Co je to HD mapa

Ukázka HD mapy v podání firmy HERE (foto: HERE)

Člověk jakožto řidič zpracovává při řízení vozidla ohromné množství informací, většinu z nich zcela podvědomě. Bez většího přemýšlení zvládá udržet vozidlo v pruhu či na své polovině vozovky, pokud vodorovné dopravní značení chybí, vnímá okolí vozidla a reaguje na něj, kontinuálně se adaptuje na aktuální situaci, například v situací dopravní zácpy (kongesce) vytváří uličku pro příjezd vozidel integrovaného záchranného systému. Má-li však toto vše zastoupit systém autonomního řízení, pak potřebuje velké množství informací o dění ve svém okolí. Tyto informace mu pochopitelně poskytují senzory umístěné na vozidle, ale ne zcela vše dokážou poskytnout včas či v dostatečné kvalitě. A právě v tomto momentě přichází ke slovu mapa ve vysokém rozlišení, takzvaná HD mapa. Tu lze proto nahlížet jako svého druhu další senzor, v tomto případě vozidlu interní, který usnadňuje realizaci bezpečné autonomní jízdy. Oproti běžným mapám, a to i těm, které lidé používají v navigacích, jsou HD mapy výrazně přesnější. Řidič totiž pro svoji potřebu nevyžaduje, aby mapa v navigaci byla přesná v jednotkách centimetrů, nemusí být přesná ani v desítkách centimetrů či snad dokonce jednotkách metrů, protože člověk svými smysly a zkušeností tyto nepřesnosti kompenzuje. Pro autonomní vozidlo, které se musí správně pohybovat uvnitř jízdního pruhu, kde vodorovné dopravní značení měříme na centimetry, je vysoká přesnost naprosto zásadní. Není proto překvapením, že se tvorbou HD map začali zabývat nejen tradiční výrobci map, ale i samotní vývojáři autonomních vozidel. Na trhu tak dnes existuje velké množství různých řešení, známé jsou například firmy TomTom, HERE nebo Civil Maps. Vlastní mapy si samozřejmě vyvíjejí takřka všichni vývojáři autonomních vozidel, včetně společností Waymo, Cruise či ZOOX.

Struktura HD mapy

Diagram struktury HD mapy (foto: archiv CDV)

HD mapy se napříč jednotlivými vývojáři drobně liší, nicméně jejich jádro zůstává více méně stejné. Pro potřeby tohoto článku používáme členění podle společnoti Lyft Level 5:

Základní vrstva obsahuje základní data o silniční síti, která jsou nabízena různými webovými mapovými službami.

Geometrická vrstva mapy je složená ze senzorových dat, která jsou shromážděna z LiDARu, kamer a záznamu satelitního (GNSS) signálu, kvůli přesnosti doplněná též o inerciální měřicí jednotku (IMU). Výstupem je hustý trojrozměrný bodový mrak a trajektorie, kterou vozidlo projíždělo při samotném sběru dat. Na obrázku geometrické vrstvy níže je trajektorie znázorněna růžově, přičemž ke každému 3D bodu je přidané podbarvení, získané z obrazu pořízeným kamerou. Mrak 3D bodů je dodatečně zpracován za účelem získání odvozených mapových objektů, které jsou předem definovány a uloženy v geometrické vrstvě mapy. Takto získané geometrické objekty jsou segmentovány do takzvaných voxelů o velikosti 5x5x5cm. Tato velikost nabízí kompromis mezi náročností na výpočetní výkon a dostatečnou přesností. Z geometrické vrstvy autonomní vozidlo čte trajektorii jízdy, hranice jízdních pruhů a spolu s tím i celou silnici.

Sémantická vrstva mapy staví na geometrické vrstvě, k níž přidává sémantické objekty. Do této vrstvy se zařazují jak 2D, tak 3D objekty, jakými jsou křižovatky, přechody pro chodce, parkovací místa, semafory, směry dopravního proudu, povolená rychlost a mnoho dalších prvků. Tato procedura je řešena pomocí počítačového vidění a algoritmů, které jsou schopny klasifikovat objekty z videozáznamů. Výstupní hodnoty těchto algoritmů však nejsou natolik přesné, aby věrně vytvořily mapu s požadovanou přesností. Proto získaná data musí zkontrolovat člověk. Zjednodušeně řečeno dochází k překrývání kamerového a LiDARového záznamu, algoritmus podle tvaru a dalších atributů identifikuje objekt například jako semafor, načež mu přiřadí odpovídající kategorii. Posléze člověk zkontroluje, že proběhla jak identifikace všech objektů, tak i jejich správná kategorizace. Geometrická a sémantická mapová vrstva poskytují informace o statických a fyzických částech světa, které jsou důležité pro autonomní vozidlo. Nicméně kromě těchto informací autonomní vozidlo potřebuje i data o dynamických a behaviorálních aspektech prostředí.

Pravidelnostní vrstva přináší informace o dynamických prvcích a také o chování člověka. Informace v pravidelnostní vrstvě mohou úzce souviset s geometrickou nebo sémantickou vrstvou. Jedná se například o informace, jakými stavy a v jakém pořadí prochází světelné dopravní značení, společně s informacemi o tom, jaká je délka časového intervalu každé fáze a jaká barva se s ní pojí. Volněji lze říct, že úkolem pravidelnostní vrstvy je poskytovat vozidlu rady, jak se v různých situacích rozhodnout. Například může pravidelnostní vrstva upozornit vozidlo na výskyt parkovacích míst, v důsledku čehož autonomní vůz pozmění plánování tak, aby případné zaparkované vozidlo nepovažoval za kolonu, a tedy se za něj nezařadil.

Poslední vrstva je vrstva časová, ta je navržena ke čtení či zápisu dat v reálném čase. Toto je jediná vrstva HD mapy, jež má být aktualizována, zatímco je mapa používaná autonomním vozidlem v provozu. Obsahuje dopravní informace v reálném čase, jako jsou skutečné rychlosti v daných úsecích, jež mohou být dočasně upraveny třeba kvůli pohybu údržby, kapacitní přetížení komunikace, nově objevené opravy na vozovkách a podobně. Vrstva v reálném čase je navržena tak, aby podporovala shromažďování a sdílení globálních informací v reálném čase mezi celou flotilou autonomních vozidel.

Geometrická vrstva (foto: Lyft Level 5)

Sémantická vrstva (foto: Lyft Level 5)

Časová vrstva (foto: Lyft Level 5)

Tvorba a použití HD map

Jak bylo naznačeno již u geometrické vrstvy, k tvorbě HD map se používá několik různých senzorů. Společně s kamerami to jsou LiDARy, používají se též radary, v neposlední řadě i přijímače satelitního (GNSS) signálu, jež jsou zpravidla doplněny o inerciální měřicí jednotku (IMU) pro zvýšení přesnosti. Takto nasbíraná synchronizovaná data jsou výpočetně zpracována, což je vzhledem k objemům dat náročný proces. Po strojovém zpracování probíhá ještě lidská kontrola správnosti a případná oprava nedostatků.

Náročnost výroby HD mapy je nezanedbatelná. K eventuálnímu zmapování celého světa by byly nutné desetitisíce vozidel. Zároveň je potřeba brát v potaz, že nejde jen o prvotní vytvoření mapy, ale i o její údržbu a aktualizaci, aby odrážela i změny, které se na silnici průběžně objevují. Z tohoto důvodu je žádoucí, aby sběr dat probíhal co nejčastěji a co největším počtem vozidel. V tomto směru je velmi pokročilá společnost Mobileye. Co se týče tvorby a údržby HD map, platí jednoduché pravidlo, čím více mapovacích vozidel na cestách, tím více údajů, a tedy vyšší kvalita HD map. Je tedy velice pravděpodobné, že se mapování bude stávat čím dál běžnější součástí provozu na našich silnicích.

HD mapy jsou uloženy v paměti autonomního vozidla, kde fungují jako svého druhu senzor napomáhající s lokalizací vozidla v prostoru, rovněž HD mapy umožňují plánování jízdy, neboť vůz si díky nim může určit optimální trasu k požadovanému cíli. V případě časové vrstvy, která je v ideálních podmínkách aktualizována v reálném čase, přistupuje vůz bezdrátovým spojením do cloudového úložiště, odkud si potřebná data stáhne.

Zatímco barevné obrázky HD map slouží primárně k jejich vizualizaci pro člověka, aby se v nich zorientoval a případně odhalil chyby či problémy, vozidlo je zpracovává prostřednictvím kódu uloženého v digitálních databázích, odkud si je systém vozu různými funkcemi vyvolává. To je ostatně důvod, proč v případě HD map nehraje v podstatě žádnou roli estetika, tedy to, jak líbivé tyto mapy jsou. Tento aspekt by hrál roli pouze v případě, že by konzumentem map byl člověk. Tomu by bylo tehdy, kdyby HD mapy sloužily například pro různé simulace ve virtuální realitě.

Ukázka tvorby HD mapy čínskou firmou NavInfo: