高程数据在自动驾驶中有什么作用？

[首发于智驾最前沿微信公众号]最近有小伙伴让智驾最前沿聊聊自动驾驶高精度地图对高程数据的使用依赖，其实在聊这个话题之前，还是需要先知道高程数据是什么，在自动驾驶中到底有什么作用。

高程数据，通俗地说，就是用数字来表示地面上每一个点的高度。它并非单一形态，有时表现为网格化的高度面，有时则是点云中每个点所附带的Z坐标；其内容有时标注的是地表（如树顶、建筑顶端）的高度，有时则对应裸露出地面的高程。在工程领域，常用的术语包括数字高程模型（DEM），用于表示某一区域的高度表面；数字地面模型（DTM），更接近裸地的高程信息；以及数字表面模型（DSM），其中包含了地表之上物体的高度。若追求更精细的数据，还有车道级、轴线级的高程曲线和断面，用以记录车道中线的高程、纵坡、横坡等具体细节。除了表达“多高”之外，高程数据还关联着坐标系和基准：其高度可能相对于地球椭球体（即大地高），也可能相对于大地水准面（即正高），不同系统之间存在偏差，必须明确所使用的基准，才能确保应用的准确性。

在自动驾驶的语境中，“高程”通常特指与车辆行驶面紧密相关的一套数据，其中包括车道中心线、车道面片内的高程值，路缘的高度，上坡下坡的纵向坡度，弯道的横向横坡，以及桥梁、立交、隧道等结构的局部高程特征。高精度地图会将这些高程信息以高分辨率保存下来，精度可达十几厘米甚至更细，从而使车辆能够在现实世界中做出安全、平顺的判断和动作。

感知层面：让“看见”更稳定、更有层次

对于自动驾驶汽车来说，其“看到”的是带有噪声的点云、图像和雷达回波。高程数据对于自动驾驶汽车来说就是提前备好的一份“地面说明书”。当激光雷达获取点云数据时，通过将点云投影至地图内的高程面上，系统能更轻松地区分哪些点属于道路，哪些点属于立柱、行人或车辆。利用地图高程进行地面分割，能显著提高滤除地面的准确性，避免将低矮障碍物误判为地面，或将路沿和水沟误认作障碍物。

在视觉感知中，单目或双目摄像头估算深度时常存在尺度不确定性和漂移问题。将传感器观测与地图高程进行配对，可以提供地平面约束，辅助恢复摄像头的尺度感，优化稀疏或稠密三维重建的高度一致性。即便是基于学习的深度估计方法，也能将高程先验作为损失函数的一部分或输入特征，从而减少在匝道、立交等复杂结构下的估计误差。

对于目标检测与跟踪而言，高程信息带来了第三维度的区分能力。两辆车在二维投影上可能重叠，但如果存在高程差异（例如一辆在上层桥面，一辆在桥下车道），高程数据能直接告知系统这两个目标不会发生碰撞，从而避免错误的紧急制动或不必要的避障行为。对于行人和骑行者，高程有助于判断其是否处于路面，还是在隔离带或楼梯上，进而影响车辆的交互策略。

此外，高程还能在传感器标定与时间同步之外，提供稳定的长期语义参考。路面沉降、临时施工改道等引起的高程变化，结合在线检测可以被快速识别，并反馈至地图更新流程，减少因地图老化导致的感知失误。

总结一下，高程在感知层既充当约束条件，也提供语义信息，它约束传感器的解算，提供稳定的基线；同时作为语义，帮助区分功能区域与潜在危险区域。

决策层面：规划路线、估算风险、设计速度策略

在决策环节，高程数据可以影响车辆行为的物理变量。路径选择不再仅仅是横向的“走哪条路”，还包含了纵向的坡度与高度变化。坡度直接影响了车辆的动力学特性，上坡会降低加速能力、增加能耗；下坡则会放大重力分量，导致制动距离延长并对热管理系统产生影响。知晓即将面临的坡度，决策系统可以提前调整目标速度、选择更保守的跟车距离，或在必要时改变换挡与能量管理策略，避免因临时制动造成系统过载。

在轨迹规划与速度曲线设计上，平顺性与安全性是核心目标。高程信息使得决策模块能够生成与地形相匹配的纵向加减速计划，提升乘坐舒适度，并减少控制器因坡度影响而进行的频繁修正。遇到陡坡或连续坡段时，决策系统可以考虑限速要求、提前降档或延长跟车间距；在桥面或易结冰的低洼路段，则可以增加额外的安全裕度。

高程也影响着碰撞风险的评估。某些视觉遮挡场景是由高程差引起的，例如弯道上的下坡会将远处路面隐藏，使近处物体突然出现。将地图高程纳入可视域建模后，决策模块能更准确地评估“我能看多远”以及“对方突然出现的概率有多大”，从而决定是否需要提前减速或准备接管。

当与交通规则结合时，高程同样会对行驶产生直接影响。如重型车辆的自动驾驶在长下坡路段需要限速或使用发动机制动，自动驾驶系统若能识别这些特殊路段，就能为车辆制定既合规又安全的运行策略。结合了高程信息的路段标签，还能触发如桥梁横风防护、隧道灯光自适应等特殊的行驶模式。

控制层面：把计划变成稳定、可预测的动作

在控制层，自动驾驶系统接收来自决策层的速度、加速度与轨迹指令，其真正的挑战在于在真实交通环境中的稳定执行。高程对控制的影响直接且细腻。纵向控制需要考虑坡度对车辆重力分力的影响，上坡时，需要更大的动力输出来维持目标速度，若控制器仅基于水平假设工作，会导致速度跌落或能耗增加；下坡时，重力会加速车辆，此时的制动策略需兼顾热衰减与牵引力控制，防止连续制动导致刹车片过热或效能下降。

横向控制也与高程相关。路面的横坡会影响轮胎与地面的正压力分布，从而改变侧向摩擦力。尤其在高速过弯时，横坡设计（即超高）是保持稳定性的关键输入。控制器在进行转向力矩分配或侧向加速度约束时，若能将地图提供的横坡信息考虑在内，就能更精确地设定侧向加速度上限，避免出现打滑、甩尾或过度的转向补偿。

控制执行还涉及悬架与牵引系统的协同。路面的微观起伏会引起车身的俯仰与垂向振动，闭环控制需要更好地预测这些扰动，以保障乘坐舒适与安全。对于配备主动悬架或扭矩矢量分配的车型，提前知晓前方的高程变化，可以实现前馈补偿，减少因控制回路延迟带来的车身抖动或不适感。

高程不仅是实时物理量，也是控制器设计中的重要约束，在模型预测控制（MPC）中，将坡度作为前馈输入能显著提升预测精度与控制性能。这使得控制器能生成更合理的加减速指令，同时避免因外部扰动（如突然的下坡）导致执行器饱和或触发紧急制动，从而提升行驶连贯性与乘客体验。

定位、仿真和闭环更新：高程的额外用途

传统的平面地图匹配在遇到结构相似的道路时容易混淆，而加入高程维度后，匹配的鲁棒性和唯一性都能得到增强。尤其在多层立交或桥下道路场景，高程信息往往是区分不同层级的关键。结合了高精度地图与高程的联合定位，能在GNSS信号受限或多路径效应严重时，提供宝贵的额外约束。

在仿真与测试环节，高程是确保场景真实感的基础。长坡、陡升、波浪形路面等细节都会影响车辆动力学表现，只有将这些高程特征真实还原到仿真环境中，自动驾驶系统在真实路况下的表现才能被有效预测与验证。将高程数据用于数字孪生，可以在虚拟环境中暴露控制或能量管理策略的薄弱环节，从而在实际路测前进行优化。

高程数据也参与地图的闭环更新。当车队在同一路段反复行驶时，实时检测到的高程偏差可以反馈给地图制作端，实现从“静态高程”到“动态一致性”的迭代。特别是面对施工、沉降、维修等会改变路面高程的事件，快速感知并融入地图更新，能避免因长期依赖陈旧数据而带来的安全隐患。

高程数据在实际应用中的难点主要集中于三个方面。第一个是精度与分辨率。车道级应用对高程数据精度的要求，远高于卫星DEM所能提供的水平，通常需要依靠车载激光扫描或差分RTK测量来获取厘米级数据。还有就是是高程的基准与坐标一致性问题。如果地图、GNSS接收机和激光点云所使用的高程基准（如椭球高、正高）不统一，且未经过正确转换，就可能引入几厘米到几十厘米的误差。第三是动态变化带来的挑战，路面修补、积雪、积水等都会在短时间内改变车辆实际行驶表面的高程。

应对这些挑战，需要多管齐下。多源数据融合是必然选择，结合卫星影像、航空摄影、地面激光扫描以及车辆自身的测量数据，既能保证大范围的覆盖，又能确保关键区域的精细度。统一坐标转换流程和完善元数据记录是基础，地图提供商与车辆端必须对高程基准和测量误差有明确的界定与声明。在车辆实时运行时，应将地图高程视为先验参考而非绝对真值，结合实时传感器数据进行在线修正，并以概率化的方式表达高程的不确定性，从而使决策和控制系统能以更稳健的方式处理潜在的差异。

在更新频率方面，稳定道路的高程数据可以较低频率更新，而对于施工区、临时改线路段、高沉降区域，则需提高更新速率并建立有效的通报机制。利用车队回传数据、众包测绘结合定期航拍，是实现高效更新的可行路径。对于极端天气（如积雪）导致的短期高程变化，系统应优先信任实时感知数据，并将地图与路况检测器联合使用。

最后的话

高程并不是简单的“地面有高有低”。对自动驾驶系统而言，它是感知的稳固参照系，是决策的物理上下文，也是控制环节必须考虑的外部扰动源。做好高程数据，不仅能帮助车辆“看得更清楚”，更能让其“行得更平顺、更安全、更高效”。实现这一目标，需要从测量精度、坐标基准、实时融合与地图更新等环节进行系统化设计，并将高程的不确定性清晰地传递至算法的每一层。尽管现实世界永远充满变化与噪声，但将高程作为连接地图与车辆的重要桥梁，无疑会使整个感知-决策-控制链条更具连贯性、预见性，从而更好地满足复杂道路环境对安全与舒适提出的高标准要求。