自动驾驶的发展阶段，从L2、L3、L4，车辆对驾驶者的注意力需求减少，高精度地图中道路数据和语义对高级别自动驾驶变得愈发重要。
高精度地图
高精度地图的采集和制作通常是由地图数据服务提供商完成，既包括传统的TomTom、Google、Here等，也包括初创的Mapillary、lvl5等。
高精度地图采集方式，目前主要分为激光雷达+摄像头辅助，或者是仅使用光学摄像头两种方法。
激光雷达能够快速获取道路和周边环境的三维点数据，它包含景深信息，能够在后期数据处理时快速建立3D模型。激光雷达工作条件不受时间影响，无论白天，还是夜间都可以正常采集。但它不能识别和理解交通标志牌、交通信号灯等内容，因此需要借助光学摄像头辅助。
普通的摄像头要求外部光线充足，因此只能白天进行。照片不包含景深信息，需要通过三角定位等静思园方法确定道路标识的具体位置。
通常，摄像头每秒拍摄的内容越多，后期处理和融合的数据量越大。目前主流做法不是直接录制视频（高码率意味着数据量庞大），而是按照每秒不超过10帧的频率自动拍照。
数据处理
地图生产流程主要涉及：pos修正、数据处理、位置检测、语义生成。
这些过程需要大量的软件辅助和人工作业。目前在Google和Uber内部，都设有专门的地图数据标记团队，手动标记地图数据连同语义信息，一起输送到循环训练的机器学习或深度学习模型中。
这些算法模型输出的低可信度数据需要再次经过手动标记，然后再次经过算法处理；而高可信度数据则收录到高精度地图数据库。
利用SLAM和计算机视觉的方法，可以将数据处理环节的人工作业量降低。
例如，平面交叉路口的妃子县路沿，在过去需要手动描多点才能将数据结构化和语义化。现在基于点云数据利用启发式规则提取不规则路沿，主要考虑的参数是高度差和密度变化。
针对交通信号灯，Google的无人车团队采用离线SLAM优化和多重机器学习模型确定信号灯的具体位置，误差不高于15cm。
【参考】
1。https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/80002304