滴滴導(dǎo)航地圖標(biāo)注是滴滴出行旗下基于豐富的交通大數(shù)據(jù)和領(lǐng)先的算法策略，面向網(wǎng)約車及自駕場景而打造的一款技術(shù)領(lǐng)先的地圖產(chǎn)品。伴隨著海量網(wǎng)約車每日8小時+的導(dǎo)航使用，產(chǎn)品積累了大量的反饋并持續(xù)優(yōu)化打磨。在這個過程中，為了給用戶帶來更好的地圖導(dǎo)航體驗(yàn)，團(tuán)隊一直在積極探索技術(shù)上的突破和實(shí)踐，并取得了一定的成果。今天，我們將會對其中的MJO三維全景導(dǎo)航（行業(yè)唯一）、導(dǎo)航主輔路偏航識別及深度學(xué)習(xí)在端上抓路應(yīng)用這三個技術(shù)點(diǎn)給大家展開講解。

1. MJO三維全景導(dǎo)航

▍
1.1 應(yīng)用背景
對于絕大多數(shù)駕駛者使用2D導(dǎo)航地圖，都會出現(xiàn)立交上認(rèn)錯路口，上錯過匝道，不知何時該并線的問題。路口圖形誘導(dǎo)的出現(xiàn)，一定程度上緩解了路口偏航的問題。業(yè)內(nèi)通俗幾種做法，如下圖：

矢量大圖：基于2d道路屬性制作，算法驅(qū)動可以上量。

街景大圖：路口和街景圖像做掛接，然后疊加引導(dǎo)箭頭。依賴街景采集成本巨大。

衛(wèi)星大圖：路口真實(shí)但只有2D視角。
上述所有方案都只能靜態(tài)展示，而且不能精確區(qū)分車道。滴滴地圖中的MJO導(dǎo)航技術(shù)，通過加入與實(shí)景圖同級別的精細(xì)場景模型，準(zhǔn)確表達(dá)復(fù)雜橋區(qū)的層次穿越關(guān)系。極大地降低了讀圖成本。

三維全景導(dǎo)航的技術(shù)難點(diǎn)在于模型復(fù)雜度高，數(shù)據(jù)量較大，相比2D導(dǎo)航地圖需要更多的CPU和GPU資源支持。為了在更廣泛的設(shè)備上實(shí)現(xiàn)該功能，需要大幅優(yōu)化資源的內(nèi)存、CPU及GPU消耗。

▍
1.2 數(shù)據(jù)壓縮

較大的模型尺寸帶來了網(wǎng)絡(luò)傳輸?shù)膲毫Γ瑢?shù)據(jù)壓縮提出了較高的要求。數(shù)據(jù)全國總量高達(dá)41G，無法適應(yīng)移動端的內(nèi)存需求。性能攻堅階段，團(tuán)隊融合了多種壓縮技術(shù)進(jìn)行優(yōu)化：

紋理壓縮

提取共享資源

模型壓縮

格式二進(jìn)制轉(zhuǎn)換

次要模型過濾

▍
1.3 Metal/Vulkan技術(shù)

滴滴地圖標(biāo)注渲染引擎引入了下一代的圖形API，Metal及Vulkan技術(shù)。蘋果宣稱Metal可以提供10倍于OpenGL的性能，而Vulkan則是由khronos組織提出的開放標(biāo)準(zhǔn)，可以支持Apple以外的平臺。對比傳統(tǒng)的OpenGL ES技術(shù)，Metal/Vulkan更加貼近底層硬件，可以更精確地控制GPU，有著更好的線程模型。
Metal和Vulkan可以支持更多的draw calls，非常適合應(yīng)用于MJO這種模型數(shù)量較多的場景。通過適配Metal/Vulkan，解決了渲染引擎中shared context的兼容問題，提高了多線程加載的性能，對整體性能和穩(wěn)定性都有了較大的提升。

▍
1.4 渲染性能優(yōu)化 由于模型數(shù)據(jù)量較大，數(shù)據(jù)加載耗時，使用傳統(tǒng)的加載方式會造成明顯的卡頓問題，影響用戶體驗(yàn)。通過利用Metal/OpenGL ES/Vulkan的多線程技術(shù)，資源加載使用了獨(dú)立的加載線程。加載過程對渲染線程沒有直接影響，使程序更加流暢。渲染場景的管理采用了八叉樹技術(shù)，用于快速選取可見元素，降低渲染負(fù)載。對比順序遍歷的O（N）復(fù)雜度，八叉樹降到了O（logN）。

MJO模型粒度較細(xì)，一個橋區(qū)包含2000多個模型，如果直接進(jìn)行渲染會造成draw call數(shù)量過多，每個draw call都會產(chǎn)生額外的消耗。通過材質(zhì)合并模型后，draw calls降低到40多個，大幅降低了渲染和內(nèi)存消耗。

▍
1.5 導(dǎo)航實(shí)現(xiàn)

MJO導(dǎo)航雖然提供了高精度的道路模型和車道級的導(dǎo)航線數(shù)據(jù)，但由于移動端設(shè)備并不包含高精度的定位設(shè)備，需要利用現(xiàn)有的2D導(dǎo)航邏輯，將GPS點(diǎn)映射到MJO的導(dǎo)航線上。具體步驟如下：

根據(jù)2D導(dǎo)航的link序列過濾出經(jīng)過MJO橋區(qū)的部分

綁路服務(wù)計算映射出的MJO link序列并拼裝MJO導(dǎo)航線

MJO導(dǎo)航線和GPS點(diǎn)傳入導(dǎo)航引擎，計算出MJO中的綁路點(diǎn)

MJO導(dǎo)航線傳入渲染引擎，經(jīng)過Bezier插值進(jìn)行平滑處理并渲染

綁路點(diǎn)在導(dǎo)航線上進(jìn)行投影得到3D高度，并插值成平滑移動的動畫進(jìn)行渲染

其中平滑算法使用了Bezier插值，p1 p4是曲線端點(diǎn)，p2 p3用于控制形狀，t是插值參數(shù)。

導(dǎo)航線由多個點(diǎn)構(gòu)成，端點(diǎn)可以從導(dǎo)航線中直接得到。中間的2個控制點(diǎn)需要進(jìn)行計算。這里的技術(shù)要點(diǎn)是保證連接兩段線的切向一致（C1連續(xù)），在平滑的同時保證曲率不要過分偏離端點(diǎn)。團(tuán)隊通過優(yōu)化參數(shù)和算法，得到了比較滿意的效果。

▍
1.6 總結(jié)

MJO涉及了多種渲染及建模相關(guān)的技術(shù)，范圍廣難度高。團(tuán)隊在有限的人力和時間預(yù)算條件下，攻克了多個技術(shù)難點(diǎn)，實(shí)現(xiàn)了一套完整的動畫誘導(dǎo)方案。極大地降低了駕駛過程的瞬時讀圖成本，有效地緩解了復(fù)雜路口的偏航問題。

2. 滴滴主輔路偏航識別的應(yīng)用實(shí)踐

偏航是車輛實(shí)際行駛路線偏離了原定規(guī)劃路線的行為，而偏航識別用以確定車輛是否偏航，對偏航重新規(guī)劃行駛路線。主輔路作為特殊的道路場景，其由于平行的特殊性，導(dǎo)致主輔路偏航較一般偏航更具有挑戰(zhàn)性。本文將介紹滴滴地圖標(biāo)注在主輔路偏航識別上的一些探索和實(shí)踐。

▍
2.1 應(yīng)用背景
偏航是車輛實(shí)際行駛路線偏離了原定規(guī)劃路線的行為，如圖1所示，紅色的是規(guī)劃路線，帶偏航的點(diǎn)是車輛gps點(diǎn)，整體上來看車輛已經(jīng)偏離了規(guī)劃路線，則為偏航。

圖1 普通偏航場景

圖2 主輔路偏航場景

而主輔路偏航場景如圖2所示，車輛在圖中紅框路口處車輛由主路切換到了輔路，則為一次主輔路偏航。


▍
2.2 主輔路偏航識別難點(diǎn)
偏航識別作為典型的二分類問題，通常會使用有監(jiān)督學(xué)習(xí)的模型求解。由于主輔路的特殊性，有監(jiān)督學(xué)習(xí)的標(biāo)簽就成為整個技術(shù)方案的難點(diǎn)。

圖3 主輔路
如圖3的，車輛在主輔路附近有一個偏移動作，但是單純從上很難辨別車輛是切換了個車道還是有主輔路切換，無法單純從上是無法獲得真值。因此，需要引入額外的信息，而滴滴擁有廣大上報的圖像數(shù)據(jù)就是一個很好的補(bǔ)充。
除了標(biāo)簽這個核心問題外，還有一些主要問題：
GPS點(diǎn)漂移：GPS點(diǎn)受信號強(qiáng)弱等影響，會出現(xiàn)位置偏差。主輔路場景下，主輔路之間距離不會很遠(yuǎn)，則GPS的位置偏差會更容易造成誤判。路網(wǎng)形狀偏差：地圖數(shù)據(jù)往往用有向線段表示客觀道路，但是數(shù)據(jù)探查錄入等原因，和客觀世界道路位置形狀會有偏差，給識別帶來難度。 為了解決以上問題，提升用戶主輔路偏航上的體驗(yàn)，我們提出了一種基于圖像識別的主輔路偏航識別系統(tǒng)。

▍
2.3 技術(shù)方案
2.
3.1 整體方案設(shè)計

圖4 主輔路偏航識別整體方案
如圖4，主輔路偏航識別整體方案涉及到左側(cè)的離線模型訓(xùn)練部分和在右側(cè)線預(yù)測部分，其中離線訓(xùn)練主要包括：
機(jī)器標(biāo)注邏輯根據(jù)和路網(wǎng)連通性進(jìn)行標(biāo)注的樣本。由于存在路網(wǎng)連通性的約束，因此標(biāo)注結(jié)果準(zhǔn)確率高，但是路型覆蓋會有局限

圖像標(biāo)注邏輯
根據(jù)上報圖像識別車輛在行為（車輛在主路/在輔路，或序列模型識別主輔路切換動作），結(jié)合和路網(wǎng)數(shù)據(jù)生成樣本。因?yàn)椴皇苈肪W(wǎng)形態(tài)約束，因此路型覆蓋會更全；但是由于需要對路面圖像進(jìn)行圖像識別，依賴圖像識別的準(zhǔn)確率，存儲和計算成本較高

模型訓(xùn)練
將機(jī)器標(biāo)注樣本和圖像標(biāo)注樣本進(jìn)行合并后進(jìn)行訓(xùn)練，由于圖像標(biāo)注樣本成本更高，所以會對圖像樣本用一些上采樣方式。
在線預(yù)測部分就是標(biāo)準(zhǔn)的線上預(yù)測流程，不做過多贅述。

2.
3.2 機(jī)器標(biāo)注邏輯
機(jī)器標(biāo)注邏輯是根據(jù)和路網(wǎng)連通性進(jìn)行標(biāo)注的邏輯。如圖5所示，有拐入“東雙貝子墳路”，但是主路根據(jù)路網(wǎng)連通性是不可能拐入的，因此可以推斷在紅框路口處，車輛從主路切換到了輔路。通過路網(wǎng)連通性的規(guī)則能很容易的篩出這類樣本，且這類樣本準(zhǔn)確性極高。

圖5 機(jī)器標(biāo)注示例

圖6 機(jī)器標(biāo)注無法標(biāo)注的
但是機(jī)器標(biāo)注邏輯的局限也很明顯，就是諸如圖6的，機(jī)器標(biāo)注是無法確認(rèn)紅框的主輔路區(qū)間內(nèi)車輛是開在主路或輔路的。以北京的為例，機(jī)器標(biāo)注能處理的路口小于30%，如果僅使用這部分樣本進(jìn)行訓(xùn)練，會因樣本有偏導(dǎo)致效果不理想。

2.
3.3 圖像標(biāo)注邏輯

滴滴地圖標(biāo)注擁有上報的圖像數(shù)據(jù)，可以根據(jù)圖像識別行為（車輛在主路/在輔路，或主輔路切換動作），再結(jié)合和路網(wǎng)數(shù)據(jù)，生成圖像標(biāo)注集合。

如上圖是一個圖像數(shù)據(jù)示例，序號表示其序列關(guān)系，由圖所示，車輛由輔路切換到了主路。
圖像識別使用了兩套邏輯：

單圖識別序列中對每張圖片進(jìn)行識別，給出其分類結(jié)果，類別包括：高架上主路、高架下主路、高架下輔路、主路、輔路。然后根據(jù)序列的分類結(jié)果，只要有類別的連續(xù)性變化視為切換行為，如序列（主路、主路、輔路、輔路）就可以視為切換。序列識別根據(jù)圖片序列識別是否有主輔路切換動作。采用端到端的注意力與類別層級融合損失約束模型進(jìn)行特征學(xué)習(xí)與計算；為了更好的利用序列的語義信息，將主輔路單圖特征集成到序列模型中，進(jìn)行序列約束，識別序列結(jié)果。
序列模型準(zhǔn)確率更高，但是對于圖像序列要求較高（比如時間間隔不能太長）；單圖識別的召回更高，但是在有遮擋或高架下場景表現(xiàn)不好。將兩個模型的結(jié)果進(jìn)行融合，引入、路網(wǎng)數(shù)據(jù)得到最終的圖像標(biāo)注結(jié)果。圖像標(biāo)注結(jié)果的準(zhǔn)確率在93%以上。 

2.
3.4 模型訓(xùn)練

由于線上只能使用到和路網(wǎng)的數(shù)據(jù)，因此使用特征主要分為以下幾類：
點(diǎn)特征：GPS點(diǎn)的特征，包括坐標(biāo)、速度、方向等道路（link）特征：包括道路屬性（國道等）、車道數(shù)、道路方向等點(diǎn)-link特征：包括點(diǎn)方向同道路方向角度差、點(diǎn)到道路的距離等序列特征：包括當(dāng)前點(diǎn)同上一個點(diǎn)的角度差、距離差，以及累計角度變化等
同時，針對GPS點(diǎn)信號不準(zhǔn)確漂移的情況，使用卡爾曼濾波對GPS點(diǎn)位移，減少個別點(diǎn)漂移對于模型的影響；針對整段漂移，使用Frechet距離衡量其形狀相似度，加入到特征中。針對路網(wǎng)形狀偏差，使用歷史統(tǒng)計的方式（熱力圖），對路網(wǎng)進(jìn)行平移、彎曲等形狀變化。
偏航是典型的二分類問題，初版模型使用Xgboost快速上線，目前在進(jìn)行Wide&Deep和LSTM等模型的嘗試。

2.
3.5 效果評估

隨機(jī)抽取了2000個上報的圖像數(shù)據(jù)，對經(jīng)過的主輔路路口進(jìn)行人工標(biāo)注其主輔路切換行為，為人工標(biāo)注集。
同時，人工只根據(jù)信息進(jìn)行判定行為，識別拐彎的準(zhǔn)確率92%、召回率91%。形成這類問題的主要原因是估計漂移，如圖7的，人工如果只根據(jù)判斷，會認(rèn)為車輛在路口由主路切換到輔路，但是根據(jù)圖像可以確認(rèn)其一直在主路上。

圖7 人工誤判示例
模型在人工標(biāo)注集上的識別拐彎的準(zhǔn)確率88%、召回率89%，接近人工只根據(jù)的判定的準(zhǔn)召，但是還有一定提升空間。

▍
2.4 總結(jié)

主輔路偏航作為偏航識別里的特殊類型，由于其平行的特殊性，給識別帶來了較大的挑戰(zhàn)。本文介紹了滴滴在主輔路偏航識別上的一些探索和實(shí)踐，借助滴滴的數(shù)據(jù)優(yōu)勢，建立了一套依賴圖像識別的主輔路偏航真值標(biāo)注體系，并在最后主輔路偏航識別取得了預(yù)期的效果。



3. 深度學(xué)習(xí)在偏航引擎前端的探索和實(shí)踐

▍
3.1 導(dǎo)讀
導(dǎo)航作為地圖出行的核心場景，根據(jù)起終點(diǎn)、路線數(shù)據(jù)及路況信息為用戶定制出行方案。導(dǎo)航為用戶提供規(guī)劃路徑，但現(xiàn)實(shí)出行中充滿變數(shù)，用戶隨時可能有意或無意中偏離規(guī)劃路線。這個時候，及時且智能化的提示顯得尤為重要。
偏航引擎，負(fù)責(zé)實(shí)時用戶位置，檢測用戶是否偏離規(guī)劃路線，并提供及時可靠的偏航提醒，發(fā)起新的路線規(guī)劃請求等；在實(shí)際行駛的過程中，偏航提示對用戶必不可少，其準(zhǔn)確率和及時性對用戶體驗(yàn)至關(guān)重要。

▍
3.2  傳統(tǒng)偏航算法
傳統(tǒng)偏航算法，通?；诘貓D匹配（map matching）和垂直場景下的特定規(guī)則來進(jìn)行偏航判定。
地圖匹配是將一系列有序的用戶或者交通工具的位置關(guān)聯(lián)到地圖路網(wǎng)上的過程。因?yàn)镚PS給定的用戶位置往往會有誤差，如果不進(jìn)行地圖匹配，可能并不會顯示在路網(wǎng)上。在實(shí)際應(yīng)用中，基于隱馬爾可夫模型（HMM）的地圖匹配就有比較良好的效果。
偏航判定基于地圖匹配的結(jié)果（匹配到特定路網(wǎng)的置信度），以及當(dāng)前GPS狀態(tài)信息（位置，方位角，速度，精度等），GPS與匹配點(diǎn)及規(guī)劃路線之間的關(guān)系，同時依據(jù)GPS歷史特征，判定用戶是否偏離規(guī)劃路線。
傳統(tǒng)的偏航判定往往基于大量人工編碼的規(guī)則。通常情況下，由于GPS的可靠性并不穩(wěn)定，偏航準(zhǔn)確性與靈敏性存在一定的互斥關(guān)系。
為了同時提升兩方面的指標(biāo)，常常需要針對特定場景進(jìn)行特定的優(yōu)化。如在效果較高的時候，可以提高偏航的靈敏度；在效果較低的情況下，為了提升準(zhǔn)確率，相應(yīng)的降低偏航靈敏度。
另外，由于低效果的GPS在不同的行駛狀態(tài)下會展現(xiàn)出不同的特征，我們也可以根據(jù)規(guī)劃路線的特征（如直行，轉(zhuǎn)彎，掉頭等），結(jié)合GPS特征（減速，掉頭，精度降低等），在垂直場景下設(shè)置不同的偏航閾值。

▍
3.3 移動端應(yīng)用深度學(xué)習(xí)模型

3.
3.1 為什么引入深度學(xué)習(xí)

傳統(tǒng)偏航判定中，無論是效果，還是規(guī)則編寫都具有較大的局限性。效果常常依賴于一系列固定的數(shù)學(xué)公式，難以融入大量GPS特征進(jìn)行綜合考量，其準(zhǔn)確性和召回率不盡如人意。偏航規(guī)則隨著產(chǎn)品迭代日漸復(fù)雜化，變得難以維護(hù)，特別是面對人員迭代，更是難以處理。
基于偏航判定問題的特征，我們嘗試在端上引入深度學(xué)習(xí)模型。通過自動化的模型學(xué)習(xí)，為偏航判定提供更加統(tǒng)一和簡單的特征指標(biāo)，簡化編碼邏輯和維護(hù)代價，提升偏航準(zhǔn)確性和靈敏度。

3.
3.2 移動端應(yīng)用深度學(xué)習(xí)算法的限制
推算性能由于前端機(jī)型種類繁多，性能參差不齊?？紤]兼容性，做模型推算時往往中低端機(jī)型為準(zhǔn)。采用相關(guān)算法庫需要針對arm處理器做相應(yīng)的優(yōu)化。
模型大小移動端特別是地圖對App大小通常較為敏感。深度學(xué)習(xí)的應(yīng)用需要引入算法庫及模型文件，如果使用開源庫文件，可能需要做適當(dāng)?shù)募舨?；或者根?jù)最終引入的模型結(jié)構(gòu)定制相應(yīng)的算法庫，從而控制庫文件大小。另外，針對不同的模型類型、深度及輸入特征，模型大小會產(chǎn)生較大的變化，最終選擇的模型可能并非最好，但綜合而言最為合適即可（比如200k模型比100k模型準(zhǔn)確率提升0.2%，可能我們?nèi)匀粫x擇100k模型）。
算法限制使用特定第三方算法庫如tensorflow lite，不支持部分運(yùn)算符等。事實(shí)上，移動端應(yīng)用深度學(xué)習(xí)也是一個多方權(quán)衡的過程，最終的目標(biāo)是實(shí)現(xiàn)性能，模型大小，準(zhǔn)確性等指標(biāo)的理想平衡。

▍
3.4 GPS效果模型

前面提到，效果對于高靈敏度的偏航判定尤為重要。但基于規(guī)則的方法能夠提取的高效果GPS，在保證準(zhǔn)確率的前提下，召回率往往較低。在偏航場景下，利用深度學(xué)習(xí)的方式來做效果判定，我們需要重新定義該問題。

3.
4.1 問題定義及樣本標(biāo)準(zhǔn)

如果以GPS偏離路線的距離或角度來認(rèn)定效果的優(yōu)劣，標(biāo)準(zhǔn)會變得比較模糊。如此一來會大大增加樣本的采集的難度和統(tǒng)一性。此外，效果的判定與偏航判定不具有相關(guān)性，最終能否對偏航指標(biāo)帶來提升存在很大的不確定性。

從偏航判定的角度出發(fā)，我們認(rèn)為在人工校驗(yàn)下：

發(fā)生誤偏航的GPS點(diǎn)，其效果基本是不可靠的（以上左圖）。

偏航靈敏度較低，但足以判定為偏航的情形，其效果是可靠的（以上右圖）。

為排除干擾，將GPS點(diǎn)聚集等不影響偏航判定的情形，歸類為其它；

于是我們的問題轉(zhuǎn)化為簡單的多分類問題。

3.
4.2 特征工程

GPS效果模型中，我們提取了兩類樣本特征。分別為GPS屬性（速度，時間，方位角，精度等），和人工屬性（距離，幾何角，角變量，積分推算偏移等）。部分人工屬性的提取雖然不能提升模型的準(zhǔn)確率上限（比如在特定模型下適當(dāng)增加神經(jīng)元數(shù)量，可以以較少的屬性達(dá)到較多屬性的準(zhǔn)確率），但卻能降低模型復(fù)雜度，從而降低模型大小，提升性能。這對于移動端而言是非常有益的。

對于低重要度的特征，最終做了刪除，從而降低模型大小。例如我們發(fā)現(xiàn)方位角的重要度在實(shí)際模型訓(xùn)練中不如角變量。方位角本身的不連續(xù)性（0 = 2pi）可能對模型訓(xùn)練是一種干擾。

對于異常值，做了基本的數(shù)據(jù)清洗，如無效的速度值，無效的方位角；對于不足的GPS序列長度，用0進(jìn)行填充（但需要額外注意起點(diǎn)屬性）等。

3.
4.
3. 模型選擇、訓(xùn)練與效果

DNN：只需要相對簡單的算法實(shí)現(xiàn)，引入較小的模型庫。然而GPS數(shù)據(jù)具有典型的時間序列特征，在4萬樣本下，應(yīng)用利用DNN模型調(diào)參優(yōu)化后，訓(xùn)練結(jié)果準(zhǔn)確率最高達(dá)到91%。Bad case中存在大量時間不敏感的情形，最典型的情形就是——由差轉(zhuǎn)優(yōu)時，判定結(jié)果未能及時轉(zhuǎn)變?yōu)楦咝Ч?/p>

CNN：這里可以嘗試兩種實(shí)現(xiàn)方式，一種是通過生成bitmap進(jìn)行識別，然而GPS跨度不確定性較高，方向性不易表達(dá)，在實(shí)現(xiàn)上具有一定困難。第二種將序列化數(shù)據(jù)轉(zhuǎn)化為二維數(shù)組，C模型能夠識別出前后時間戳之間的變化特征，但并不能保留更長的時間的變化特征。最終訓(xùn)練出的準(zhǔn)確率在93%左右。另外，CNN模型應(yīng)用在移動端有一個明顯的缺點(diǎn)，即模型尺寸一般較大。

LSTM（長短期記憶網(wǎng)絡(luò)）：一種特殊的RNN模型，相比前述模型對效果序列判定有明顯優(yōu)勢。在效果由好轉(zhuǎn)差，或由差轉(zhuǎn)好的識別上具有非常高的靈敏度，使用128個unit能夠達(dá)到97%的準(zhǔn)確率。缺點(diǎn)是LSTM模型訓(xùn)練速度相對較慢，算法庫實(shí)現(xiàn)相對復(fù)雜。

最終我們選擇了使用LSTM模型。使用LSTM的訓(xùn)練結(jié)果，準(zhǔn)確率大幅提升。在剩余3%的錯誤樣例中，很多在形態(tài)上表現(xiàn)出較高的真實(shí)性，但卻無法同路網(wǎng)進(jìn)行匹配。理論上通過引入路網(wǎng)屬性能夠上帶來準(zhǔn)確率的進(jìn)一步提升，然而這種數(shù)據(jù)的耦合脫離了效果判定的初衷——服務(wù)于偏航引擎專家系統(tǒng)，而非直接用于偏航判定。對此我們將會在最后進(jìn)行更詳細(xì)的介紹。

3.
4.
4. 移動端性能優(yōu)化

模型推算性能對于移動端尤為重要。偏航場景下，GPS更新頻繁，選擇在必要的時候進(jìn)行模型推算能夠避免不必要的計算開銷。通常我們會計算當(dāng)前GPS點(diǎn)與規(guī)劃路線的偏離度，只有偏離度大于閾值時才會進(jìn)行效果判定。

▍
3.5 基于深度學(xué)習(xí)的專家系統(tǒng)探索

效果模型作為偏航判定的重要依據(jù)，能夠以較小的代價移植到移動端。如果不考慮前端性能及數(shù)據(jù)限制，我們完全可以定義整個偏航判定問題，訓(xùn)練相應(yīng)的偏航模型。然而偏航場景種類繁多，過于復(fù)雜，訓(xùn)練出一套通用的偏航模型需要大量的數(shù)據(jù)，充足的路網(wǎng)信息，和較大的模型存儲，這對于移動端而言不太現(xiàn)實(shí)。  

傳統(tǒng)偏航算法類似于實(shí)現(xiàn)一套基于規(guī)則的偏航專家系統(tǒng)。推算過程依賴了大量復(fù)雜的規(guī)則，這些規(guī)則難以概括和抽象為更簡單的模塊，算法的優(yōu)化和維護(hù)都比較困難。因此我們考慮將偏航場景重新細(xì)化分類，依據(jù)不同的場景訓(xùn)練相應(yīng)的偏航模型。例如效果較差的直行或轉(zhuǎn)彎路線，能夠分別能訓(xùn)練出不同的模型。用這些模型替代原有的復(fù)雜規(guī)則，對移動端而言，可移植性及可控性都會更好。這種基于深度學(xué)習(xí)的專家系統(tǒng)，是我們接下來完善優(yōu)化偏航算法的重要方向。

滴滴地圖標(biāo)注與公交事業(yè)部泛前端及導(dǎo)航引擎團(tuán)隊，負(fù)責(zé)為滴滴地圖標(biāo)注平臺上的司乘雙方提供優(yōu)秀的地圖產(chǎn)品體驗(yàn)。通過不斷的產(chǎn)品打磨及技術(shù)創(chuàng)新來提升用戶體驗(yàn)，具體包括在業(yè)內(nèi)首推司乘同顯創(chuàng)新功能，在跨端技術(shù)、圖像渲染及導(dǎo)航引擎等方向持續(xù)深耕等。