高精度地图

自动驾驶汽车定位技术本书思维导图自动驾驶汽车定位技术概述高精度地图汽车定位技术无线通信辅助定位自动驾驶高精度地图与定位实践自动驾驶汽车定位技术的构成高精度地图汽车定位技术无线通信辅助汽车定位高精度地图定义及其价值高精度地图关键技术高精度地图解决方案高精度地图的分层架构高精度地图对自动驾驶的价值高精度地图行业现状图像识别与处理激光点云处理同步定位与地图构建高精度地图云端服务体系高精度地图采集高精度地图制作与编译高精度地图质量控制与发布卫星定位技术惯性导航定位技术地图匹配定位技术多传感器融合定位技术卫星导航定位系统简介GNSS定位原理GNSS数据误差差分GNSS定位技术惯性导航定位系统简介惯性导航定位系统原理惯性导航定位误差分析地图匹配定位技术简介地图匹配定位系统原理地图匹配常用算法多传感器融合系统简介多传感器融合定位系统原理多传感器融合误差分析多传感器融合算法车联网体系架构及信息共享基于专用短程通信的车联网技术基于蜂窝移动通信的车联网技术车联网辅助汽车定位车联网体系架构车联网的信息交互与共享技术专用短程通信技术基于专用短程通信的车联网蜂窝移动通信技术基于蜂窝移动通信的车联网车联网辅助地图数据的采集与发布室内定位技术高精度地图实践基于Apollo平台的定位实践基于Caffe的交通标志牌识别实验基于PCL的激光点云配准实验Apollo简介与配置GNSS/INS定位实验LiDAR/IMU定位实验多传感器融合定位实验自定义定位实验设计Chapter2高精度地图高精度地图以精细化描述道路及其车道线、路沿护栏、交通标志牌、动态信息为主要内容，具有精度高、数据维度多、时效性高等特点，为自动驾驶车辆的定位、规划、决策、控制等应用提供安全保障，是自动驾驶解决方案的核心和基础。高精度地图定义及其价值高精度地图关键技术高精度地图解决方案本章小结2高精度地图2.1高精度地图定义及其价值高精度地图分层架构高精度地图也称为高分辨率地图（HighDefinitionMap，HDMap）或高度自动驾驶地图（HighlyAutomatedDrivingMap，HADMap）。高精度地图与普通导航地图不同，主要面向自动驾驶车辆，通过一套特有的定位导航体系，协助自动驾驶系统解决性能限制问题，拓展传感器检测范围。普通导航地图高精度地图2.1高精度地图定义及其价值高精度地图主要由静态数据和动态数据构成，其中静态数据包括道路层、车道层、交通设施层等图层信息；动态数据包括实时路况层、交通事件层等图层信息。高精度地图分层架构道路级车道级动态数据自动驾驶辅助数据（加/减速，制动等）导航路网POI背景车道线及车道拓扑交通设施地面标志定位特征路沿&护栏实时路况交通事件2.1高精度地图定义及其价值①精度：普通导航地图一般为米级，高精度地图可达厘米级。②使用对象：普通导航地图面向人类驾驶员，高精度地图面向机器。③时效性：普通导航地图要求静态数据的更新为月度或季度级别，动态数据不做要求；高精度地图要求静态数据为周级或者天级更新，动态数据则要求实时更新。④数据维度：普通导航记录道路级别数据，高精度地图则更为详细，需达到车道级，比如记录车道及车道线类型、宽度等。高精度地图作为普通导航地图的延伸，在精度、数据维度、时效性及使用对象等方面与普通导航地图有着如下不同：2.1高精度地图定义及其价值高精度地图对自动驾驶的价值辅助环境感知辅助定位辅助路径规划辅助控制2.1高精度地图定义及其价值高精度地图行业现状概览国内现状国际现状百度作为国内唯一拥有从采集设备到数据制作全流程自主技术研发能力的高精度地图提供商，其采集车包括全景和高精两类。高德地图采集车包括ADAS和高度自动驾驶两类，HAD采集车车顶配置了2个R三维激光雷达和4个摄像头，相机主要负责采集标志牌等道路元素，激光雷达主要采集边缘线和车道线等道路信息。四维图新企业标准定义的应用于高度自动驾驶（HAD）地图与车端保密插件加密算法研究上取得阶段性成果，成功优化了经过非线性保密技术处理后的自动驾驶地图数据与保密插件处理后的车端定位数据的匹配精度。谷歌作为自动驾驶行业的领军企业之一，利用无人车搭载的360°高速转动的Velodyne激光雷达绘制高精度地图。Here地图从2015年开始致力于高精度地图数据采集，是世界上实现高精度地图覆盖里程最多的企业之一。2017年初，Here与Mobileye达成技术合作关系，使得地图将获得更多实时道路信息。苹果与谷歌类似，其地图数据采集方案也应用了大量的摄像头，同时采用一前一后两个激光雷达倾斜安装的方式，可完整地获取车道线等道路信息高精度地图生产流程：2.2高精度地图关键技术图像识别处理点云识别图像时间戳定位特征图像采集数据存储特征去重特征融合拼接后道路图像特征数据特征识别后的现实道路点云图融合后的道路点云与图像特征数据路网语义地图点云采集定位信息采集图像、时间戳点云、时间戳定位、时间戳点云拼接现实道路点云图建模点云配准原始数据采集地图制作产出AA点云时间戳定位编译与发布道路元素图像处理在高精度地图中，为了给自动驾驶汽车提供道路的拓扑信息、交通约束信息，需要对道路元素进行识别并做语义标注等以便于后期高精度地图的制作。2.2高精度地图关键技术实际道路元素：高精度地图中的道路元素：图像采集图像预处理图像分割边缘检测图像细化特征提取特征参数计算图像识别常用的图像识别与处理流程图像识别与处理道路元素包括交通标志牌、红绿灯、车道线和隔离带等。高精度地图的制作需要对各种道路元素进行图像识别、语义标注等处理。（1）图像采集：通过摄像机等工具采集真实道路环境下的图像，形成数据集。（2）图像预处理：对数据集中的图像进行扩充同时对图像进行标注工作，便于后期进行深度学习训练模型使用。2.2高精度地图关键技术（3）图像分割：将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的过程。（4）边缘检测：找出图像中亮度变化剧烈的像素点构成的集合。（5）图像细化：将图像的线条从多像素宽度减少到单位像素宽度的过程。通过减少图像的像素数来达到压缩图像的目的。（6）特征提取：将数据集中的每一幅图像输入到深度学习模型中，在特定的卷积层中提取图像的深度学习特征，便于图像识别工作。（7）特征参数计算：参数计算对卷积神经网络（ConvolutionalNeuralNetworks，CNN）来至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都决定最终输出模型与参数、计算复杂度等。（8）图像识别：将任意一幅待识别的图像输入到深度学习训练模型中，提取样本的深度学习特征并对图像进行识别，判断该图像中的物体属于哪个类别并显示识别物体的准确率。2.2高精度地图关键技术自动驾驶在进行图像识别时对实时性要求很高，同时又要求保证识别的准确率，因此在图像识别算法的选取上要兼顾准确率和速度，而对于交通标志牌识别来说，一般利用基于深度学习的图像识别算法进行标志牌的识别工作。下面将对几个常见的算法进行简单的介绍。（1）FastR-CNN特征提取阶段提出了感兴趣区域的网络层，将卷积特征采样到统一维度在进行分类回归。分类回归阶段生成候选框，通过卷积神经网络提取图像特征，之后用支持向量机对目标进行分类。边框回归阶段得到待检测目标的具体位置。2.2高精度地图关键技术（2）Faster-RCNNFaster-RCNN最大的创新点在于设计了候选区域生成网络（RegionProposalNetwork，RPN），并在其中设计了“多参考窗口”的机制，将选择性搜索或边框等外部目标建议检测算法融合到同一个深度网络中实现；同时Faster-RCNN将候选区域生成、特征提取、候选目标确认和包围框坐标回归均统一到同一个网络框架之中，使得综合性能有较大的提高。（3）R-CNN用卷积层替代“FastR-CNN”中的全连接层，使得ROI能够共享卷积计算，其计算速度较“FastR-CNN”有了大大提高.（4）OHEM可筛选出训练小样本集（Mini-batch）时产生的有较大损失值的ROI作为下一次训练的样本，并去除重合率比较大的ROI来改善训练的网络参数，提升模型的性能。2.2高精度地图关键技术（5）MaskR-CNN第一步，提取目标对象的候选框第二步，本质上就是“FastR-CNN”，它使用来自候选框架中的“ROIPooling”层来提取特征并进行分类和边界框回归（6）SqueezeNet简化网络复杂度的同时保证识别精度降低CNN模型参数数量（7）Yolov3Yolov3采取深度残差网络作为其基础网络的构建模块，深度残差网络能更好的进行深层次的特征提取，而更深层次的特征有利于提高图像识别的准确率采取多尺度特征图进行预测，对于检测不同尺寸的目标的适应能力更强。2.2高精度地图关键技术激光点云处理激光点云由于其精度高，数据特征描述准确等特点，其处理技术广泛地应用于自动驾驶中。在高精度地图制作中，通常使用激光雷达扫描获取点云数据，进而重建三维道路环境，并利用重建好的三维环境进行道路要素特征的提取与识别，准确地反映道路环境并描述其道路环境特征，准确表述道路环境特征，得到高精度点云地图。同时，其处理后的激光点云数据能够与图像数据进行映射或融合处理，得到信息更加丰富的彩色激光点云地图，为人工检测与修订提供充分的数据基础。2.2高精度地图关键技术目标识别高精度测距激光点云特征提取激光雷达获取的原始数据集以激光点云文件形式进行存储。点云文件包含物体表面的离散点集、法向量、颜色或标签等基本信息，但缺少物体的曲面、体积以及各顶点间的几何拓扑等信息。为了描述道路环境的几何特征，需要对点集数据进行特征提取。特征向量特点：平移旋转不变性、抗密度干扰性及抗噪声稳定性等。点云特征按空间尺度分为局部特征和全局特征两种类型；局部特征：法线、点特征直方图、快速点特征直方图、方位直方图特征和3D形状描述子等几何形状特征描述。全局特征：一般为拓扑特征描述，拓扑特征描述难以捕捉细节且对物体遮挡敏感2.2高精度地图关键技术激光点云法向量法向量作为激光点云数据重要的局部特征，能够对散乱激光点云的局部进行有效的描述并为其他激光点云处理技术提供支撑。激光点云法向量的计算方法有很多，通常来说有两种解决方案：其一，使用曲面重建技术，从获取的激光点云数据集中得到采样点对应的曲面，然后从曲面模型中计算表面法向量；其二，直对激光点云数据集进行法向量估计。激光点云法向量2.2高精度地图关键技术激光点云配准算法繁多，主要分为粗配准以及精配准两种。粗匹配：用于两片激光点云初始位置误差较大的情况下快速取得两片激光点云的转换关系，输出精度不高。精匹配：适用于初始位置误差较小的情况下对两片激光点云的坐标进行精准的计算，输出精度高。激光点云配准高精度地图的制作需从采集并处理后的道路环境激光点云中提取如标志牌、交通灯以及防护栏等多种道路元素的坐标与正确的几何参数。事实上，在激光点云数据的采集过程中，由于采集角度有限，可能需要从道路的多个方向进行多次采集，以保证采集数据的可靠性和完整性。此外，由于在采集车辆的运动过程中，采集到的激光点云数据会包含误差，进而不能准确地描述道路三维环境。因此，我们需要利用激光点云配准技术将从各个视角下采集到的含有误差的激光点云通过旋转平移，消除误差并统一到同一坐标系下，还原道路的三维环境。2.2高精度地图关键技术精配准算法举例——迭代最近点（ICP）算法ICP算法运行结果示例图2.2高精度地图关键技术目标激光点云（目标点云）为需要配准的对象，源激光点云（源点云）为参考对象。二者为同一个物体的三维激光点云描述，但因二者坐标位置不一致，出现重影。算法运行的初始阶段，二者间的坐标位置相差较大，随着算法的迭代次数增加，二者的坐标误差越来越小，重合度越来越高，最终二者完全重合，实现配准。{|1,2,3,...,}iSims{|1,2,3,...,}jDjnd假设源激光点云数据集：目标激光点云数据集：其中S表示源激光点云数据集，D表示目标激光点云数据集，m和n分别表示各激光点云数据集大小，m=n。2.2高精度地图关键技