大。地图能保存固定道路结构，临时停车、行人、施工围挡等变化仍然需要实时感知。地图更新也不能代替车上的观察。

一张地图从哪里来

课程笔记中把制作流程分成了五步，这个顺序仍然方便理解：

  1. 数据采集：通过合适的传感器采集道路信息，并记录数据之间的时间和位置关系。
  2. 数据处理：对采集结果清洗、配准和整理，形成可继续处理的基础数据。
  3. 对象提取：识别车道线、交通标志等对象，并赋予语义和关联关系。
  4. 质量检查：检查自动处理结果，修正错误和遗漏。
  5. 版本发布与更新：把经过检查的数据交给使用方，并管理后续变化。

我当时猜测，对象提取“应该就是无监督聚类”。这只是学习时的猜想，不能直接作为结论。不同对象和数据类型可以采用不同算法，也可能需要人工标注或修订。

同样，地图发布到云端只是分发方式，不意味着道路一变化就能立即更新到每一辆车。数据采集、验证、版本管理和车辆获取地图之间仍然有过程。

整理时对照的资料