|
導(dǎo)讀：高精地圖和定位是自動(dòng)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(huì)直接影響其它模塊的功能，進(jìn)而決定整個(gè)自動(dòng)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(diǎn)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(lái)總結(jié)，高精地圖就是：車道級(jí)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(diǎn)云地圖，它使用稠密的點(diǎn)云來(lái)模擬現(xiàn)實(shí)車道環(huán)境，并通過(guò)標(biāo)簽來(lái)標(biāo)記特殊點(diǎn)云，反映特殊道路標(biāo)識(shí)等。接下來(lái)，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(shì)和生成過(guò)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(qiáng)大的計(jì)算和規(guī)劃能力，傳統(tǒng)導(dǎo)航地圖的精度和功能對(duì)我們完全足夠，但對(duì)于電腦操縱的無(wú)人駕駛車輛，就需要更高的精度。- 車道線類型（白虛線/白實(shí)線/黃虛線/黃實(shí)線）
- 車道鄰接信息（左車道/右車道/分叉車道/并道車道）
高精點(diǎn)云地圖的原理，是使用大量包含道路信息的點(diǎn)組成稠密的點(diǎn)云，模擬出道路環(huán)境，如下圖：對(duì)于一些特殊的道路標(biāo)識(shí)（例如紅綠燈、指示牌等），會(huì)給對(duì)應(yīng)的點(diǎn)打上特殊的label（標(biāo)簽）來(lái)表示，如下圖：高精地圖是感知、預(yù)測(cè)、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(shí)別、車道線識(shí)別和障礙物識(shí)別是感知模塊的三個(gè)基本任務(wù)。在紅綠燈識(shí)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(shí)候才用深度學(xué)習(xí)去識(shí)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(bào)漏報(bào)；在車道線識(shí)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(shí)別做的更好；在障礙物識(shí)別任務(wù)中，高精地圖可以輔助更加精確地識(shí)別當(dāng)前車道前方障礙，比如前方車輛，這對(duì)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(duì)道路上其他車輛的軌跡預(yù)測(cè)，例如如果前方某輛車行駛在實(shí)線車道內(nèi)，可以預(yù)測(cè)該車輛的變道可能性很??；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(cè)車輛有可能駛出高速等。通過(guò)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(shí)現(xiàn)對(duì)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(yùn)用于高精點(diǎn)云地圖，如上圖，白色的部分為離線生成的點(diǎn)云地圖，藍(lán)色的部分為實(shí)時(shí)采集的車輛行駛位置數(shù)據(jù)，通過(guò)將二者相匹配，實(shí)現(xiàn)對(duì)車輛更加精準(zhǔn)的定位。生成高精地圖的過(guò)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(cè)量單元）、輪速計(jì)、激光雷達(dá)點(diǎn)云以及攝像頭圖像。其中，GNSS可以提供車輛的絕對(duì)坐標(biāo)，IMU和輪速計(jì)可以提供車輛的相對(duì)位置信息，激光雷達(dá)點(diǎn)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(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)抽取、時(shí)間對(duì)齊、圖像去畸變和點(diǎn)云去畸變等過(guò)程。時(shí)間對(duì)齊可以將所有所得數(shù)據(jù)統(tǒng)一到同一時(shí)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(diǎn)云去畸變可以減少激光雷達(dá)轉(zhuǎn)動(dòng)帶來(lái)的誤差。之后，利用深度學(xué)習(xí)的方法對(duì)數(shù)據(jù)進(jìn)行語(yǔ)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(duì)每一幀的點(diǎn)云數(shù)據(jù)進(jìn)行位姿優(yōu)化，使疊加后的點(diǎn)云數(shù)據(jù)更準(zhǔn)確。優(yōu)化過(guò)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(diǎn)云疊加，生成高精點(diǎn)云地圖。在高精點(diǎn)云地圖的基礎(chǔ)上，還可以通過(guò)建立好的車道線模型，自動(dòng)生成高精拓?fù)涞貓D。最后，為了提高地圖的實(shí)用性，需要進(jìn)行人工驗(yàn)證，為地圖增加車道線和道路分隔線等。高精地圖的生成過(guò)程中，由于道路情況千差萬(wàn)別，會(huì)帶來(lái)很多困難和挑戰(zhàn)，例如長(zhǎng)隧道的生成。上圖中，左圖是一張長(zhǎng)隧道的道路圖像，在隧道中，GNSS信號(hào)較弱，駛出隧道時(shí)，GNSS信號(hào)也會(huì)有很大的跳變，所以，收集的數(shù)據(jù)會(huì)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(diǎn)云地圖。在自動(dòng)駕駛的過(guò)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(lái)將分別介紹這三種方法的實(shí)現(xiàn)和特點(diǎn)。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(gè)衛(wèi)星的信號(hào)，通過(guò)對(duì)該位置和各個(gè)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(hào)的過(guò)程中，會(huì)受到電離層和對(duì)流層的影響，產(chǎn)生時(shí)延等誤差，導(dǎo)致米級(jí)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(guò)尋找離當(dāng)前位置較近的、已知精確位置基站，通過(guò)接受基站數(shù)據(jù)，對(duì)衛(wèi)星數(shù)據(jù)進(jìn)行修正。衛(wèi)星定位算法利用的是實(shí)時(shí)信號(hào)， 具有開(kāi)闊場(chǎng)景厘米級(jí)別精度、開(kāi)闊場(chǎng)景精準(zhǔn)定向等優(yōu)點(diǎn)，但對(duì)周圍環(huán)境要求較高，對(duì)RTK信號(hào)依賴較大。高精地圖定位的原理如上圖，對(duì)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(duì)于車輛行駛過(guò)程中收集的在線點(diǎn)云數(shù)據(jù)，對(duì)其特征提取之后進(jìn)行離散化。最后，通過(guò)對(duì)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(hào)，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(shí)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(jì)數(shù)據(jù)，進(jìn)行融合定位和融合測(cè)距。融合過(guò)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(cè)和更新兩個(gè)步驟：在收到傳感器數(shù)據(jù)前，使用離線信息對(duì)車輛位置進(jìn)行預(yù)測(cè)，接收數(shù)據(jù)后，利用在線數(shù)據(jù)進(jìn)行定位修整。在實(shí)際的行駛過(guò)程中，可能會(huì)遇到一些特殊情況，如下圖：道路附近樹(shù)木或高樓會(huì)對(duì)衛(wèi)星信號(hào)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(huì)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(guò)程中面臨的困難和挑戰(zhàn)。說(shuō)明：文章觀點(diǎn)僅供分享交流，不代表焉知自動(dòng)駕駛的立場(chǎng)，轉(zhuǎn)載請(qǐng)注明出處，如涉及版權(quán)等問(wèn)題，請(qǐng)您告知（小老虎13636581676微信同），我們將及時(shí)溝通處理。
|
