最近有小伙伴讓智駕最前沿聊聊自動駕駛高精度地圖對高程數據的使用依賴，其實在聊這個話題之前，還是需要先知道高程數據是什么，在自動駕駛中到底有什么作用。

高程數據，通俗地說，就是用數字來表示地面上每一個點的高度。它并非單一形態，有時表現為網格化的高度面，有時則是點云中每個點所附帶的Z坐標；其內容有時標注的是地表（如樹頂、建筑頂端）的高度，有時則對應裸露出地面的高程。在工程領域，常用的術語包括數字高程模型（DEM），用于表示某一區域的高度表面；數字地面模型（DTM），更接近裸地的高程信息；以及數字表面模型（DSM），其中包含了地表之上物體的高度。若追求更精細的數據，還有車道級、軸線級的高程曲線和斷面，用以記錄車道中線的高程、縱坡、橫坡等具體細節。除了表達“多高”之外，高程數據還關聯著坐標系和基準：其高度可能相對于地球橢球體（即大地高），也可能相對于大地水準面（即正高），不同系統之間存在偏差，必須明確所使用的基準，才能確保應用的準確性。

在自動駕駛的語境中，“高程”通常特指與車輛行駛面緊密相關的一套數據，其中包括車道中心線、車道面片內的高程值，路緣的高度，上坡下坡的縱向坡度，彎道的橫向橫坡，以及橋梁、立交、隧道等結構的局部高程特征。高精度地圖會將這些高程信息以高分辨率保存下來，精度可達十幾厘米甚至更細，從而使車輛能夠在現實世界中做出安全、平順的判斷和動作。

感知層面：讓“看見”更穩定、更有層次

對于自動駕駛汽車來說，其“看到”的是帶有噪聲的點云、圖像和雷達回波。高程數據對于自動駕駛汽車來說就是提前備好的一份“地面說明書”。當激光雷達獲取點云數據時，通過將點云投影至地圖內的高程面上，系統能更輕松地區分哪些點屬于道路，哪些點屬于立柱、行人或車輛。利用地圖高程進行地面分割，能顯著提高濾除地面的準確性，避免將低矮障礙物誤判為地面，或將路沿和水溝誤認作障礙物。

在視覺感知中，單目或雙目攝像頭估算深度時常存在尺度不確定性和漂移問題。將傳感器觀測與地圖高程進行配對，可以提供地平面約束，輔助恢復攝像頭的尺度感，優化稀疏或稠密三維重建的高度一致性。即便是基于學習的深度估計方法，也能將高程先驗作為損失函數的一部分或輸入特征，從而減少在匝道、立交等復雜結構下的估計誤差。

對于目標檢測與跟蹤而言，高程信息帶來了第三維度的區分能力。兩輛車在二維投影上可能重疊，但如果存在高程差異（例如一輛在上層橋面，一輛在橋下車道），高程數據能直接告知系統這兩個目標不會發生碰撞，從而避免錯誤的緊急制動或不必要的避障行為。對于行人和騎行者，高程有助于判斷其是否處于路面，還是在隔離帶或樓梯上，進而影響車輛的交互策略。

此外，高程還能在傳感器標定與時間同步之外，提供穩定的長期語義參考。路面沉降、臨時施工改道等引起的高程變化，結合在線檢測可以被快速識別，并反饋至地圖更新流程，減少因地圖老化導致的感知失誤。

總結一下，高程在感知層既充當約束條件，也提供語義信息，它約束傳感器的解算，提供穩定的基線；同時作為語義，幫助區分功能區域與潛在危險區域。

決策層面：規劃路線、估算風險、設計速度策略

在決策環節，高程數據可以影響車輛行為的物理變量。路徑選擇不再僅僅是橫向的“走哪條路”，還包含了縱向的坡度與高度變化。坡度直接影響了車輛的動力學特性，上坡會降低加速能力、增加能耗；下坡則會放大重力分量，導致制動距離延長并對熱管理系統產生影響。知曉即將面臨的坡度，決策系統可以提前調整目標速度、選擇更保守的跟車距離，或在必要時改變換擋與能量管理策略，避免因臨時制動造成系統過載。

在軌跡規劃與速度曲線設計上，平順性與安全性是核心目標。高程信息使得決策模塊能夠生成與地形相匹配的縱向加減速計劃，提升乘坐舒適度，并減少控制器因坡度影響而進行的頻繁修正。遇到陡坡或連續坡段時，決策系統可以考慮限速要求、提前降檔或延長跟車間距；在橋面或易結冰的低洼路段，則可以增加額外的安全裕度。

高程也影響著碰撞風險的評估。某些視覺遮擋場景是由高程差引起的，例如彎道上的下坡會將遠處路面隱藏，使近處物體突然出現。將地圖高程納入可視域建模后，決策模塊能更準確地評估“我能看多遠”以及“對方突然出現的概率有多大”，從而決定是否需要提前減速或準備接管。

當與交通規則結合時，高程同樣會對行駛產生直接影響。如重型車輛的自動駕駛在長下坡路段需要限速或使用發動機制動，自動駕駛系統若能識別這些特殊路段，就能為車輛制定既合規又安全的運行策略。結合了高程信息的路段標簽，還能觸發如橋梁橫風防護、隧道燈光自適應等特殊的行駛模式。

控制層面：把計劃變成穩定、可預測的動作

在控制層，自動駕駛系統接收來自決策層的速度、加速度與軌跡指令，其真正的挑戰在于在真實交通環境中的穩定執行。高程對控制的影響直接且細膩。縱向控制需要考慮坡度對車輛重力分力的影響，上坡時，需要更大的動力輸出來維持目標速度，若控制器僅基于水平假設工作，會導致速度跌落或能耗增加；下坡時，重力會加速車輛，此時的制動策略需兼顧熱衰減與牽引力控制，防止連續制動導致剎車片過熱或效能下降。

橫向控制也與高程相關。路面的橫坡會影響輪胎與地面的正壓力分布，從而改變側向摩擦力。尤其在高速過彎時，橫坡設計（即超高）是保持穩定性的關鍵輸入。控制器在進行轉向力矩分配或側向加速度約束時，若能將地圖提供的橫坡信息考慮在內，就能更精確地設定側向加速度上限，避免出現打滑、甩尾或過度的轉向補償。

控制執行還涉及懸架與牽引系統的協同。路面的微觀起伏會引起車身的俯仰與垂向振動，閉環控制需要更好地預測這些擾動，以保障乘坐舒適與安全。對于配備主動懸架或扭矩矢量分配的車型，提前知曉前方的高程變化，可以實現前饋補償，減少因控制回路延遲帶來的車身抖動或不適感。

高程不僅是實時物理量，也是控制器設計中的重要約束，在模型預測控制（MPC）中，將坡度作為前饋輸入能顯著提升預測精度與控制性能。這使得控制器能生成更合理的加減速指令，同時避免因外部擾動（如突然的下坡）導致執行器飽和或觸發緊急制動，從而提升行駛連貫性與乘客體驗。

定位、仿真和閉環更新：高程的額外用途

傳統的平面地圖匹配在遇到結構相似的道路時容易混淆，而加入高程維度后，匹配的魯棒性和唯一性都能得到增強。尤其在多層立交或橋下道路場景，高程信息往往是區分不同層級的關鍵。結合了高精度地圖與高程的聯合定位，能在GNSS信號受限或多路徑效應嚴重時，提供寶貴的額外約束。

在仿真與測試環節，高程是確保場景真實感的基礎。長坡、陡升、波浪形路面等細節都會影響車輛動力學表現，只有將這些高程特征真實還原到仿真環境中，自動駕駛系統在真實路況下的表現才能被有效預測與驗證。將高程數據用于數字孿生，可以在虛擬環境中暴露控制或能量管理策略的薄弱環節，從而在實際路測前進行優化。

高程數據也參與地圖的閉環更新。當車隊在同一路段反復行駛時，實時檢測到的高程偏差可以反饋給地圖制作端，實現從“靜態高程”到“動態一致性”的迭代。特別是面對施工、沉降、維修等會改變路面高程的事件，快速感知并融入地圖更新，能避免因長期依賴陳舊數據而帶來的安全隱患。

高程數據在實際應用中的難點主要集中于三個方面。第一個是精度與分辨率。車道級應用對高程數據精度的要求，遠高于衛星DEM所能提供的水平，通常需要依靠車載激光掃描或差分RTK測量來獲取厘米級數據。還有就是是高程的基準與坐標一致性問題。如果地圖、GNSS接收機和激光點云所使用的高程基準（如橢球高、正高）不統一，且未經過正確轉換，就可能引入幾厘米到幾十厘米的誤差。第三是動態變化帶來的挑戰，路面修補、積雪、積水等都會在短時間內改變車輛實際行駛表面的高程。

應對這些挑戰，需要多管齊下。多源數據融合是必然選擇，結合衛星影像、航空攝影、地面激光掃描以及車輛自身的測量數據，既能保證大范圍的覆蓋，又能確保關鍵區域的精細度。統一坐標轉換流程和完善元數據記錄是基礎，地圖提供商與車輛端必須對高程基準和測量誤差有明確的界定與聲明。在車輛實時運行時，應將地圖高程視為先驗參考而非絕對真值，結合實時傳感器數據進行在線修正，并以概率化的方式表達高程的不確定性，從而使決策和控制系統能以更穩健的方式處理潛在的差異。

在更新頻率方面，穩定道路的高程數據可以較低頻率更新，而對于施工區、臨時改線路段、高沉降區域，則需提高更新速率并建立有效的通報機制。利用車隊回傳數據、眾包測繪結合定期航拍，是實現高效更新的可行路徑。對于極端天氣（如積雪）導致的短期高程變化，系統應優先信任實時感知數據，并將地圖與路況檢測器聯合使用。

最后的話

高程并不是簡單的“地面有高有低”。對自動駕駛系統而言，它是感知的穩固參照系，是決策的物理上下文，也是控制環節必須考慮的外部擾動源。做好高程數據，不僅能幫助車輛“看得更清楚”，更能讓其“行得更平順、更安全、更高效”。實現這一目標，需要從測量精度、坐標基準、實時融合與地圖更新等環節進行系統化設計，并將高程的不確定性清晰地傳遞至算法的每一層。盡管現實世界永遠充滿變化與噪聲，但將高程作為連接地圖與車輛的重要橋梁，無疑會使整個感知-決策-控制鏈條更具連貫性、預見性，從而更好地滿足復雜道路環境對安全與舒適提出的高標準要求。

-- END --

       原文標題 : 高程數據在自動駕駛中有什么作用？