HD-Maps in Autonomous Driving

Abstract

Bilindustrien går i en autonom retning, og mange av de største teknologifirmaene i verden investerer ressurser i utvikling innenfor dette området. Norsk teknisk-vitenskapelige universitet (NTNU) startet i 2018 sitt eget prosjekt innenfor autonom bilkjøring, NTNU Autonomous Perception (NAP). Dette prosjektet har som mål å utvikle og undersøke løsninger for autonome biler i nordiske forhold. Andre prosjekter har kommet langt i utviklingen av autonome biler, og for å nå et tilsvarende nivå raskt ble det høsten 2018 besluttet at NAP-prosjektet skal ta i bruk et rammeverk for autonom kjøring, Apollo. Dette rammeverket er laget av kinesiske Baidu, og har åpen kildekode. For å ta i bruk dette rammeverket er det nødvendig å ha et såkalt HD-kart over området bilen skal kjøre i. Et HD-kart er et detaljert kart laget for å inneholde informasjon en bil kan trenge om et område. Dette inkluderer detaljert og nøyaktig informasjon om veinettet som antall filer, filenes grenser og skilt langs veien.

Det finnes flere ulike måter å få tak i HD-kart på, men det ble i starten av prosjektet besluttet at det mest hensiktsmessige ville være å utvikle en egen løsning for generering av HD-kart. Dette prosjektet tar for seg denne oppgaven, med fokus på å lage kart som er kompatible med det utvalgte rammeverket Apollo. Som en basis for kart-genereringen ble data hentet fra den åpne kartløsningen OpenStreetMap (OSM). Dette ble gjort for å komme raskt i gang med utviklingen.

Prosjektet klarte å generere kart som er kompatible med Apollo, men med redusert funksjonalitet og nøyaktighet. Veiene er representert på riktig måte, og de er koblet sammen etter spesifikasjonen. Prosjektets bil ble satt opp parallelt med dette prosjektet, noe som førte til at det ble lite tid til å teste kartet i en reel situasjon. Nøyaktigheten på kartet er relativt lav, og bør være et fokusområde på fremtidige prosjekter. Denne rapporten gir forhåpentligvis nyttig innsikt i Apollos kartformat som vil gjøre det enklere å generere mer nøyaktige kart fremover.

The car industry is heading in an autonomous direction, and many of the world’s biggest technology companies are investing in the area. In 2018, The Norwegian University of Science and Technology (NTNU) started it’s own project, NTNU Autonomous Perception (NAP). This project’s goal is to continously develop and research state-of-the-art models for autonomous driving that are robust to a Nordic environment.

Other projects have already come far in the development of autonomous cars, and during the fall of 2018 it was decided that the NAP project should use the Apollo framework for autonomous driving to quickly reach the state-of-the-art. The Apollo framework is an open source framework developed by chinese company Baidu. In order to use this framework it is necessary to have an HD-map of the area that the car is to drive in. An HD-map is a detailed map made to contain all information a car may require about an area. This includes detailed and accurate information about the road network like number of lanes, the width of each lane and signs along the roads. There is several ways of obtaining such maps, and during the early stages of this project it was decided that the best way at this time is developing our own method for map generation. This task, with a focus on making maps compatible with the Apollo framework, is the subject of this thesis. As a basis for the maps this project uses data retrieved from the open source map service OpenStreetMap.

The project was successfull in generating maps compatible with Apollo, but with reduced functionality and accuracy. The roads are represented correctly, and they are connected as specified in the specification. The car of the project was being setup simultaneously to this project, so there was limited time for testing the maps in a real situation. The accuracy of the generated maps are relatively low, and should be a focus for future projects. This report hopefully gives useful insight into the Apollo map format that will make map generation easier in the future.