点云地图是一种常见的空间几何结构表现方式。在自动驾驶中，点云地图与感知系统“协同作战”，让车辆获取的自身与环境信息更加准确、高效，保障自动驾驶车辆能够在道路上安全行驶。
传感器硬件的技术提升、车规级量产的成本下行，促进了激光雷达在乘用车领域的量产上车，获取点云数据变得越来越便利，对于点云数据的实时处理及其在场景中的利用变得尤为重要。
01 点云建图与SLAM技术的发展
实时点云建图主要依赖SLAM技术，即同时定位与地图构建。
SLAM技术包含了两个主要任务：构图与定位。在自动驾驶中，车辆要精确移动就必须要有一个环境地图，要构建环境地图，就需要指导车辆的位置。
简单来说，SLAM包含两个步骤，当目标物体从A点经过C点到达B点时：1. 周围环境的理解和构建，形成左图
2. 回环闭合重建拓扑关系，形成右图
在第1个过程中，世界会被理解成一个“无穷的走廊”，再经过第2个过程时，还原成真实状况。
至今，对SLAM的技术研究已有35年的历史，经历三个时期，即“古典年代”、“算法分析年代”，再到现阶段的“鲁棒感知年代”。“鲁棒感知年代”强调的是鲁棒的性能、高层次的理解能力以及对于资源的敏感性。即SLAM技术能够在任意环境下以低失效率长期运行，具备自动调参的能力去适应不同场景，同时能够实现基本的几何重建，还能在更高层次上理解环境信息，且计算负载可以根据实际的传感器和可用计算资源进行调整。
这样的研究方向，也为SLAM技术提出了更多的约束和挑战。
02 全道高度自动化的点云处理技术与服务
全道科技是激光点云建图的先行者。早在2021年，全道科技就已率先实现了L4级别量产点云数据产线，并广泛应用于无人配送领域。基于对激光点云的技术积累，全道科技搭建了一整套包含SLAM、质量评估及人工干预的高精地图建图系统，提供深度定制化的数据技术解决方案，并且不断吸收学术界领先的算法研究，在自研的系统中形成持续落地。
丰富的可配置项
可以通过修改配置，对系统进行扩展或裁剪，以适应多种硬件及场景组合。
03 全道点云技术落地量产乘用车 实现“记忆泊车2.0”
当前在一线城市做大范围的高精地图建设还未到时机，在城市复杂的交通环境下，想要实现L3级别的整体辅助驾驶解决方案也不够成熟，相比之下，停车场是个高频且普适的场景。
AVP被称为解决用户“最后一公里自由”的L4级自动驾驶技术，为了尽可能地保障AVP技术的安全性，远距、精准的感知能力成为“必备”，同时需要通过对用户常去的停车场数据进行积累和建模，将这些数据形成车辆“大脑”的记忆。
在AVP解决方案中，传统采用视觉SLAM的方式面临诸多难点。首先停车场环境结构单一，纹理重复，描述子的特异性很差。同时，传统特征点对观察视角有要求，当更换视角观察时，会出现完全不同的特征点。泊车时，车辆角度不稳定也会对特征点的识别造成不利。
为了解决这些难题，全道科技选择车规级别的量产车固态激光雷达，通过车端实时生成途经区域的点云图，再经过自动化的数据处理，生成车辆LiDAR定位依赖的点云特征图，供后续记忆泊车使用。
全道也在点云定位的应用上进行延展，通过此前在滤波方面积累的丰富经验，可自动针对各种传感器失真或者失效的问题进行清洗。
在概率匹配的基础上，全道还加入了搜索算法，以及传统的ICP、GICP类的算法，可以根据所处场景以及当前的定位状态，在多种定位算法之间灵活切换，以达到更优的效果。
全道科技的“记忆泊车2.0”技术相较于传统视觉方案，其优势集中体现在：
整套的建图与定位技术全部基于量产车上的传感器实现，相当于把L4级别高精地图的高级建图能力，降维利用到了量产乘用车上，以支持乘用车的AVP2.0服务，这将大幅提升乘用车智能化的驾乘体验。
支持跨停车层，可靠性更强，同时可向更大范围的停车场自主规划迭代升级
作为自动驾驶产业全新的数据供应商，全道科技希望通过向乘用车提供AVP2.0的点云建图与定位技术，让智能驾驶车形成精准的“记忆大脑”，使其成为点云数据在场景中可有效利用并落地的“第一步”，以此延展走进城市内日常通勤的各类场景中。