高精地图与自动驾驶(下)

高精地图与自动驾驶(下)

二、高精地图与自动驾驶

谈到高精地图对自动驾驶的作用,可以对比自动驾驶和人类驾驶的流程的相通性。

人驾驶的时候以眼睛为主,耳朵辅助观察测量环境;自动驾驶车用多种传感器包括摄像头、毫米波雷达、激光雷达等来构建驾驶环境。

人可以通过观察环境或用观察的环境对比记忆完成自定位;自动驾驶汽车通过传感器感知到的环境和高精地图对比完成定位。

人类完成驾驶决策主要依靠大脑思考和判断;自动驾驶车通过人工智能和规则完成决策,高精地图在其协助进行路径规划。

最后在控制环节,人是通过小脑运动神经来操控车辆;自动驾驶汽车则需要自动化控制的系统来完成,在这一环节中高精地图的坡度、曲率、横坡等也发挥作用。
在这里插入图片描述
通过以上的分析,高精地图对于自动驾驶的作用也就非常清晰了。
在这里插入图片描述
最重要的当然是高精定位,然后是环境感知辅助(比如把道路上的红绿灯位置做进高精地图中),当然行车路径规划则牵涉到自动驾驶汽车的规划和决策。

此外,在云服务方面,很多时候有一些超视距的路况需要通过云服务来告知自动驾驶汽车,这其实也是可以通过高精地图来发挥作用。

1、高精定位方法

具体到高精定位的方法上,其实是将自动驾驶汽车的环境感知结果与高精地图进行对比,得到车辆在高精地图中的精确位置和姿态。实现高精定位是自动驾驶汽车路径规划的前提条件。
在这里插入图片描述
一类是基于矢量Object的定位:
在这里插入图片描述
一类是基于各种传感器探测到的特征和预制的feature map(特征图)对比来定位。如道路指纹:
在这里插入图片描述
上图实例中可以看到右侧画面中的红线是用GNSS+IMU定出来的轨迹,与车辆行驶的绿色轨迹相比存在较大的误差。

另一个实例是基于RTK级绝对定位:
在这里插入图片描述
较高的绝对定位精度除了可以提高地图匹配的搜索效率,在传感器被遮挡的时候也可能提供一定的备份功能。

2、路径规划

在驾驶决策规划方面,高精地图主要还是解决了自动驾驶汽车的路径规划问题。车辆获得自己在高精地图中的位置后,通过高精地图的车道级拓扑关系,可以计算出车道级导航路径,车道级导航路径则可以为后续自动驾驶汽车避障和后续车辆控制(加速、减速、方向盘控制)提供路径输入。
在这里插入图片描述
上图说明了导航路径规划和用于自动驾驶的车道级路径规划,以及车辆避障之间的关系。车道级路径规划的依据是高精地图,避障部分涉及大量的车辆动力参数,是车企专精的部分。

另外,还与戴姆勒合作,利用千寻的绝对定位服务完成了施工区域、施工人员、车辆的道路安全预警应用DEMO,在基于高精地图的云服务方向做了探索。

三、如何生产高精度地图

1、采集

数据采集需要依靠采集车,采集的设备有几个比较核心的部件,包括激光镭达、IMU(惯导系统)、GNSS、高精度轮速仪以及相机等。
在这里插入图片描述
国外一套成熟的移动激光测量设备,这个设备上有两个高频单线激光镭达、6个摄像头(工业相机)以及一个GNSS天线,还有IMU。

激光镭达是有两个360度激光扫描仪交叉扫描,大大降低了漏扫的可能。

2、生产流程

第一步是户外作业(简称“外业”),也就是使用采集设备对外部环境、道路的数据进行采集。采集设备中IMU(惯导系统)的作用也是非常重要的,它可以告诉你设备当前的姿态。

所有的部件都向IMU标定,当车辆向左晃的时候,所有设备向左晃;当车辆向右晃的时候,所有设备也向右晃。数据拿回来以后,通过IMU的解算,就能把每一个设备采到的东西很准确地对应到激光点云上去。
在这里插入图片描述
外业采回来的数据输出的结果包含高精轨迹、点云、图像。点云采回来以后,会首先做全自动的识别,这个过程采用了深度学习技术。经过全自动识别后,还会有人工的检查和交互式识别补充。

识别工作和编辑工作做完以后,就会进入到质检环节。质检环节通过工具检查、人工检查后,最后还会有路测验证。
在这里插入图片描述
全自动的识别有重要的意义,因为高精地图主要的数据源是激光点云,体积非常大,处理难度大。自动识别让生产效率大幅度提升,否则高精地图的成本也非常高,而这个成本最终会转移到用户身上。自动识别是机器识别,表现更加稳定可靠。

有意思的一点是,大家经常会提自动识别的识别率问题。实际上,对于地图生产厂商来讲,更重要的是识别的准确度和可靠度。
在这里插入图片描述
而车道线的识别其实也是类似,车道线的识别占整个地图生产量的70%

左右,所以在生产高精地图的第一天就用上了交互式的车道线识别。

使用深度神经网络,现在也迁移到点云识别上来。
在这里插入图片描述
大量高质量的训练数据对深度神经网络至关重要。对于深度神经网络的技术本身没有多大差距。

如果你采集了大量的数据去训练神经网络,那么这个网络就会变得越来越聪明。高精地图和图像、点云叠加后即可生成非常好的神经网络训练数据,之后补充标定一些特殊的地物即可。
在这里插入图片描述
目前,基于通过摄像头传感器和深度神经网络训练出来的识别系统,车辆行进过程中可以对路边新增的标牌很好地识别(如上图),系统可以更新地图、重新绘制地图,下一步就是要对传感器采集到的数据进行融合。

四、高精地图的挑战

高精地图的发展本身也是有很多挑战的。

1、高精地图到底长什么样?

现阶段依然取决于车辆传感器,除非真的开发出了不依赖于传感器的高精地图,无论车辆用的什么传感器都能用。未来会有什么变化,现在还未可知。

2、高精地图到底应该更新多快?
在这里插入图片描述
取决于车端的智能程度以及车的承受能力,根据自动驾驶方案的不同,很可能对更新频率的要求也不同。

3、高精地图的绝对精度究竟应该多高?

绝对精度是多少?是否一定要做到亚米级?

4、高精地图的更新手段?
在这里插入图片描述
目前建立的导航地图的更新体系已经非常高效。

有UGC、来自政府的数据、来自行业的数据、自身强大的众包队伍以及专业的采集队伍。现在的更新已经是组合的形式,并且大量使用云计算、大数据去做数据更新的体系。这套体系在自动驾驶阶段会变得更强,图商需要去加强建设这样的体系。

在自动驾驶阶段,高精地图更新的终极方案应该是UGC。

因为在车端装配着各种各样的传感器,也会越来越多地装配高精地图,通过建立驾驶模型,能知道在现场到底什么东西发生了变化,把这些变化传至云端做融合、校正。

可以交由高精地图生产线进行补充采集和生产。经过不断循环这一过程,使高精地图新鲜度越来越高、使UGC得来的高精地图越来越精准。

当然,这样的生态环境需要车厂、各级供应商、图商等自动驾驶相关技术的提供者不断共同研究测试,仅有图商自己测是远远不够的。

5、测绘政策的挑战

对于图商来说,高精地图的一个绕不开的挑战就是测绘政策。

大家都知道,中国的地图是偏转后的地图,对地图本身的偏转,测试来看是没什么太大影响的。

要使用偏转地图,在车端就需要有偏转插件,偏转插件在传统地图上会有随机抖动。根据有限的观察,抖动的幅度最大可达1.7米。如果厂商的定位较多依赖于绝对定位,那么插件的偏转可能导致车道匹配错误。正在密切配合国家地理信息局测试调整可适应自动驾驶需求的偏转插件。

此外,从导航地图到高精地图,内容和形态已经发生了很大的变化。以往,对于导航地图进行审查时,关注的是边界、敏感岛屿以及敏感的POI等等。而到了自动驾驶地图上,这些内容都将消失,审图的重心也会转移。

比如,在现行的法规中,道路的最大和最小曲率不能在地图中表达。而这些内容往往是自动驾驶汽车非常需要的。

还有一个更远的问题,那就是“全民测绘”。现在的汽车、手机其实某种程度上都有测绘的行为,记录轨迹、拍摄照片等等,这些操作都是牵涉到测绘政策问题。所以需要业界同仁共同配合国家地理信息局为调整制订政策法规提出必要的技术和业务参考。

五、实践

从整体产业来讲,自动驾驶行业有空前的复杂性,需要更广泛密切的产业协作。作为图商,更多强调为产业赋能。
在这里插入图片描述
定位是以高精地图数据产品为基础,持续赋能自动驾驶企业,使车企顺利使用测试高精地图,最终配合车企共同实现自动驾驶高精地图云服务。
在这里插入图片描述
为了解决这样的问题,在高精地图上,除了提供矢量数据之外,还提供一些用于测试的应用(比如感知、定位以及车道级路径规划),通过这些应用,希望在云端构建完整的高精地图服务。

高精地图技术复杂,充满着各种不确定性,带来全新的商业模式,又不可避免要导致法律法规变革。构建高精地图生态,依赖整个自动驾驶产业的广泛深入合作才能实现。

相关推荐
©️2020 CSDN 皮肤主题: 深蓝海洋 设计师:CSDN官方博客 返回首页