導(dǎo)讀：高精地圖和定位是自動駕駛系統(tǒng)中的重要基礎(chǔ)模塊，地圖的質(zhì)量和定位的結(jié)果會直接影響其它模塊的功能，進(jìn)而決定整個自動駕駛系統(tǒng)的好壞。本次分享將介紹智加科技在高精地圖和定位領(lǐng)域的探索。
相較于普通的電子導(dǎo)航地圖，高精地圖擁有更高的坐標(biāo)精度與更豐富的交通信息元素。高精地圖分為高精拓?fù)涞貓D和高精點云地圖。在上圖中，上面兩張地圖是高精拓?fù)涞貓D，可以看出，它包含了車道線中心和車道線邊線的幾何形狀，用一句話來總結(jié)，高精地圖就是：車道級別、厘米精度的道路網(wǎng)絡(luò)和交通信息地圖；下面兩張地圖是高精點云地圖，它使用稠密的點云來模擬現(xiàn)實車道環(huán)境，并通過標(biāo)簽來標(biāo)記特殊點云，反映特殊道路標(biāo)識等。接下來，我們將分別講解兩種地圖技術(shù)，以及高精地圖技術(shù)的優(yōu)勢和生成過程。高精拓?fù)涞貓D與傳統(tǒng)導(dǎo)航地圖的區(qū)別如上圖。由于人腦擁有強大的計算和規(guī)劃能力，傳統(tǒng)導(dǎo)航地圖的精度和功能對我們完全足夠，但對于電腦操縱的無人駕駛車輛，就需要更高的精度。- 車道鄰接信息（左車道/右車道/分叉車道/并道車道）
高精點云地圖的原理，是使用大量包含道路信息的點組成稠密的點云，模擬出道路環(huán)境，如下圖：對于一些特殊的道路標(biāo)識（例如紅綠燈、指示牌等），會給對應(yīng)的點打上特殊的label（標(biāo)簽）來表示，如下圖：高精地圖是感知、預(yù)測、規(guī)劃和定位等模塊的基礎(chǔ)，好的高精地圖能讓這些模塊變得更加智能。紅綠燈識別、車道線識別和障礙物識別是感知模塊的三個基本任務(wù)。在紅綠燈識別任務(wù)中，有了高精地圖，感知模塊只用在當(dāng)前車道前方有紅綠燈的時候才用深度學(xué)習(xí)去識別，這樣一方面可以節(jié)省資源占用，另一方面減少了紅綠燈的誤報漏報；在車道線識別任務(wù)中，高精地圖能夠提供車道數(shù)、車道寬度等豐富的信息，幫助車道線識別做的更好；在障礙物識別任務(wù)中，高精地圖可以輔助更加精確地識別當(dāng)前車道前方障礙，比如前方車輛，這對于車輛ACC功能（自適應(yīng)巡航控制）有很大幫助。高精地圖也可以輔助對道路上其他車輛的軌跡預(yù)測，例如如果前方某輛車行駛在實線車道內(nèi)，可以預(yù)測該車輛的變道可能性很小；如果前方車輛行駛在最右側(cè)車道，且前方有高速出口，可以預(yù)測車輛有可能駛出高速等。通過高精地圖反饋的車道線信息、限速信息、車輛當(dāng)前位置、坡度信息等，可以實現(xiàn)對車輛行駛速度、變道軌跡、節(jié)油駕駛等的規(guī)劃。高精定位模塊更多運用于高精點云地圖，如上圖，白色的部分為離線生成的點云地圖，藍(lán)色的部分為實時采集的車輛行駛位置數(shù)據(jù)，通過將二者相匹配，實現(xiàn)對車輛更加精準(zhǔn)的定位。生成高精地圖的過程需要采集大量的數(shù)據(jù)，我們的采集途徑包括：GNSS（全球?qū)Ш叫l(wèi)星系統(tǒng)）、IMU（慣性測量單元）、輪速計、激光雷達(dá)點云以及攝像頭圖像。其中，GNSS可以提供車輛的絕對坐標(biāo)，IMU和輪速計可以提供車輛的相對位置信息，激光雷達(dá)點云和攝像頭可以提供車輛周圍的三維環(huán)境信息。數(shù)據(jù)采集完畢后，需要對數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)抽取、時間對齊、圖像去畸變和點云去畸變等過程。時間對齊可以將所有所得數(shù)據(jù)統(tǒng)一到同一時刻，進(jìn)行數(shù)據(jù)融合；圖像去畸變可以減少圖像本身的伸縮和旋轉(zhuǎn)，使圖像數(shù)據(jù)更加精準(zhǔn)；點云去畸變可以減少激光雷達(dá)轉(zhuǎn)動帶來的誤差。之后，利用深度學(xué)習(xí)的方法對數(shù)據(jù)進(jìn)行語義信息提取，提取信息包括地面、車道線、紅綠燈、道路標(biāo)牌、電線桿和車輛等信息，如下圖：提取完畢后，需要對每一幀的點云數(shù)據(jù)進(jìn)行位姿優(yōu)化，使疊加后的點云數(shù)據(jù)更準(zhǔn)確。優(yōu)化過程主要基于SLAM-Based Bundle Adjustment，首先，明確優(yōu)化目標(biāo)，包括每一幀的位姿信息，車輛的位置和朝向等；之后，需要定義優(yōu)化的約束，將優(yōu)化后數(shù)據(jù)與原數(shù)據(jù)差距、相鄰幀重投影誤差等控制在較小范圍內(nèi)；最后，使用梯度下降、LM算法等進(jìn)行求解。優(yōu)化后，即可進(jìn)行點云疊加，生成高精點云地圖。在高精點云地圖的基礎(chǔ)上，還可以通過建立好的車道線模型，自動生成高精拓?fù)涞貓D。最后，為了提高地圖的實用性，需要進(jìn)行人工驗證，為地圖增加車道線和道路分隔線等。高精地圖的生成過程中，由于道路情況千差萬別，會帶來很多困難和挑戰(zhàn)，例如長隧道的生成。上圖中，左圖是一張長隧道的道路圖像，在隧道中，GNSS信號較弱，駛出隧道時，GNSS信號也會有很大的跳變，所以，收集的數(shù)據(jù)會有很大的誤差。中間的圖是位姿優(yōu)化后的軌跡。右圖是隧道出口和內(nèi)部的點云地圖。在自動駕駛的過程中，高精定位需要滿足高精度、高頻低延遲、高可用性、高可靠性的要求。目前使用的高精定位方法有：衛(wèi)星定位、高精地圖定位和融合定位的方法，接下來將分別介紹這三種方法的實現(xiàn)和特點。衛(wèi)星定位算法的原理是：在車輛行駛的某一位置，可以接受到各個衛(wèi)星的信號，通過對該位置和各個衛(wèi)星之間距離的解算，就可以得到該位置的坐標(biāo)。但是，在收集衛(wèi)星信號的過程中，會受到電離層和對流層的影響，產(chǎn)生時延等誤差，導(dǎo)致米級別的定位誤差。為了將誤差縮小，需要利用RTK載波相位差分技術(shù)進(jìn)行定位修正，即通過尋找離當(dāng)前位置較近的、已知精確位置基站，通過接受基站數(shù)據(jù)，對衛(wèi)星數(shù)據(jù)進(jìn)行修正。衛(wèi)星定位算法利用的是實時信號， 具有開闊場景厘米級別精度、開闊場景精準(zhǔn)定向等優(yōu)點，但對周圍環(huán)境要求較高，對RTK信號依賴較大。高精地圖定位的原理如上圖，對于離線地圖，將其轉(zhuǎn)變?yōu)橥咂貓D，提取車輛所在位置周圍的地圖信息并進(jìn)行體素化，轉(zhuǎn)變?yōu)殡x散化的體素地圖；對于車輛行駛過程中收集的在線點云數(shù)據(jù)，對其特征提取之后進(jìn)行離散化。最后，通過對離線數(shù)據(jù)和在線數(shù)據(jù)的匹配，生成定位結(jié)果。高精地圖定位不依賴衛(wèi)星信號，精度較高，但是具有依賴高精地圖質(zhì)量、依賴車輛周圍環(huán)境等局限。為了使高精定位滿足高精度、高頻低延遲、高可用性、高可靠性的要求，我們將以上兩種定位方法融合使用，產(chǎn)生了融合定位算法。在融合定位算法中，需要同時接收衛(wèi)星定位結(jié)果、高精地圖定位結(jié)果、IMU數(shù)據(jù)和輪速計數(shù)據(jù)，進(jìn)行融合定位和融合測距。融合過程利用了兩種方法：EKF ( Extended Kalman Filter ) 和 ESKF ( error-state Kalman Filter )。融合定位分為預(yù)測和更新兩個步驟：在收到傳感器數(shù)據(jù)前，使用離線信息對車輛位置進(jìn)行預(yù)測，接收數(shù)據(jù)后，利用在線數(shù)據(jù)進(jìn)行定位修整。在實際的行駛過程中，可能會遇到一些特殊情況，如下圖：道路附近樹木或高樓會對衛(wèi)星信號產(chǎn)生一定程度的遮擋，使衛(wèi)星定位產(chǎn)生誤差，而堵車情況導(dǎo)致的行駛環(huán)境，又會使離線抽取的環(huán)境地圖產(chǎn)生誤差。在這種情況下，衛(wèi)星定位結(jié)果和高精地圖定位結(jié)果都不準(zhǔn)確。如何解決這類特殊情況，就是高精定位過程中面臨的困難和挑戰(zhàn)。說明：文章觀點僅供分享交流，不代表焉知自動駕駛的立場，轉(zhuǎn)載請注明出處，如涉及版權(quán)等問題，請您告知（小老虎13636581676微信同），我們將及時溝通處理。
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
