北京渡众机器人——低速自动驾驶车的建图与定位

2021-05-26 11:13 作者:渡众机器人 0人读过 | 我要投稿

北京渡众机器人科技有限公司自主研发设计的低速自动驾驶车DZ30搭载激光雷达、深度相机、GNSS、陀螺仪、轮速计等多传感器融合构建高精地图。

北京信息职业技术学院高精地图示例

矿区非结构化道路高精地图构建示例

地上、地下场景构建高精地图示例

（支持地下车库、走廊、楼梯建图）

一、低速自动驾驶车的地图构建

1、为什么需要构建高精地图？

‍‍‍‍‍‍‍‍‍‍ 高精地图在自动驾驶中的作用主要有三个：第一是定位，这是整个自动驾驶里面最核心的东西；第二是决策，能够对路况提供更多的信息；第三是导航，导航可以准确知道车的位置。

换句话说，高精地图是自动驾驶成为现实中的关键一环，精准的地图对自动驾驶汽车定位、导航与控制，甚至安全至关重要。其中，高精地图中最重要的是对路网精确的三维表征（厘米级精度）。例如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，车载机器人就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来精确确认自己的当前位置，还能帮助自动驾驶汽车识别车辆、行人及未知障碍物。拥有了高精地图，自动驾驶车辆就等于开启了上帝视角，车辆的安全性也提高了。

2、高精地图的特点

高精地图也称自动驾驶地图、高分辨率地图，是面向自动驾驶汽车的一种新的地图数据范式。高精地图可以分为两个层级：静态高精地图和动态高精地图。

静态高精地图处于底层，它一般由含有语义信息的车道模型、道路部件（Object）、道路属性三类矢量信息，以及用于多传感器定位的特征图层构成。

动态高精地图则建立于静态高精地图的基础之上，它主要包括实时动态信息，既有其他交通参与者的信息（如道路拥堵情况、施工情况、是否有交通事故、交通管制情况、天气情况等），也有交通参与物的信息（如红绿灯、人行横道等）。

高精地图的高精度体现在两个方面。一是高精地图的绝对坐标精度更高；二是高精地图所含有的道路交通信息元素更丰富和细致。普通的导航电子地图，由于是辅助驾驶员做导航使用，其绝对坐标精度在10米左右就够用。而在自动驾驶领域，自动驾驶车需要精确得知道自己在路上的位置。车辆与马路牙子、旁边的车道距离通常仅有几十厘米左右，因此高精地图的绝对精度要求都在1米以内，而且横向的相对精度（比如车道和车道，车道和车道线的相对位置精度）往往还要更高。

此外，高精地图还有准确的道路形状，还包括每个车道的坡度、曲率、航向、侧倾的数据；每个车道的限速要求、推荐速度；隔离带的宽度、材质；道路上的箭头、文字的内容、所在位置；红绿灯、人行横道等交通参与物的绝对地理坐标，物理尺寸以及他们的特质特性。以上信息也都需要准确的反映在高精地图中。

（2）常见的高精地图的数据组织方式

一般而言，电子地图是通过不同的图层去描述，然后将图层叠加来进行表达。在一张电子地图里，水系、铁路、街区、建筑物可能会分别位于不同图层，每一个图层可以理解为一张透明薄膜 ,多图层被绘制叠加后才能真正为我们所用。

道路地图是对实际道路进行反映，通过特定的图层来描绘特定类别，然后将图层叠加进行路面表达，终端上显示的导航地图往往都是由10多层甚至20多层不同分辨率的图片组成，当用户进行缩放时，程序根据缩放级数，选择不同分辨率的瓦片图，拼接成一幅完整的地图，高精道路地图也是如此，只是它在普通电子地图基础上包含了更多图层的数量，且每一图层的描绘更加精细。整体而言，目前的高精地图可以分为三个大的图层。

地图图层，主要是记录道路的详细描述，比如道路边缘，道路模型、车道模型并以厘米级的高精数据精准呈现信息；

定位图层，包括交通标志、地面标志、灯杆等，记录的内容包括绝对的坐标、属性、几何轮廓等，用来和其他车辆传感器感知结果匹配，推算车辆位置。

实时图层，通过云服务平台将动态实时信息传达给自动驾驶车，让车辆提前预知前方出现的可能影响驾驶策略的情况。

高精地图信息可分为道路信息、规则信息、实时信息三部分。道路信息包含车道模型、道路部件、道路属性三部分，为自动驾驶汽车提供决策基础。而规则信息与实时信息则是在道路信息之上的叠加，包含对驾驶行为的限制以及从车联网获取的实时道路信息。

高精地图内涵丰富，但实际使用的时候并非无所不包。以自动驾驶汽车需求为导向，与导航地图相比，高精地图不包括具体地点属性和信息、障碍物属性、建筑模型，只需关注车辆行驶道路及其周边场景，其余场景如公园、商场、景区等地图信息不在高精地图的考虑范围之内。

3、构建点云地图

（1）多传感器融合技术构建高精地图。以激光雷达为主要传感器，点阵云扫描，再辅助摄像头的采集图像融合在一起，然后利用计算机把这里面的物体信息读出来，比如红绿灯、路牌名称、灯柱位置等，然后在交给人工做标注，因为有一些可能是机器识别不出来的，最后才能合成到最终版的高精地图。

基于多传感器融合技术可构建室内、室外，以及室内室外无缝切换的高精地图场景。可应用工厂、医院、学校、露天矿、结构化道路等典型场景，也可应用于楼道、长廊、楼梯、地下室、矿井等gnss信号弱的情况下也可以实现高精建图。

（2）高精地图可以众包，来实现数据的实时更新，提高准确度。动态高精地图的本质是实时交通数据信息的时空载体，众包数据是高频更新的核心。众包更新能够将地图更新的时间压缩到分钟级，高精地图实时构建与动态信息观测采集，构建起未来智能网联汽车数据生态系统。

高精地图模型分为四个图层，每个图层更新的频率不同，可以支持不同功能应用场景。图商采取分级采集的方案，满足高精地图不同图层的更新需求，主要包含如下几种采集方案：

专业采集：通过高精地图底图，每月更新一次，其精度为10cm；

行业众包采集：其地图更新、施工、交通管制信息等按照每小时更新，精度50cm左右；

社会众包采集：包含基于底图坐标的实时更新、车流量、人流量、天气等。按照每分钟/每秒更新一次，精度米级；

地图基础建图中有多种方法。其中，GPS 导航适合于室外空旷驾驶道路中的移动车辆，在封闭场景（如隧道、山路等）中 GPS 的信号较弱，无法用于移动机器人的定位导航。惯性导航主要是依赖惯性测量单元和轮式编码器来构建一个惯性里程计，增量式地确定移动车辆的位置。惯性里程计一定程度上能够满足机器人自主定位的需求，且不需要额外的对环境进行改造，但由于惯性传感器和轮式编码器都存在漂移的问题，且漂移误差会随着时间累积，一段时间后车辆就无法准确确定自己的位置。为了能够实现车辆在未知的道路环境中准确的定位，SLAM 问题就这样被提了出来。

其中SLAM 技术作为一种即时定位与地图构建方法，作为移动车辆实现自主定位与导航的核心，它要求自车在一个未知的环境中在不知道自己位置的先验信息的情况下，增量式构建具有全局一致性的地图，同时确定自身在这个地图中的位置。这一过程是通过车身传感器来获取周围环境的信息，依靠这些信息一边确定自车的位置，一边构建环境的地图。目前 SLAM算法常用的传感器有激光雷达和相机，分别对应了激光 SLAM 算法和视觉 SLAM算法。

4、高精地图作用

高精地图主要有以下三大功能：地图匹配、辅助环境感知和路径规划。高精地图可以将车辆位置精准的定位于车道之上、帮助车辆获取更为准确有效、全面的当前位置交通状况并为无人车规划制定最优路线。

（1）地图匹配：由于存在各种定位误差，电子地图坐标上的移动车辆与周围地物并不能保持正确的位置关系。利用高精地图匹配则可以将车辆位置精准的定位在车道上，从而提高车辆定位的精度。

（2）辅助环境感知：这个在自动驾驶中非常重要，不同的传感器都有其自身的优势和劣势，例如摄像机在弱光及高对比度光线条件场景下很难捕捉足够的视觉信息；激光雷达在雾气/雨滴/雪花/汽车尾气/反射等场景下容易形成虚假点；毫米波雷达在通过隧道、大桥等场景下雷达探测可信性降低。自动驾驶因其问题复杂度高、安全第一等特性，需要依靠多种传感器数据的相互融合来提高感知效果。

（3）路径规划：为了让无人驾驶车在行驶过程中能够及时、准确地对其他车行为作出反应，保证行驶的舒适性与安全性，算法需要对其他车的行为与路径作出相对准确的预测。对于提前规划好的最优路径，由于实时更新的交通信息，最优路径可能也在随时会发生变化，此时高精地图在云计算的辅助下，能有效地为无人车提供最新的路况，帮助无人车重新制定最优路径。

• 自动切换车道

• 对行驶较慢车辆的自动超越

• 智能设定巡航车速

• 匝道的自动驶入和驶离

比如：在无人驾驶车经过一些坡道时，高精地图里因为有坡道的信息，也能让车辆尽早做好速度规划。或者，当你要经过一个弯道时，高精地图可提前为无人驾驶车提供弯道的曲率信息，让无人驾驶车可以规划好最适合弯道的拐弯速度。通过高精地图查询到前方右侧有辅路入口或者车道合并的情况，那么该处出现的车辆就很有可能会作出向左变道或加速并入等动作。根据左右车道线虚实情况，也可以更好的帮无人驾驶车判断旁边车辆加塞的可能性，这个对于匝道的驶入和驾离更符合自然驾驶人的行为，而不是按照通常的做法，提前2公里就进入右边通道，但是由于右边的大货车又比较多，这样行驶速度非常慢，让人非常不爽。通过高精地图，综合决策可以更像一个老司机的操作，可以根据实际的车流情况，选择合适的时机进入右边通道，既不太慢，又不至于太快到路口才并入。

二、自动驾驶车辆如何定位

1、自动驾驶定位的特点

对于定位系统和传统定位来说，自动驾驶车辆的位置和姿态有以下特点：

◆ 厘米级别的精度，需要精确到车在车道线的具体位置，例如距离左右边线几公分。

◆ 高频低延迟，需要毫秒级别的时间延迟，实时传输车的位置，否则会出现安全事故。

2、定位方式

（1）全球导航卫星系统特点：米级别精度、低频、干扰或者遮挡

解决方法：RTK（Real - time kinematic，实时动态）载波相位差分技术，可以达到厘米级别。

（2）相对定位：惯性测量单元特点：加速度以及角速度、三个方向的加速度计和三轴的陀螺仪、高频（通常100HZ）累积误差。

解决方法：惯性导航系统

（3）点云定位：鲁棒性好，不依赖于 GPS 信息。依赖于先验地图，地图的准确性和实时性可能会导致定位误差。

需要解决：弱特征环境。比如说在桥上，往前开10米和往后开10米看到的场景都是类似的，对于这类环境来说，如何去找到准确位置，这是必须考虑的问题。

3、多传感器融合定位

综合来说，靠以上单一传感器定位是不够的，所以采取多传感器融合定位的方案。车辆通过摄像头、毫米波雷达、激光雷达等设备获取周围环境信息，实现感知；将周围场景信息与高精地图进行比对，确定车辆相对位置，并通过GNSS、RTK 定位、惯性导航系统确定自身姿态、速度和绝对位置，共同实现自我感知。感知信息进入决策层，算法将依据高精地图、车联网技术提供的多维度信息对具体驾驶问题做出判断、输出车辆控制信号并交给执行层执行。

渡众机器人DZ30激光雷达点云匹配的定位方案：一方面，车载激光雷达扫描获得点云数据，并提取数据中包含的环境特征；另一方面，车辆从“ GNSS + RTK + IMU ”定位组合中获得车辆位置的预测值，从高精地图中获取该位置附近的环境特征，之后将扫描识别的环境特征与高精地图记述的环境特征做匹配融合，获取车辆当前场景下精确的位置信息。

高精定位方案中，共有三部分相互重叠的定位子系统：卫星定位，包括RTK 定位技术、地基增强网络等；航位推算引擎，包括 IMU 、车身里程计、以及车辆控制系统的总线信息；基于高精地图的相对位置。三部分之间信息相互耦合，结果相互冗余，从而保证定位的精度和可靠性。