如何利用深度学习提高高精地图生产的自动化率-邹亮

### 总结 高精地图的生产可以通过深度学习技术实现更高的自动化率，从而减少人工操作的需求，并自动识别地物类型，如车辆、行人和楼房等。 #### 如何利用深度学习提高高精地图生产的自动化率 1. **深度学习的应用：** - 使用深度学习模型自动检测路牌和交通信号灯的3D位置，并通过操作员的修改和质量控制（QA）生成更高质量的训练数据，提升模型性能。 - **TensorRT**推断具有高精度和高召回率，能够自动生成路牌和信号灯的3D位置。 2. **典型算法与方法：** - **AVOD（Aggregate View Object Detection network）**直接利用点云数据和图像训练模型，以提高点云匹配的准确性。 3. **自动化的优势：** - 路牌和交通信号灯的检测、边界框修改后的数据可循环用于训练，持续优化模型性能。 #### 难点与挑战 1. **检测难点：** - 提高召回率（Recall）困难，因为操作员添加新边界框需要更多时间，而删除操作较为简单。 - 从2D图像到3D坐标的方向（Orientation）有时不准确，需要人工调整。 2. **3D点云车辆检测：** - 获取高质量的训练集困难，耗时且昂贵。 - 3D模型的精度不如2D图像深度学习的结果准确。 #### DEEPMAP公司简介 - **成立时间：** 2016年在硅谷帕洛阿尔托成立。 - **主要业务：** 高精地图（HD Mapping）、定位服务（Localization）、多传感器标定（Calibration）、低成本采集设备（Data Collection）。 - **核心团队：** - 創始团隊成員來自Google地圖、蘋果地圖、百度自動駕駛等項目，Possesses deep expertise in 地圖製作、3D重建和機器學習技術。 - 邹亮，现任工程总监，负责大中华区高精地图的技术流程，曾在Google工作9年。 通过深度学习，高精地图的生产效率和準確性得以显著提升，但仍需克服数据获取和模型精度等挑战。