全文速览

传统高精地图更新依赖昂贵的专业测绘车辆，难以覆盖大范围区域。本研究由百度Apollo与清华大学联合开展，提出一种基于低成本传感器的地图几何变化检测方法——GCD-L框架，利用路缘线与最左侧车道线之间的宽度差异，有效识别高速公路及快速路车道线的几何变化。该方法在真实城市环路数据集上验证了可行性与准确性。

研究背景及意义

高精地图为自动驾驶系统提供关键的先验几何与语义信息，直接影响行车安全与系统可靠性。一旦地图数据滞后或存在误差，可能引发安全隐患。因此，建立高效、低成本的道路变化检测机制，对保障地图实时性与安全性具有重要意义。

主要研究内容

1. 连续变化段判定

研究定义连续几何变化需同时满足纵向（行驶方向）和横向（垂直方向）的变化阈值。通过采样路缘线与最左侧车道线间的宽度，构建时间序列数据用于分析。

2. 检测框架GCD-L

提出GCD-L（Geometric Change Detection - Low cost）检测框架，输入包括高精度地图（HD maps）和低成本设备生成的地图（CS maps）。检测流程分为三步：数据采样、连续变化段主检测、变化段二级比较。通过设计CSC（Change Segment Comparison）算法，输出潜在变化段候选集。

3. 主检测：变化段提取

主检测旨在从稳定路段中识别出几何变化段。为降低随机误差影响，采用简单移动平均（SMA）处理车道宽度数据。针对CS maps因设备差异导致的数据波动，引入归一化处理以提升可比性。

4. 变化段比较算法CSC

CSC算法首先匹配HD maps与CS maps中最邻近的变化段，若某地图中缺失对应段，则使用原始采样点寻找相似长度片段。以变化段重心为基准进行对齐，并执行归一化、旋转、纵横向变换及原点调整，最终完成几何一致性比对。

5. 实验验证

实验选取典型城区环路场景，涵盖直线、弯道与桥梁等复杂路况。采用深度学习语义分割提取车道线，CS maps与HD maps保持相同采样密度。结果显示，在两轮测试中分别筛选出33%（7/21）和41%（7/17）的变化段进行分析，其中5个被确认为真实变化，有效检测率达71%（5/7），验证了方法的有效性。

总结与展望

本研究提出的GCD-L框架实现了基于低成本传感器的高精地图几何变化检测，突破了传统依赖高成本测绘车辆的局限。实验表明该方法具备良好的检测能力与应用潜力。未来将进一步推进实地测试与大规模部署。