對于交通控制、自動駕駛等任務(wù)來說，大規(guī)模的高分辨率與更新頻率的地圖至關(guān)重要。
現(xiàn)有的地圖構(gòu)建方法多依賴地面采集數(shù)據(jù)，這種方法的精度固然較高，但在覆蓋范圍、更新頻率卻存在限制，測繪成本也相當(dāng)高昂。
相比之下，使用衛(wèi)星圖像構(gòu)建地圖顯然在覆蓋范圍和構(gòu)建效率方面具有更大優(yōu)勢。只是不可避免的，衛(wèi)星圖像數(shù)據(jù)集的分辨率與精度普遍較低，常見的 19 級衛(wèi)星圖像的分辨率為每像素 30 厘米，幾乎無法辨認(rèn)出 20 厘米寬的車道線。因此，現(xiàn)有的衛(wèi)星圖像數(shù)據(jù)集很難有效支持現(xiàn)代城市復(fù)雜道路結(jié)構(gòu)的精細(xì)化解析和地圖構(gòu)建。
此前，已經(jīng)有一部分方法在嘗試解決這一問題，比較有代表性的有 MIT 團(tuán)隊此前提出的 RoadTracer，它利用迭代圖構(gòu)造方式檢測衛(wèi)星影像中的路網(wǎng)，提高了測繪的準(zhǔn)確率，但依然有所不足 [1]。
圖丨相關(guān)論文（來源：IEEE Xplore）
現(xiàn)有數(shù)據(jù)集的圖像分辨率最高僅為 0.3 米/像素，不足以準(zhǔn)確感知車道線，無法滿足精細(xì)化需求。此外，標(biāo)注不夠精細(xì)、數(shù)據(jù)規(guī)模小、與自動駕駛數(shù)據(jù)集不匹配等，也是它們存在的局限。
在此背景下，中國科學(xué)院自動化研究所等機(jī)構(gòu)與騰訊地圖合作推出了一種名為 OpenSatMap 的細(xì)粒度、高分辨率衛(wèi)星數(shù)據(jù)集，旨在解決目前基于衛(wèi)星圖像的地圖構(gòu)建過程中遇到的精度和數(shù)據(jù)量問題。
圖丨 OpenSatMap 數(shù)據(jù)集的演示（來源：arXiv）
OpenSatMap 的數(shù)據(jù)主要通過 Google Maps 的靜態(tài) API 進(jìn)行采集。團(tuán)隊根據(jù)各地的地理分布，選擇了全球 60 座城市、19 個國家中的代表性位置，涵蓋了不同的道路類型、地理特征和交通規(guī)則，共 38,000 多張 1024×1024 分辨率的衛(wèi)星影像，并標(biāo)注了近 45 萬個實(shí)例。這使得 OpenSatMap 成為當(dāng)前規(guī)模最大、覆蓋最廣的高分辨率衛(wèi)星影像數(shù)據(jù)集之一
并且，為了提高精度，研究團(tuán)隊收集了數(shù)據(jù)分辨率為 0.15 米/像素（Level-20）的圖像，這是當(dāng)前所有公開數(shù)據(jù)集中最高的分辨率。在部分區(qū)域無法獲取 Level-20 分辨率的情況下，團(tuán)隊會選取 Level-19 影像（0.3 米/像素）作為補(bǔ)充。
在數(shù)據(jù)標(biāo)注階段，團(tuán)隊雇用了 50 名遙感影像標(biāo)注員和 7 名質(zhì)檢員，采用實(shí)例級的標(biāo)注方式對圖像中的道路進(jìn)行詳細(xì)的標(biāo)記。每條道路線（包括車道線、路緣線和虛擬線等）被向量化為折線（polyline）形式，以確保準(zhǔn)確表示線條的曲率和方向。
此外，每條線條被分配了八個屬性，包括顏色（如白色或黃色）、線型（如實(shí)線或虛線）、功能（如停車區(qū)域或公交車專用道）、雙向?qū)傩�、邊界�?biāo)記、遮擋情況和清晰度等。這些屬性標(biāo)注通過實(shí)例間屬性變化（如實(shí)線轉(zhuǎn)虛線、雙車道變單車道等）實(shí)現(xiàn)不同實(shí)例的劃分，從而更精準(zhǔn)地表達(dá)復(fù)雜路況。
圖丨標(biāo)注示例（來源：arXiv）
標(biāo)注過程中還特別考慮了遮擋情況，如遮擋、分叉和多層立交橋等，確保圖像細(xì)節(jié)的準(zhǔn)確性。特別是對于遮擋情況，團(tuán)隊根據(jù)不同遮擋程度將其分為無遮擋、部分遮擋和完全遮擋三類標(biāo)注，并制定了嚴(yán)格的標(biāo)注規(guī)則，以保證數(shù)據(jù)集的完整性和一致性。
為了驗(yàn)證 OpenSatMap 在實(shí)例級線條檢測任務(wù)中的有效性，研究團(tuán)隊開發(fā)了一個簡單的基線方法，針對平均交并比（mIoU）和平均精度（AP）指標(biāo)進(jìn)行了評估。結(jié)果表明，實(shí)例級線條檢測比傳統(tǒng)的語義分割要困難得多。
圖丨團(tuán)隊所采用的基線方法（來源：arXiv）
在語義級別的評估中，基線模型的平均交并比表現(xiàn)相對較高，但在實(shí)例級檢測中，AP 和 mIoU 指標(biāo)的得分較低，尤其是在復(fù)雜的路況下，如線條類型變化和線條分叉合并的情況等。其原因在于，實(shí)例級檢測需要識別帶有精細(xì)屬性的道路元素，而語義分割只涉及一些基礎(chǔ)的類別。
雖然從視覺效果上來說，基線模型能夠相對準(zhǔn)確地預(yù)測線條實(shí)例。然而，由于一些線條細(xì)節(jié)無法精確檢測（例如線條邊緣的定義不清晰、線條連接處的錯誤分割等），導(dǎo)致 AP 指標(biāo)相對較低。
圖丨 OpenSatMap19（前兩行）和 OpenSatMap20（后兩行）測試分割的定性結(jié)果
這些結(jié)果表明，該基準(zhǔn)本身具有較高的難度，這有助于推動更有效的端到端方法的探索。
值得一提的是，為了確保其在自動駕駛領(lǐng)域的實(shí)用性，OpenSatMap 還與 nuScenes 和 Argoverse 2 等主流自動駕駛數(shù)據(jù)集進(jìn)行了對齊，使其能夠?yàn)樽詣玉{駛系統(tǒng)提供精確的地圖信息，讓自動駕駛算法在訓(xùn)練過程中可以直接利用這些衛(wèi)星影像數(shù)據(jù)構(gòu)建高精度的環(huán)境感知模型。
不過，由于 OpenSatMap 的數(shù)據(jù)來源于 Google Maps，而這些影像并非實(shí)時更新，這意味著其數(shù)據(jù)可能在某些地區(qū)無法反映當(dāng)前的道路狀況，可能會影響在快速變化的城市環(huán)境中的應(yīng)用效果。
再加上部分地區(qū)的高分辨率圖像缺失，以及多標(biāo)注者的差異可能導(dǎo)致標(biāo)注的不一致性。直接在 OpenSatMap 上訓(xùn)練自動駕駛模型可能存在一定的安全風(fēng)險。因此，在將其用于自動駕駛應(yīng)用時，還需要進(jìn)一步驗(yàn)證和補(bǔ)充數(shù)據(jù)。
相關(guān)論文以《OpenSatMap：用于大規(guī)模地圖構(gòu)建的細(xì)粒度高分辨率衛(wèi)星數(shù)據(jù)集》（OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction）為題發(fā)表在預(yù)印本網(wǎng)站 arXiv 上 [2]。
相關(guān)代碼也已經(jīng)在 GitHub 開源（項目地址：https://opensatmap.github.io）。
圖丨相關(guān)論文（來源：arXiv）
參考資料：
1.https://ieeexplore.ieee.org/document/8578594?signout=success
2.https://arxiv.org/abs/2410.23278
3.https://opensatmap.github.io/
運(yùn)營/排版：何晨龍
