无人驾驶实践进阶——高精地图
文章目录
- 无人驾驶实践进阶——高精地图
- 高精地图应用场合
- 高精地图概述
- 定义及要求
- 与导航地图区别
- 与其他模块间关系
- 核心模块
- 定位模块
- 感知模块
- 规划、预测、决策模块
- 安全模块
- 仿真系统
- 高精地图作用
- 静态的Perception
- 弥补系统性的缺陷
- 高精地图的采集生产
- 高精地图采集
- 计算模型
- 制图
- 高精地图格式规范
- NDS
- OpenDRIVE
- 业界的高精地图
- HERE地图：
- HERE地图制作
- MobileEye
- 技术分层
- TomTom
- 相关技术
- 百度Apollo
- 地图采集
- 地图生产
- Apollo高精地图
- 表征元素
- 车道模型
- 路口模型
- 坐标系
- Apollo OpenDrive
- Overlap
- HDMap Engine
- 政策问题
- 目前成果
无人驾驶实践进阶——高精地图
高精地图应用场合
下图0-6为自动驾驶六个等级
L3以下不需要高精度地图
高精地图概述
定义及要求
无准确定义
与导航地图区别
与其他模块间关系
核心模块
定位模块
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
感知模块
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
规划、预测、决策模块
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
安全模块
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
仿真系统
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
高精地图作用
静态的Perception
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
弥补系统性的缺陷
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
高精地图的采集生产
高精地图采集
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
计算模型
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
制图
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
高精地图格式规范
目前业界通用的为NDS和OpenDRIVE，还有其他格式
NDS
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
OpenDRIVE
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）
业界的高精地图
HERE地图：
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地图制作
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
MobileEye
发展比较早，技术积累雄厚，早期做辅助驾驶
技术分层
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
发展比较早，披露的信息较少
TomTom
相关技术
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：
百度Apollo
地图采集
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
地图生产
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
Apollo高精地图
表征元素
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
车道模型
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
路口模型
分为真实路口和十字路口
坐标系
UTM坐标系
84坐标系
Tracking坐标系（ST）
Apollo OpenDrive
将元素进行归类，通过Overlap关联起来
与标准OpenDrive区别：
- 元素形状的表达方式 ：Apollo OpenDrivc采用绝对坐标点序列描述边界形状(OpenDrive使用Reference Line加偏移的方程描述)
- 元素类型的扩展：新增了对于禁停区、人行横道、减速带等元素的描述
- 扩展了对于元素之间相互关系的描述：比如新增了junction 与junction内元索的关联关系
- 其它：增加了车道中心线到真实道路边界的距离，停止线与红绿灯的关联关系
Overlap
描述空间两个元素的空间关系
HDMap Engine
自动检索特征的引擎
政策问题
目前成果
地图覆盖
产品应用
