vo在自动驾驶中的应用

观看高翔博士的视频，了解vo在自动驾驶中的作用 

一、高速VO/LO的一些讨论

 

 

 

 

 小节：

1、VO（visual odometry）指的是视觉里程计，作用是通过两帧相邻的图片来估计机器人的位姿变化。

VIO 使用 视觉里程计（Visual Odometry） (opens new window)从相机图像中估计机身姿态，并结合机身IMU的惯性测量（以校正因不良的图像捕获导致的机身快速移动的错误）。

2、相对定位的实现比较低廉，仅仅通过相机+IMU就可以实现。我的思路是通过传感器获取相对位置后再对车辆进行控制达到保持、追踪、泊车等功能。

3、IMU：一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值，IMU在实际的应用中，容易受到震动的影响，如一些不太平整的路面，或者是发动机的震动等，这些会对IUM的精度产生影响。

4、绝对定位的实现比较昂贵，在目前的自动驾驶中，从某一处到达另外一处，其中的路线是规定死的，因此绝对定位必须要高精度，其中误差在十公分左右。最大误差在三十公分作用，常用组合为RTK+IMU。2018年之前，行业以外的人士对 RTK 知之甚少，很多人都不相信通过 GNSS 可以做到厘米级定位。

5.RTK 摘自RTK 自动驾驶之锚 (baidu.com)

在智能驾驶迅猛发展的最初几年里，我们往往可以见到车辆上高耸的激光雷达和白色的天线。白色的天线，是组合定位系统的一部分，即 RTK 天线。有的车型装备有一根用于高精度定位；有的车型安装两根，如福特，可以实现定位+定向；更有甚者如 Cruise，安装了更多，那就实现了定位+定向+定姿。

从智能驾驶诞生的第一天起，我们就可以看到高高的测量天线。智能驾驶和 RTK 本就不可分割。我查阅了早期所有大厂的智能驾驶原型车，无论是Google、Cruise、福特、通用、大众、奥迪、宝马等等，两个设备一开始就必不可少：一个是 RTK、一个是激光雷达。Cruise 的原型车上居然装了三个测量天线，意味着使用了 GNSS 计算姿态。可以说，除了特斯拉，没有人不用。上述公司的供应商，绝大部分不是来自天宝，而是来自卡尔加里的诺瓦泰。

究其原因，一方面，RTK 可以记录轨迹、用于优化控制算法。另外一方面，RTK 作为一个测量技术，有着机器视觉无可比拟的可靠性优势。虽然 RTK 里面也有估计算法，但是 RTK 有一个最佳 CP：IMU。对于一段端到端的全场景路段，RTK 的固定率大概在60%~70%左右，但是有了 IMU，可以将亚米级定位提高到90%~95%。

感谢黄仁勋给了 RTK 大约5年的黄金发展时间，于是有人把 IMU 的成本从大几万干到了大几百，也有人把 RTK 接收机的成本从小几万到了两三百。而 RTK 的服务费，整个生命周期还不知道有没有两百块。

打一个不恰当的比方：

使用 FSD 像刚到重庆的外地人，在盘龙立交开车，而且手机还没电，只能是走到哪里算哪里。

而 RTK+高精度地图，相当于你请了一个闭着眼睛都能开过去的老司机，妥妥的降维打击。

前段时间，我和一个从2015年就开始做深度学习的大神聊起智能驾驶的未来。他说他依然悲观，所以他选择离开汽车行业。

从宁波高架的那件事故来看，我们可能从根本上无法解决视觉估计的长尾效应，也无法承担这种可靠性问题带来的后果，函数拟合的再好，也不是真实世界的客观反应。

然而，我却依然乐观。

智能驾驶一直是一个限定场景的系统工程。既然波音和空客能把飞机造好，我们就没有理由做不好智能驾驶。要避免的，是特斯拉只依靠机器视觉的理念。大千世界，无奇不有。就算是人类司机开车，也不能只依靠视觉。现在国内路网的复杂程度，不是看路牌就能开到目的地的。如果「估计」不能反映客观环境，那我们还有测量手段。RTK 测量就是智能驾驶的锚，一个能在地图上找到安全位置的锚。虽然他不能直接告诉我们可通行空间，但是他至少能告诉我们：从哪里来，到哪里去（全局路径规划），也能告诉我们哪些地方不能去（不可通行空间）。搭建一个包含 RTK 的鲁棒系统，至少可以让冲撞隔离带这种莫名的悲剧不再发生。

5、很多公司都是用绝对定位来做泊车或者保持等功能。但是要知道相对定位的实现成本低并且一直有效，不依赖外界。

 6、RTK+IMU+高精度地图，定位就会很准确，视觉里程计只需要一个摄像头，定位会出现累计误差。

 7、一些应用：高速公路自动驾驶，跑高速路段，相对定位就已经基本足够了，识别车道线并沿着到车道线跑等等，但是要下高速时，走匝道，或者是走立交，还是需要依赖高精度地图，知道自己的位置，往哪个方向走，因为相对定位可能存在一些匝道无法感知到的现象，比如有四条路，只能感知识别到三条，第四条刚好是下高速的，就无法仅仅通过相对定位实现。

8、自动驾驶的一些实现方法：拿VIO做odometry，拿视觉车道线和高精度地图做一个匹配来进行高精度定位这样一个比较低成本可以量产的方式做自动驾驶。

 

 集成的比较好，方便做后续开发，如做语义slam，不需要修改内部的程序。不足是三个模块耦合性比较高，内部修改不方便，如果想做VO方面做自己的东西，自己重新写更好。适合用在纹理比较多的场景，纹理较少的场景容易跟丢。

 

 多传感器融合优势体现在传感器的互补，如一些场景中RTK失效，但是此时IMU是没问题的。

 

 深度学习的VO虽然特征点提取的效果和匹配比传统的更好，但是其仅能在特定的场景中实现，没有通用性，如自动驾驶中的Deep VO应用在室内，效果并不会理想。