高德技术

原创 高德2025科研课题正式发布，研究型实习生岗位等你加入！

对于导航/定位地图而言，主要需要从众包数据中提取场景中对导航和定位重要的少量的稳定的信息，实景地图包含显著更多的细节，端云交互可以以更高效的隐式表达进行(类似Nerual Map)，场景中的对象的几何和外观都可能发生显著的变化，这是实现大规模实景地图的众包渐进式构建与更新的核心难点。近年来，多模态大模型的兴起为这一领域提供了新的技术手段。这些技术的应用使平台和商家能够充分利用AI智能创作的能力，可以根据用户的特性，生成个性化的素材或者内容，高效地产出多样性的视觉效果，从而带来了巨大的商业价值。

原创 高德终端技术总结：高可用架构如何练成？

在技术栈设计上，除调用系统平台服务的部分使用原生语言（Java//OC//ArtTS）外，其他均使用跨平台语言，来实现最大限度的跨平台，其中对于高性能要求的能力（如地图引擎、基础库）使用C++实现，而对于高效率要求的能力（如前端页面）则使用JS实现。稳定性工作属于「流水不腐,户枢不蠹」。高德地图作为国民级应用，特别是出行场景的独特性，要确保在线导航高并发和交通安全级的超稳定性，这对技术团队提出异乎寻常的高要求，无论是终端、云端，还是“终端-云端”之间的连接，都必须实现“高可用、高性能、高效率”的技术目标。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 CVPR 2025｜突破自动驾驶“交规困境“：高德车道级交通规则在线理解，让AI更懂交规！

其中 MEE 模型专门用于对矢量地图进行特征编码，将每个矢量点进行 tokenize，使用 learnable query 配合 Intra & Inter Instance Attention 进行矢量特征的聚合，融合后每个 query 对应一条矢量的特征信息。高德认为，遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，理解交通标志牌中指示的。

转载 π计划｜高德地图AI实习生招聘计划正式启动

转载 高德地图春季2025届校园招聘正式启动

转载 高德ETA服务设计-如何快点吃上饭？

Part 1：洞察生活痛点——消解无尽排队之苦随着民众出行意愿的回暖，在游览景点、周末聚会等场合对餐饮的需求持续升温。然而，在繁华商圈及就餐高峰期，餐厅门前冗长的队伍成为了无可避免的现象，这不仅耗时费神，更严重影响了消费者的用餐体验。对此，高德设计团队敏锐洞察到这一用户痛点，构想出优化出行与到店排队服务方案，旨在让用户更快捷地享受美食，甚至实现“即达即食”的无缝对接体验。Part 2：智解问题之...

原创 Android高性能高稳定性代码覆盖率方案原理解析

前言在《Android高性能高稳定性代码覆盖率方案技术实践》一文中，我们实现了高效稳定的代码覆盖率采集方案。不少同学对其背后原理非常感兴趣，甚至发私信来询问底层的理论支撑。为了方便大家了解其中原理，我们写下了这篇详细的解析文章，欢迎大家阅读探讨。方案中使用了新建ClassLoader，复制目标ClassLoader的classTable字段并进行类加载状态查询的方式，如图：为什么要采取这样的方式？...

原创 2023高德技术热文盘点：15篇硬核解析

随着兔年即将落幕，充满无限可能的龙年即将到来，我们满怀期待迎接新的一年。感谢每位读者一直以来对【高德技术】的关注，是你们的持续关注和热心支持，让我们的旅程更加精彩。高德地图，作为国内数字地图、导航及位置服务的领军者，我们不断攀登技术高峰，持续追求技术创新，致力于提升用户的体验。本期，我们精心挑选了2023年高德技术公众号中最受欢迎的15篇文章，我们的技术团队在人工智能、架构设计、终端交互以及数据技...

转载 从一个crash问题展开，探索gcc编译优化

导读：问题分析的过程也正是技术成长之路，本文以一个gcc编译优化引发的crash为切入点，逐步展开对编译器优化细节的探索之路，在分析过程中打开了新世界的大门……背景：一个平平无奇的crash去年，客户提了个bug，并甩给了我们一个Segmentation fault截图，必现crash。这种必现问题我根本不慌的，段错误，无非就是use after free、越界读写等导致的非法内存访问而已。平平无...

转载 干货！如何在高德地图上实现可视化图层合并渲染？

介绍高德最近对可视化图层组件做了优化，解决了不少问题，涉及到多个场景的合并渲染，后期效果的叠加渲染等等，笔者在这里总结了一些经验跟大家分享。在可视图层的开发过程中必须解决的一个问题就是多个场景（图层）的渲染，比如在地图上显示交通路线、区域范围、兴趣点3个场景，在视觉上是处于同个空间系统，又能够实现分层控制。最容易想到的办法就是为每个场景创建一个Canvas，并将Canvas标签叠加起来。这样做首先...

转载 一文详解Java限流接口实现

导读：本文介绍的实现方式属于应用级限制，应用级限流方式只是单应用内的请求限流，不能进行全局限流。要保证系统的抗压能力，限流是一个必不可少的环节，虽然可能会造成某些用户的请求被丢弃，但相比于突发流量造成的系统宕机来说，这些损失一般都在可以接受的范围之内。一、限流为什么要进行限流？1.瞬时流量过高，服务被压垮？2.恶意用户高频光顾，导致服务器宕机？3.消息消费过快，导致数据库压力过大，性能下降甚至崩溃...

转载 做好一张高质量的“活”地图

日前，主题为“高质量动态地图与智能驾驶”的2023“测绘科技论坛”第五期活动顺利举行，高德智驾地图业务中心总经理向哲在活动上做了题为《做好一张高质量的“活”地图》报告，本文内容是这次报告的视频和PPT。报告专家简介：向哲，高德智驾地图业务中心总经理，负责与智能驾驶相关的地图数据业务、产品与技术工作。清华大学计算机系博士，曾任微软亚洲研究院，IBM中国研究中心研究员，2014年加入高德地图。拥有发...

转载 高德地图已达成全球最大规模车道级导航覆盖

基于北斗卫星导航系统深度学习模型、惯性导航、泛在信号等前沿技术研发的车道级导航服务截止目前已支持在国内99%以上城市和乡镇道路使用这意味着即日起，用户在驾车导航时，无论是在城市还是乡镇，无论是在高速快速路还是普通路段，均可享受到这种高技术密集、沉浸式的新一代导航产品。也是截止目前为止，全球范围内覆盖规模最大的车道级导航服务。作为一种历史悠久的信息服务，导航产品已在市场上存在超过20年，历经多次技术...

转载 高德地图与华为达成鸿蒙合作

高德地图与华为举行鸿蒙合作签约仪式将基于HarmonyOS NEXT正式启动鸿蒙原生应用开发高德成为地图导航领域内首家开启鸿蒙版APP研发的企业作为行业领先的出行和位置信息服务商，高德地图此前就与华为建立了全面深厚的合作关系。例如早在2020年，高德就基于Mate系列手机研发了应用北斗卫星导航系统的车道级导航，这也是业内首个落地智能手机的高精度定位导航服务；此后，还针对华为HiCar智行平台，适配...

原创 基于BEV+Transformer的地面要素感知+建模技术在高德的应用

导读本文将主要介绍BEV+Transformer端到端感知与建模技术在高德各项业务中的应用，如高精地图中地面要素（包含线要素和地面标识）自动化上的具体方案及其演化过程。该方案使用BEV+Transformer技术来实现采集车上不同传感器（包含激光和相机）所得数据在空间和时间层面上信息的融合，以及对采集道路上各地面要素的感知与建模。这些技术手段很好地服务于地图中地面要素的产线需求，为高德地图提高地图...

转载 对业务测试人员的一些思考

自从事测试工作八年多以来，我经历过三个部门多条业务线，也经历过测试转型再回到测试，在此过程中对测试工作和角色的认知也逐步有些思考，想把这些思考分享给大家，希望为业务测试同学提供一些有价值的思路。1.质量保障的本质是什么质量保障有很多工作，如发布前对业务需求的功能测试、性能测试、a/b test等，如发布后对线上的功能回归、冒烟巡检、异常监控等，我们做这些工作都围绕着“缺陷发现”，尽可能去发现系统潜...

原创 视觉BEV基本原理和方案解析

BEV(Bird’s-Eye-View)是一种鸟瞰视图的传感器数据表示方法，它的相关技术在自动驾驶领域已经成了“标配”，纷纷在新能源汽车、芯片设计等行业相继量产落地。BEV同样在高德多个业务场景使用，例如：高精地图地面要素识别、车道线拓扑构建、车端融合定位中都扮演了重要角色。如图1‑1所示：图1‑1 BEV在高德应用场景（仅列举部分）a)高精底图 b)地面要素识别c)车道线拓扑构建[1]d)车...

转载 高德云图发布基于时空信息的产业融合大模型，打造时空互联新基建

日前，在2023年云栖大会上，高德地图旗下高德云图正式发布自主研发的产业大模型——“云睿”，融合地图时空类数据部署训练模型，面向多行业提供可定制扩展的生成式人工智能（AIGC）融合解决方案，这也是业内首个基于时空信息的产业融合大模型。此外，在大会上高德云图还发布了基于沉浸式AI三维重建技术打造的全自动化数字孪生建模平台——“云境”；并发起“云链千帆计划”助力时空互联生态发展，加速推进产业应用落地。...

转载 2400万次无障碍出行，应该还有更多

超2400万次，这是高德无障碍导航过去11个月的出行规划次数。“轮椅人群的一个普遍心理是怕麻烦别人，光是出个小区门都要考虑很久。”轮椅舞者阮成笑了笑说，从前他出门需要鼓足勇气，但最近一年他去过了北京、广州。这也是我们开发无障碍导航的初衷：让乘坐轮椅的朋友们，尽可能多一些走出家门的安全感和底气。去年11月，高德地图联合阿里公益上线无障碍导航。大家在使用「无障碍模式」时，可以避开台阶、陡坡，优先规划有...

原创 高德Go生态建设与研发实践

序高德在构建Go生态演化过程中，已经实现了QPS从0到峰值千万的飞跃，本篇文章主要介绍在此过程中积累的一些技术决策及性能优化和重构经验。阅读本文读者会有以下3点收获：1.高德Go生态发展历程及现状分析2.高德云原生Serverless落地情况&实战3.高德Go生态项目落地实战( 重构&优化经验 )一、高德Go生态发展历程及现状分析为什么要用Go语言开发服务，说起来有些复杂，很多时候...

转载 实战｜抽丝剥茧还原真相，记一次神奇的崩溃

本文详细回放了一个崩溃案例的分析过程。回顾了C++多态和类内存布局、pc指针与芯片异常处理、内存屏障的相关知识。不讲“武德”的崩溃1.1 查看崩溃调用栈客户反馈了一个崩溃问题，并提供了core dump文件，查看崩溃调用栈如下：(gdb)bt#0 0x0000000078432d68 in asl::LooperObserverMan::notifyIdle (this=<optimi...

原创 重新认识架构—不只是软件设计

前言什么是架构？通常情况下，人们对架构的认知仅限于在软件工程中的定义：架构主要指软件系统的结构设计，比如常见的SOLID准则、DDD架构。一个良好的软件架构可以帮助团队更有效地进行软件开发，降低维护成本，提高系统的可扩展性和可维护性。这里的架构定义有更多元化的理解：架构不仅是对软件开发设计和流程规范的定义，也包含了参与架构设计的人员、以及项目过程中和架构有关的活动，都可以称为架构。从广义角度来理解...

转载 高德地图公布“奇境”引擎，应用神经渲染等前沿技术打造“时空地图”

高德正式发布高德地图V13版搭载新一代导航引擎“奇境”奇境引擎融合了北斗定位、神经渲染、数字孪生等一系列前沿技术，而基于该引擎的高德地图v13则包含“奇境MAX”、世界地图、盲区会车预警、北斗车道级导航2.0、惯导增强空间定位、顺路搜等功能创新，为用户提供更精准细致，身临其境般的“时空地图”体验。即日起，用户更新APP至最新版本后，即可体验焕然一新的高德地图。穿越时空，身临“奇境”作为国内领先的数...

原创 基于车道级数据的导航场景构建与还原仿真

1.背景近年来，高德汽车业务从导车到人车共导，从车机版高德地图发展到车机版高德地图SDK，再到车厂深度定制项目多条业务线并存，虽然以各种不同形态面向用户，但不变的是对高质量车载导航服务的追求。从车载导航来看，人、车、路三者缺一不可，截至2022年末全国公路总里程535.48万公里（交通部数据），在如此数量庞大的道路网上保障导航体验质量一直是高德汽车业务探索的方向之一。以往为了测试不同道路场景的导航...