Civil Maps是一家三维地图初创公司，总部位于加州。CivilMaps 从汽车内部传感器收集数据，并将其转化成为“智能地图信息”供自动驾驶汽车使用。本文原作者为CivilMaps，佐思产研做了简单翻译整理。
车辆认知：从传感器、认知引擎、决策引擎、到车载控制
车辆认知：从传感器到本地缓存（包括映射、定位及假设检验过程）
Civil Maps管理团队
无人驾驶汽车传感器（激光雷达、摄像头、OBD、GPS/IMU）
传感数据到驾驶决策
认知层
认知层：秘籍
Atlas DevKit 系统
传感器融合的必备条件
Civil Maps系统
惯性测量单元传感器融合(一阶)
激光雷达测程法（一阶）
摄像测程法（一阶）
总结：一阶传感器融合
二阶传感器融合
摄像头投射（二阶融合）(RGB FoV + LiDAR + SBET) = RGB PC
三阶传感器融合
难点1：时走时停交通路段(stop-and-go, S&G)，IMU偏移会使参考地图失真
最佳平滑轨迹估算（SBET）校准（三阶融合）
(RGB PC + 能量) = SBET校准
通过能量函数以及OBD对IMU速度向量进行校准
众包地图：客户端/服务器
认知层：堆栈管道
认知层
地理空间指纹技术
指纹基础地图：自动驾驶车辆如果知道自己的位置
利用指纹技术，将基础点云地图进行3500倍压缩，从14G压缩到47MB
指纹技术能够降低计算和功耗
运营成本降低300倍
传统地理围栏vs. 游动边缘绘图
游动vs传统测量
基于边缘的众包
3D语义地图
增强现实地图+定位
通过6个自由度的定位实现自动驾驶车辆认知
没有增强现实，传感器需扫描整个场景后，才能识别交通信号灯状态
有增强现实，地图会通知车辆哪儿是优先注意点，减少认知负担
