|
一． 高精地图 High Definition Map ★ 拓扑地图 Topological Map / Road Graph 1. 传统地图 我们先看下传统地图，这是从百度地图里截出来的图，从这张图我们可以看到很多信息：
但是这些信息对于自动驾驶的车辆来说，到底是不是必要的、准确的或者足够的，那我们继续往下看。 2. 典型驾驶场景 这是一个典型的驾驶场景，假设我们正在驾驶的车辆是后面的白车，可以看到他的前面有辆自行车，那么对于白车来说，他可以有俩个决策：跟车或者变道。那么对于自动驾驶车辆来说, 我们作出决策的前提第一个是要知道全局的路线规划信息，变道后是否还能够到达终点，此外还需要知道很多具体的信息：
自动驾驶车辆还不能够像人一样做出各种复杂的动作，这时需要有一些先验的约束条件，这些信息的话都应该从地图中来。 3. HD Road Map HD Road Graph 也就是高精地图其中的一部分,又叫做拓扑地图。HD Road Graph 以厘米级精度的描述道路细节，主要包含：车道类型、车道连通性、交通标注/交通灯、人行横道、道路几何特征、其他更多语义信息。大家可以看下左边这张图，对里面的每一条路，也就是路级别，我们已经精细到每条车道，包括直行的车道，左转的车道，也包括周边的一些几何信息，总体上你会发现高精地图上的信息要比传统地图大很多。 高精地图在自动驾驶里有很多应用，我们先看一个应用场景：在自动驾驶里有感知系统，那一个典型的应用是我们会在地图里面描述红绿灯的位置，自动驾驶车辆到达路口后，可以根据当前的位置，去正确的识别当前的红绿灯到底是红色还是绿色，左边我们可以看到是一个普通的场景，但是右边这种特殊的场景有几十个红绿灯(现实情况基本不存在, 只是用来举个例子)，对人来讲也很难去知道在哪个路口应该去看哪个红绿灯，那如果我们在离线地图上能够把上面的信息验证准确的话，对自动驾驶的安全性、可靠性来说是起到很大帮助的。 我们再来看下决策规划，刚才提到的一个典型场景，你需要知道一个全局的路径信息，包括变道所需要的必要信息，那对右边来说，这里主要是强调绿化带，我们这里提供的信息，前面有提到过叫做语义信息，我们为什么要在地图里包括这些语义信息呢？如果自动驾驶车辆可以提前知道旁边是绿化带，那么他可以帮助自动驾驶车辆做一些先验的决策，他可以知道在那个时间段不会有人或者车直接从对向车道穿过来。所以从准确性来讲他可以得到很大的提升，对性能来说也会有很大的提升，因为你不需要过多关心对面车道的物体，很明显你的计算就会少，你会发现整个先验信息对决策来说必不可少，并且是非常关键的。 我们再来看下我们当前整体用到的 Pipeline，分为以下几个环节：
这是一个常规的发布流程。现实中整个路网结构是不断往外扩张的，且周围环境会有变化，所以我们也会有增量的更新。 前面简单介绍了整个 HD Road Graph 的 Pipeline，我们来看下 HD Road Graph 里面遇到的问题：
那么如何去解决成本问题？这需要我们在工作中想一些好的方式。
第二个是复杂性带来的挑战，对于我们整个 Data Model 来说会包含三部分信息：
这样的话，决策模块和感知模块才能去准确的使用。
交通管制、环境变化等怎么反馈到 HD Road Graph 上，如果今天某条路修路了，对于人来讲我就可以直接绕过这条路，而这种信息怎么去反馈到自动驾驶里呢？是靠人去反馈，还是系统自动去识别，即使反馈之后，怎么实时更新到地图数据里，我们需要打通 offline 到 online 的环节，及时更新到我们正在运行的自动驾驶车辆里去。 ★ 3D栅格地图 3D Grid Map 1. 3D Grid Map 前面介绍了拓扑地图的部分，下面介绍我们的 3D 栅格地图（3D Grid Map）。 定义：我们认为一个真实的三维世界可以用一个概率模型来表示。比如像今天这个会场，我们会把他离散化成一个个立体方格，对每个方格里面我们会存储一个概率，这个概率是说这个空间不为空的概率。
用途：
这是我们做的一个 3D 栅格地图，他并不是一个连续的描述，从数学的角度讲，已经把他离散化，我们会保留他的一些概率值和一些属性。展现出来的话，他是一个厘米级精度的栅格,从这个图我们可以很清楚看到周围的环境，包括一些树、建筑之类的。 2. SLAM
那么我们一般会怎么去做高精地图呢？在传统上有一个方式叫 SLAM，如果是做这个方向的同学会比较清楚，但是对于做工程的同学来讲这个概念可能是第一次接触。他是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程。目前，SLAM 的应用领域主要有机器人、虚拟现实和增强现实。其用途包括传感器自身的定位，以及后续的路径规划、场景理解。
我们来看下传统和自动驾驶 SLAM 的区别： 传统 SLAM：
自动驾驶：
相比于传统 Slam，我们来看下有哪些问题是需要解决的：
3. Pose Graph
整体上我们可以认为这是一个优化问题。如果我们把每一次采集的路线，按照时间去划分，比如每隔4分钟采一个点，我们可以得到不同的位置，举个例子：我们在大厅里走来走去，我现在站在这里，一分钟后我可能在那里，再绕一圈的话可能站在门口，我们把整个 GPS 得到的位置信息离散化之后，就可以得到一个个点，很明显我们把当时的点所看到的周围的环境直接拼起来，就可能得到一个三维的地图，因为每个点看到的角度都是不一样的，那我们把不同位置的点都拼起来就可以了。但是直接拼起来会有很多问题，因为原始位置可能跟真实位置有偏差, 所以我们把这些点离散化之后，希望能够把所有点都调整到准确的位置，那我们怎么去把最终的结果求正确？因为对整个图来说, 除了顶点之外，还有边，我们希望通过边的约束把点调好，边的约束你可以认为是个相对约束，假设我知道下个点的准确位置，那么我就可以倒推我这个点的准确位置。就是在有准确的相对位置的基础上，加上一些比较少的绝对位置，我们直接可以得到一个全局的准确位置。 优化目标：我们把整个图离散化到一个点之后，我们会尝试建立一些边的约束，最终我们是希望通过优化一些点的位置来满足边的约束，最终会转化为一个优化问题。
整体的数学模型看起来是比较简单的，但是在整个细节里面是存在很多问题需要去做优化的：
上图右边其实是一个例子，左边是原始的图，有一个物体来回在球面上运动旋转，边与边之间我们已经建立相对约束，最终优化完之后，你会发现整个环境的重建就变成了一个比较理想、完整的球体，概括来说我们要做的事情就是需要把左边的图来变成右边的图。 4. ICP
我们前面提到我们要保证边的约束，那我们怎么知道求出这个约束，业界用的比较多的传统的经典算法叫做 ICP（Iterative Closest Point algorithm）迭代最近点算法。 举个例子：左边是一个红色的兔子，右边是一个蓝色的兔子，现实中这俩个兔子的位置是一样的，但现在俩个兔子是不一样的，说明位置存在偏差。他的输入是俩组点云 A 和 B，输出是俩组点云之间在空间上的旋转和平移。 具体算法的思路大致是：找点云集合 A 中的每个点在 B 中的对应点，通过求解最佳的刚体变换，不断的迭代优化，最终得到一个收敛解。 5. 去除非静态障碍物体
这是一个简单的对比图，没有做处理的话，你会发现右边是有一些车的轮廓，当从空间上去除之后，会变得比较清晰。 二． 定位 Localization
接下来简单介绍下定位，定位大家都比较熟悉，对于定位系统和传统定位来说，他的位置和姿态有如下特点：
定位系统的几种定位方式：
特征：
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。
特点：
解决方法：惯性导航系统 Inertial Navigation System
特点：
综合来说，我们单靠单一传感器是不够的，所以采取的是多传感器融合的方案，整体效果是会有更高的精度和更好的鲁棒性，然后我们整体上是基于卡尔曼滤波模型。
简单介绍下卡尔曼滤波（Kalman Filter）模型： 卡尔曼滤波是一种高效率的递归滤波器，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。 我们把整个当时的位置认为是高斯分布，对这个小车来说他大概在某个范围之内，在中间的可能性是最大的，然后我们会有个预测（预测是根据自己的运动方程），比如我往前走了10米，他大概在这个位置，你会发现他的误差值会变大，因为可能是 IMU 告诉你走了10米，但是传感器本身也是有误差的，那同时假设我有个 GPS，告诉我可能是在蓝色的部分，他也是包含一定误差的，这样我其实有了俩个位置，那么我就可以把俩者合在一起得到一个比较准确的可信的结果，整体可以认为卡尔曼滤波是不断的在更新迭代的，来最终得到一个比较准确的位置。
最终我们定位系统的目标是万里无忧，对我们的挑战是更低成本和更苛刻的外部环境。比如右边这个图，大堵车，这时候可能 GPS 不行，堵车堵了几个小时，走走停停，会导致累积误差，实时讯号又不好，你可能搜不到，这样的环境你会发现，他只能看到周围的很多车，也没办法跟周围的环境去做对比，知道自己在哪里，这种情况下，我们到底怎么去得到一个比较准确的定位效果，这需要我们把这些问题都解决好。 |
|
|
