演講嘉賓簡介：任小楓，高德地圖首席科學家。
以下内容根據演講視訊以及PPT整理而成。
觀看回放(戳我）本次分享主要圍繞以下三個方面：
一、高德地圖簡介
二、用算法連接配接世界
三、用算法創造出行未來
>>> 點選下PPT
一、高德地圖
高德地圖已經變成了國民級的出行工具，每日日活使用者已經超過1億，月活使用者已經超4億。高德地圖服務還包括資訊服務、駕車導航、共享出行、智慧公交、智慧景區、騎行、步行、長途出行等等。高德地圖不光是個導航，更多的是一個網際網路基礎設施。淘寶是建立人與商品的關系，支付寶是建立人和資金的關系，高德地圖是建立人與位置的關系，更進一步則是建立人與真實世界的關系。高德地圖的使命是連接配接世界，讓出行更美好。事實上，高德地圖的APP隻是大家所看到的冰山的一角，但在高德地圖背後還有很多工作，如定位、路徑規劃、路況、ETA、網約車、貨運、LBS遊戲、供需+路徑規劃等等，這些工作都需要很多技術的支援。
1.地圖制作
地圖制作是一個非常複雜的過程。如下圖，首先需要進行資料的采集，再通過算法進行自動識别。當然目前自動識别還無法達到全自動的程度，還需經過人工修正才能進入地圖服務中。
地圖制作算法類型：地圖制作算法大緻分為兩類，一類是道路标志識别，如識别下圖中的限速和禁停标志。除道路資訊之外，還有POI挂牌識别算法，即Point of Interest，識别路邊的店鋪等興趣點。兩類算法的實作在現實場景中都面臨着很多的挑戰。
道路标志識别：以下圖中的道路标志識别為例，首先需要通過目标檢測算法将裡面的标志進行識别。對所識别标志進行細分類，識别出是禁行标志。再進行文字識别，識别出具體的内容是長途客車，時間在2:00到5:00間。大體看起來道路标志識别的流程好像很簡單，但實際實作過程中會遇到各種各樣的困難。
道路标志識别挑戰：
（1）道路标志種類繁多，如下圖中所列出來的标志，這還不是全部的标志。如此多的道路标志給所識别标準細分類任務帶來了很大的挑戰。
（2）圖像品質問題也會對道路标志識别帶來較大的難題。圖像問題包括畸變、反光、遮擋、分辨率較低、圖像壓縮等等。其成像品質由于光線、天氣的影響會變得非常糟糕。
解決圖像畸變問題相當于相機自标定的過程。其中，相機的内參如焦距、中心、畸變等，外參如位置、角度等都是未知的。标準圖像的标定算法需要拿到每個相機進行标定，實作起來并不現實。此時通過多源圖像比對的手段，通過利用品質較好的相機，可以在相當程度上解決相機自标定的問題。
此外，我們可以用圖像品質增強的方法來解決圖像品質問題。下圖中左側是原圖，放大原圖可以看清一些文字内容，但還是有一些細節的文字不是很清晰。右圖顯示，用圖像增強的方式，可以把文字内容變得更清楚。圖像增強可以提高識别算法的精度，還可以用于模糊檢測，也可以用于提高人工效率。
（3）小目标檢測問題在圖像檢測領域經常出現。下圖中的攝像頭，從遠處看大概可以猜到具體是什麼，但是一旦放大，像素會非常糟糕，顯示小目标本身的資訊量很有限。小目标檢測可以通過周邊的資訊輔助目标檢測，引入注意力（Attention）機制，利用先驗知識，如相機的分布、高度、大小等資訊輔助解決小目标檢測問題。
（4）在實際生活中除了小目标檢測，更多的是對變化進行檢測。如判斷下圖中是否屬于同一電子眼，人眼由于時間，天氣，裝置等不同很難進行準确判斷。而算法則可以通過檢測位置、歸屬車道、電子眼架設類型、及分析場景等手段進行判斷。
POI挂牌識别算法：真實的街道中，挂牌非常複雜且密度很高，是以POI挂牌識别時依然會遇到很多實際問題。
POI挂牌識别挑戰：
（1）實際街道上，POI挂牌方式豐富多樣，如牌坊式POI、銘牌式POI、挂牌式POI、門臉式POI等。實際街道中還有很多非挂牌POI式的目标，如條幅智語、橫幅廣告、牆體智語、交通智語對聯、和車牌等。
（2）識别POI之後，需要進行文字的識别和提取。這時除了多種多樣的POI挂牌之外，還有挂牌密集稀疏不一，特殊造型的挂牌，以及不清晰和不完整的挂牌等問題。對于這種複雜的問題需要結合多種技術解決，如多級級聯檢測模型，文字檢測識别，三維重建位置比對，模糊和遮擋檢測技術。
（3）POI排版識别除了文字識别之外，還需要對牌面進行解析，了解牌面上的主名稱、分店名、聯系方式、營業範圍和非PO文字等内容。是以POI文字識别首先要進行屬性識别，根據文字語義、圖像和位置進行特征融和，根據場景了解及上下文判斷context。
整體而言，要保證和提高地圖資料的準确率，基于圖像的自動化地圖制作的程度和效率都非常重要。高德除了在提高算法及多源資料上投入很多精力之外，還在不斷的引入新的技術。此外，高德希望未來可以将算法放在端上，更加實時有效的了解道路場景，收集更快更準确的地圖資訊。
2.搜尋推薦
地圖應用中搜尋産品形态有很多種，首先使用者可以輸入簡短的目的地資訊，地圖進行更進一步的精确搜尋，傳回結果。還有類目搜尋和品牌搜尋，如美食，娛樂品牌等。在沿途過程中，提供導航搜尋功能。
地圖搜尋的特性和挑戰：下圖從技術角度将地圖搜尋與傳統的電商和網頁搜尋進行了對比。首先，網頁搜尋的是非結構化的長文本，規模非常龐大，可達千億級。電商搜尋的是商品，規模可達到十億級，傳回圖檔清單。而地圖搜尋輸入的是POI類型的結構化短文本，規模大概在千萬級。但是地圖搜尋的精度要求相對更高，此外，需要收集地圖空間位置資訊作為搜尋算法的支援。
高德搜尋技術演進之路：從2010年開始，高德開始建構搜尋系統。自2014年，陸陸續續引入更高端的技術，建構搜尋專家系統，全面引入機器學習和深度學習，建構搜尋中台，全鍊路業務通道平台化。支援神馬搜尋、菜鳥、斑馬、餓了麼等業務。
模糊搜尋案例：如下圖所示，搜尋“湖南省人力資源社會保障廳”，如果輸入語句都正确，則可以直接搜到目的地。但實際上，輸入語句總會出現錯誤，搜尋算法需要引入地理糾錯進行高低頻糾錯，通過語義比對新增語義改寫，通過空間關系建立文本空間模型。此外，搜尋算法除了解決單純的語句的比對，更重要的是意圖的識别，判斷搜尋範圍在本地還是外地、需要精搜還是反搜、實時還是調研、出行目的是旅遊還是公務。
多源地理資訊庫：高德希望建構以地理位置為基礎的綜合資訊庫，其中地理位置包括位置、路網、樓塊和房間等資訊，綜合資訊包括名稱、類型、功能、時間、評論等。這些資訊有多種來源，包括圖像采集、文本大資料、搜尋大資料、軌迹大資料、使用者輸入、行業資料等。如何将這些多源資訊融合起來，支援建構精準的豐富的綜合資訊庫是算法工作面臨的一個主要挑戰。
3.路徑規劃
高德路徑規劃演進之路：下圖展示了高德路徑規劃的演進路線。從2004年開始，高德提供路徑規劃服務，經過陸陸續續算法的提升和演化，目前高德正處于鑽研多目标算法階段，以滿足使用者的訴求，快速規劃出更好的路線。
路徑規劃挑戰：現實場景中，路徑規劃技術需要解決超大規模的實時路徑規劃問題。具體而言，路線規劃問題包括路網規模大，如全國道路數量就多達4000萬。其次道路屬性變化非常快，每個季度都有10%左右的更新。此外，路況資訊更新更是要求以分鐘級進行實時釋出。
超大規模實時路徑規劃，作為實際問題，和學術界的最短路徑算法有很大的不同。在标準算法的基礎上，要提高效率，一個重要的方法是引入預處理，可以輔助解決大規模和實時性的挑戰。預處理算法有很多，包括Arc Flags，Multi-Layers等。
綜合起來，對于超大規模最短路徑問題，有TNR、CH、CBR等學術界提出的比較好的算法。在實用中，如何在多種算法中做出選擇？我們需要根據實際的需求，包括規模、實時性和路況更新，在算法性能和預處理性能之間找到平衡。
實際需求首先要保證規劃算法的性能。此外還需要支援實時性需求，如支援小時級路網結構更新，分鐘級路況更新。本質上，實時性的要求推動了算法的設計，基礎算法以分層為主，分多個cell預計算求最短路徑，cell根據路網結構進行partition，針對權重進行update。在硬體基礎方面，在大記憶體的基礎上，支援多核并發，以及cache優化。
4.資料挖掘
現實生活中有很多路徑的資訊，怎樣從時空大資料中挖掘到所需要的具體資訊？其中，具體需要挖掘的資訊包括POI，新增道路，事故和擁擠等。
時空大資料挖掘挑戰：
現實生活中的資料挖掘會遇到諸多挑戰，如軌迹不準确，行為複雜，時效性要求較高等。目前，通過多源資訊融和，借助時空模型如RNN，LSTM，CTC，TCN，GCN等，進行特定模型改進，可以支援閉環與資料回流。
POI過期挖掘案例：POI過期挖掘的業務特點是對空間拓撲的刻畫，對多源特征的融和。此時可通過Wide&Deep的模型，Wide部分處理POI靜态特征，Deep部分處理時序流量特征。高德在這方面也經曆了多種模型的演化，從最開始的RNN到DeepTCN，可以更好的挖掘到POI過期資訊。
道路新增挖掘案例：道路新增問題除了要對具體的問題進行算法的設計之外，如不同zoom的軌迹特征，mean shift軌迹取種子點，principle curve曲線等，還需要能夠容錯，通過機率模型解決短路，連通路等精細化場景。此外，通過CNN端到端模型，收集熱力和衛星影像刻畫空間資訊，通過軌迹和路網連通性刻畫駕駛行為。
1. 高精地圖
高精地圖是自動駕駛的基礎。它對精度要求非常高，反映真實世界，無論對道路，車道，還是周圍的資訊進行完備和準确的刻畫。高德對位置的準确性要求是10cm以内。收集到高精地圖資料後需要解決以下幾點問題。
高精地圖挑戰：
（1）資料對齊問題：即使高精采集車精度很高，但誤差還是在1 m以上，通過對多次采集資料進行對齊，得到5cm以内的精準度。此外，還需要對植被影響等多種場景進行處理，同時保持軌迹的剛性，針對上下行觀測角度不同，點雲的不同，前端需要比對ICP，語義，特征和形狀，然後在背景對對齊的資訊進行大規模的拉齊和平滑。
（2）識别：道路中很多物體需要進行識别，如車道線，路邊緣，地面辨別，以及OBJ對象包括杆，牌和橋等。識别的精度需要達到99+%的召回率，精度在10cm以内，但基于場景的變化，訓練的樣本非常有限。高德通過點雲與圖像算法的融和，及深度學習和傳統算法的結合，複用正常地圖中的額資料和模型，利用先驗資訊支援資料的回流和模型的的疊代。
（3）從高速到城市：上面的問題在高速道路上不是很嚴重，但在城市場景中，道路路型呈網狀結構，包括高速、幹道、小路等各種等級道路。此外，辨別種類繁多，辨別複雜多變，場景複雜多變，擁堵和遮擋。
2. 視覺定位（GPS）
在城市峽谷中經常與遇到定位不準的問題。下圖中右側紅色部分是真實的位置，黃色是GPS定位的位置，可以發現偏離問題還是比較明顯的。
視覺定位方法可以輔助解決定位不準問題。目前，手機上都有相機，越來越多的車也都配有相機。我們考慮利用圖像和視訊技術，建立一個通用的視覺方法來定位室内和室外的車和人。具體而言，有幾種技術選擇。SLAM/VIO是定位相對位置的方法。對于絕對位置的定位可通過三位重建稀疏特征+PnP的方法，得到比較精準的結果。還有一種方法是矢量地圖+實時監測算法，對牌、線等對象進行檢測，這類算法對計算算力和精度要求比較高。在此之外，高德也正在探索深度學習的方法，可以在精度和魯棒性之間進行平衡。
如給到一張圖檔，希望得到其位置和角度。此時需要一個已知位置的參考圖像，再結合實時圖像，在全路網，全天候的條件下得到高效（毫秒級）的定位效果。
3.AR導航
如何将導航體驗做的更好？尤其在現實世界中會遇到很多複雜的場景。高德希望将導航做到所見即所得的效果，傳統導航更多提供下圖中左側的兩類圖像。但更好的方式可能是下圖右側圖像，通過AR的方式提升導航體驗。
高德在2019年4月份釋出了AR導航産品，下圖展示了AR導航所提供的導航視圖。道通過綠色路線進行指引，在拐彎處訓示該如何轉彎。此外，還有與前車距離的檢測和碰撞預警功能，以及還在逐漸更新的安全輔助駕駛功能。
與目前的自動駕駛技術不同的是，AR導航希望通過輕量級的手段解決技術難題。高德目前單相機傳感器，1/5手機晶片的計算性能就能夠達到較好的導航效果。
AR導航車輛檢測案例：如下圖需要檢測前方車輛。為了高效的檢測前方車輛，需要進行模型壓縮，使用先驗尺度，進行模型的訓練優化。此外，在檢測的基礎上，進行實時的軌迹跟蹤。
AR導航車道線分割案例：車道線檢測與車輛檢測同理，首先進行模型壓縮，根據多任務模型，将多種目标檢測算法融和起來，提高模型的複用。再進行模型訓練優化，曲線拟合，将檢測和跟蹤進行結合。
AR導航引導線案例：AR導航視圖中引導線是基于語義分割和回歸模型的基礎上，與傳統的GPS導航進行融和，以提升模型效果。
下圖中展示了目前高德AR導航的實際效果。AR導航可以實時預警前方的路過的行人，還可以對馬路對面的變燈進行提醒。