定位是对于周围环境的感知
通过Feature提取进行环境比对
左侧利用粒子滤波,右侧采用基于车道线的匹配
通过激光雷达、Radar、Camera等硬件检测,深度学习等软件检测都有一些局限性
高精地图可以为这些感知硬件提供辅助,提供先验等
高精地图可分别提供如下功能:
规划:进行长距离规划(道路线级别规划)、短距离规划进行轨迹约束(局部规划)(实时)
预测:预测道路上其他物体可能的行动轨迹,高精地图可提供预测经验
决策:决定车辆的运动,通过前两者的功能,使决策更加准确
主要有如下四个维度的攻击
高精地图提供了一个离线标准,比对过程中可以发现异常
基于高精地图来构建,保证地图的真实性
高精地图为仿真系统提供了最底层的系统结构,让仿真能够真实模拟道路场景
总之,没有高精地图高可靠性的L3/L4自动驾驶无法落地
复杂的地形、复杂的天气、复杂的红绿灯结构等
直接将人理解的经验传给高精地图
由于目前大量计算置于本地,通过高精地图预先提供的数据可以减小检测预测进而减小系统负担
高精地图可提供超过传感器边界的远距离感知
传感器:
通过GPS计算位置,但容易产生误差,故同时会依赖于基站等
通过IMU计算得到的位置会有积累作用
轮速计由于地面交通情况不同会计算不准
激光雷达精度很高
通过不同传感器得到的数据进行综合处理,进行融合校正,得到相对准的结果,最终进行三维重建
下图为简化模型,通过求解预测位置与实际位置的最小来进行最优化
主流有基于激光雷达的和基于Camera的
激光雷达很准确,但语义信息较少;图像的语义信息较多
英伟达实时监测在线生成(计算能力强大)
宽凳科技、DeepMontion纯视觉制图
目前业界通用的为NDS和OpenDRIVE,还有其他格式
NDS考虑内容全面,提供独立升级更新、局部更新、描述功能、比例尺缩放、块划分等内容,规范复杂
道路被切分为很多部分
车道向左向右分别为1、2、3、-1、-2、-3
路口部分要有道路可通行方向
有一个ST的坐标系(基于Reference-line纵向-横向偏移量)
后期被宝马、奥迪、戴姆勒30亿美金收购
地图制作发展早,体系完善
目前已制作一个更新速度比较快,比较完善的云端地图
HERE采集地图的流程
BaseMap—>众包更新—>云端学习—>地图更新下发
HERE的地图采集方案:
HERE的地图更新方案:
HERE的地图学习方案:
HERE的地图格式:
地图分层(Road&Line)
用于定位的信息
动态信息层
司机驾驶习惯层
感知、制图、策略
MobileEye更多使用Camera方案
制图多基于视觉
MobileEye认为基于激光雷达的方案无法做到规模化
道路经验管理:
Mobile众包系统(Road Book)
在终端做语义信息和特征提取再上传到云端,保证数据量小
识别技术:
基于视觉的标志牌识别
基于激光雷达的识别技术
基于神经网络的分类器等
地图更新下发:
相对实时的更新
定位方案:
硬件方案:
左侧窗口用于监测传感器采集状态,防止出现错误
基站搭建:
RTK差分方法,厘米级定位
采集流程:
检测传感器正常—>多次数据采集—>压缩为bag包
制图服务:
校正、视觉图像处理等
生产流程:
主要分为数据采集、数据处理(点云+图像)、元素识别、人工验证
精度要求较高时以点云为主,将点云压成图像,利用图像进行识别
利用深度学习提取道路的相关特征元素
人工将图像没有的相关虚拟信息补上,将相对应的红绿灯与路口进行关联等
数据处理:
元素识别:
人工验证:
最终成果:
最终会生成四种地图
道路元素、路口元素、交通信号元素、逻辑关系元素、其他道路对象
部分约束(如道路边界)为强约束
红绿灯元素会提供位置、关联关系等
通过overlap将元素关联起来
切割方法与OpenDRIVE大致规则一致
left sample:车道边界到中心线距离
left road sample:道路边界到中心线距离
将元素进行归类,通过Overlap关联起来
与标准OpenDrive区别: