High-Precision Maps
高精地圖是無人駕駛核心技術之一，精準的地圖對無人車定位、導航與控制，以及安全非常重要。
本文是「無人駕駛技術系列」探討其中的一篇，首先介紹高精地圖與傳統地圖的區別，然後介紹其特點及製作過程。在瞭解高精地圖基礎知識後，探索其在無人駕駛場景中的應用。
電子地圖分類
我們日常使用的用於導航、查詢地理資訊的地圖，都屬於傳統電子地圖，其主要服務對象是人類駕駛員。而與傳統電子地圖不同，高精度電子地圖的主要服務對象，是無人駕駛系統。本節討論兩者的不同。
傳統電子地圖
如圖1所示，我們日常使用的用於導航、查詢地理資訊的地圖，如 Google、蘋果地圖等，都可以併入傳統電子地圖。儘管電子地圖出現還不到一百年，對傳統地圖的研究和開發，已有幾千年歷史，併發展出「製圖學」（古稱堪輿學）這一門學科。在製圖學的基礎上，電子地圖的出現極大提高了檢索效率，並且能快速查找最優路徑，極大方便了人們出行。
圖1 傳統電子地圖
傳統電子地圖，是對路網的一種抽象：都將路網抽象成有向圖的形式 —— 圖的頂點代表路口，邊代表路口與路口的連接。
路名、地標以及道路骨架資訊，都可以被抽象成儲存於這些有向圖頂點或邊中的屬性。這種抽象的地圖表徵形式，能很好地適應人類駕駛員需求，其原因在於人類生來，就有很強的視覺辨識及邏輯分析能力。
在駕駛過程中，人類駕駛員一般都能有效判別如下資訊：辨識路面及路面標示線，確定自己在路面的大致位置，尋找並辨認路標等。參照辨識出的資訊，結合當前 GPS (一般精度在 5-10 米)在當前電子地圖中的位置，人類駕駛員便大致知道，自己在實際路網中的位置，並計劃下一步如何駕駛。
正是基於人類駕駛員的這些能力，傳統電子地圖可被極大精簡，比如一條彎曲的道路，可以被精簡到，用只有幾個點的線段來表示，只要大致輪廓符合現實路網結構，人類駕駛員即可結合駕駛資訊，定位自己的當前位置。
高精電子地圖
與傳統電子地圖不同，高精度電子地圖的主要服務對象，是無人駕駛車，或者說是機器駕駛員。
和人類駕駛員不同，機器駕駛員缺乏與生俱來的視覺辨識、邏輯分析能力。比如，人可以很輕鬆、準確地利用圖像、GPS定位自己，鑒別障礙物、人、交通信號燈等，但這對當前的機器人來說，都是非常困難的任務。
因此，高精度電子地圖，是當前無人駕駛車技術中，必不可少的一個組成部分。高精度電子地圖包含，大量行車輔助資訊，其中，最重要的是，對路網精確的三維表徵(釐米級精度)。
比如，路面的幾何結構，道路標示線的位置，周邊道路環境的點雲模型等。有了這些高精度的三維表徵，車載機器人就可以透過比對車載 GPS、IMU、LiDAR，或攝影機數據，來精確確認自己的當前位置。
此外，高精地圖還包含豐富的語義資訊，比如交通信號燈的位置及類型，道路標示線的類型，辨識哪些路面可以行駛等。這些能極大提高，車載機器人鑒別周圍環境的能力。此外，高精度地圖還能幫助無人車辨識車輛、行人及未知障礙物。這是因為高精地圖一般會過濾掉車輛、行人等活動障礙物。
如果無人車在行駛過程中發現，當前高精地圖中沒有的物體，便有很大幾率是車輛、行人或障礙物。因此，高精地圖可以提高無人車，發現並鑒別障礙物的速度和精度。
高精地圖特點
相比服務於 GPS 導航系統的傳統地圖而言，高精地圖最顯著的特點，是其表徵路面特徵的精準性。傳統地圖只需要做到米級精度，即可實現 GPS 導航，但高精地圖需要達到釐米級精度，才能保證無人車行駛安全。
此外，高精地圖還需要比傳統地圖，有更高的即時性。由於路網每天都有變化，如整修、道路標識線磨損及重漆、交通標示改變等。這些變化，需要即時反映在高精地圖上，以確保無人車行駛安全。
即時高精地圖有很高的難度，但隨著越來越多，載有多種傳感器的無人車行駛在路網中，一旦有一輛或幾輛無人車，發現了路網的變化，透過與雲端通信，就可以把路網更新資訊，告訴其他無人車，使其他無人車更加聰明和安全。
圖2 高精電子地圖
數據特徵類型
和傳統地圖相似，高精地圖也具有分層的數據結構。如圖3所示，最底層是基於紅外線雷達傳感器，所建立的精密二維網格。一般這個二維網格的精度，保證在 5×5 釐米左右。可以行駛的路面、路面障礙物，以及路面在雷射雷達下的反光強度，都被儲存於相應的網格當中。無人車在行駛的過程中，透過比對其紅外線雷達蒐集到的數據，及其內存中的高精二維網格，就能確定車輛在路面的具體位置。
 |
圖3 高精地圖二維網格表徵。由於網格很細，我們可以從相應的雷達反射上，清楚辨識出路面及路面標識線的位置。綠色區域表示不可行駛的路面
|
除了底層的二維網格表徵外，高精地圖還包含很多有關路面的語義資訊。如圖4所示，在二維網格參照系的基礎上，高精地圖一般還包含道路標識線的位置，及特徵資訊，以及相應的車道特徵。
圖4 高精地圖中的車道資訊
圖5 高精地圖中的道路標識線，及路牌資訊
此外，如圖 5 所示，高精地圖還會標明道路標示牌、交通信號等相對於二維網格的位置，這些資訊起兩方面作用：
提前預備無人車，告知其在某些特定的位置，檢測相應的交通標示牌或交通信號燈，提高無人車的檢測速度。
在無人車沒有成功檢測出，交通標示牌或信號燈的情況下，確保行車安全。
數據量估計
無人車使用的高精地圖是個 2D 網格，數據主要由雷射雷達產生，由於雷射雷達的精度大約是 5 釐米，所以地圖的最高精度，可以達到每個網格 5×5 釐米。
在如此高的精度下，如何有效管理數據是一大挑戰。首先，為了盡量讓地圖在內存裡中，我們要盡量去掉不需要的數據。一般雷射雷達可覆蓋方圓 100 米範圍，假設每個反光強度可以用一個字節記錄，那麼每次雷射雷達掃描可產生 4MB 數據。
掃描會包括公路旁邊的樹木及房屋，但無人車行駛，並不需要這些數據，只需記錄公路表面的數據即可。假設路面的寬度為 20 米，就可以透過數據處理，把非公路表面的數據過濾掉，這樣每次掃描的數據量，會下降到 0.8 MB。
在過濾數據的基礎上，還可以使用無損壓縮算法，如 LASzip 壓縮地圖數據，可以達到超過 10 倍的壓縮率。經過這些處理後，1TB 硬碟就可以存下，全中國超過 10 萬公里的高精地圖數據。
高精地圖的生產
傳統電子地圖主要依靠衛星圖片產生，然後由 GPS 定位，這種方法可以達到米級精度。而高精地圖需要達到釐米級精度，僅靠衛星與 GPS 是不夠的。
因此，其生產涉及多種感測器，由於產生的數據量龐大，通常會使用數據採集車(如圖 6 所示)收集，然後通過線下處理，把各種數據融合產生高精地圖。
圖6 高精地圖數據採集車
所需要的感測器種類
高精地圖的製作，是個多傳感器融合的過程， 包括了以下幾種：
陀螺儀(IMU)： 一般使用 6 軸運動處理組件，包含了 3 軸加速度和 3 軸陀螺儀。加速度感測器是力傳感器，用來檢查上下左右前後，哪幾個面都受了多少力(包括重力)，然後計算每個上的加速度。陀螺儀就是角速度檢測儀，檢測每個上的加速度。
假設無人車以 Z 軸為軸心，在一秒鐘轉到了 90度，那麼它在Z軸上的角速度就是 90度/秒。從加速度推算出運動距離，需要經過兩次積分，所以，但凡加速度測量上有任何不正確，在兩次積分後，位置錯誤會累積，然後導致位置預測錯誤。所以單靠陀螺儀，並不能精準地預測無人車位置。
輪測距器(Wheel Odometer)： 我們可以透過輪測距器，推算出無人車的位置。汽車的前輪通常安裝了輪測距器，分別會記錄左輪與右輪的總轉數。透過分析每個時間段裡，左右輪的轉數，我們可以推算出車輛向前走了多遠，向左右轉了多少度等。
可是由於在不同地面材質(比如冰面與水泥地)上，轉數對距離轉換的偏差，隨著時間推進，測量偏差會越來越大。所以單靠輪測距器，並不能精準預測無人車位置。
GPS：任務是確定四顆或更多衛星的位置，並計算出它與每顆衛星之間的距離，然後用這些資訊，使用三維空間的三邊測量法，推算出自己的位置。要使用距離資訊進行定位，接收機還必須知道衛星的確切位置。
GPS 接收機儲存有星歷，其作用是告訴接收機每顆衛星，在各個時刻的位置。在無人車複雜的動態環境，尤其在大城市中，由於各種高大建築物的阻攔。
GPS 多路徑反射(Multi-Path)的問題，會更加明顯。這樣得到的 GPS 定位資訊，很容易就有幾十釐米甚至幾米的誤差，所以單靠 GPS 不可以製作高精地圖。
雷射雷達(LiDAR)： 光學雷達透過首先向目標物體，發射一束雷射，然後根據接收-反射的時間間隔，來確定目標物體的實際距離。然後根據距離及雷射發射的角度，透過簡單的幾何變化，可以推導出物體的位置資訊。
LiDAR系統一般分為三個部分：一是雷射發射器，發出波長為 600nm 到 1000nm 的雷射射線；二是掃描與光學組件，主要用於收集反射點距離，與該點發生的時間，和水平角度(Azimuth)；三是感光組件，主要檢測返回光的強度。
因此我們檢測到的每一個點，都包括了空間坐標資訊，以及光強度資訊。光強度與物體的光反射度(reflectivity) 直接相關，所以從檢測到的光強度，也可以對檢測到的物體有初步判斷。
高精地圖計算模型
圖7展示了通用的高精地圖製作流程。首先陀螺儀(IMU)及輪測距器 (Wheel Odometer)，可以高頻率地給出，當前無人車的位置預測，但由於其精確度原因，位置可能會有一定程度偏差。
為了糾正這些偏差，可以使用感測器融合計技術(比如使用Kalman Filter) ，結合 GPS 與雷射雷達(LiDAR)的數據，算出當前無人車的準確位置。然後根據當前的準確位置，與雷射雷達的掃描數據，把新數據加入地圖中。
圖7 高精地圖計算架構
公式1是個高度簡化的高精地圖計算模型， Q 代表優化方程，z代表雷射雷達掃描出的點，h 為方程預測最新掃描點的位置與反光度，m 為掃描到的點在地圖中的位置，x 代表無人車當前位置。
這個方程的目的是，透過最小化J，求出測量點在地圖中的準確位置。在計算模型中，m與x開始都是未知的，可以先透過多傳感器融合求x，再求出測量點在地圖中的準確位置m。
無人駕駛場景中的應用
如上文所述，高精度電子地圖包含大量的行車輔助資訊，包括路面的幾何結構、標示線位置、周邊道路環境的點雲模型等。有了這些高精度的三維表徵，無人駕駛系統就可以透過比對車載 GPS、IMU、LiDAR 或攝影機的數據，來精確確認自己當前的位置，並進行即時導航。
定位
無人車對可靠性和安全性要求非常高，所以我們默認已由高精度 LiDAR，和多種傳感器融合，建好了地圖，在這個前提下，再談一談無人車的跟蹤和定位技術。
無人車定位，主要透過粒子濾波進行。所謂粒子濾波就是指：透過尋找一組在狀態空間中，傳播的隨機樣本，來近似表示概率密度函數，用樣本均值代替積分運算，進而獲得系統狀態的最小方差，估計的過程，這些樣本被形象地稱為「粒子」，故而叫粒子濾波。
比較常見的(如在Sebastian Thrun的經典無人車論文中)是粒子濾波維護一個姿態向量(x, y, yaw)，默認 roll/pitch 相對足夠準確，運動預測，可以從 IMU 中取得加速度和角速度。
粒子濾波需要注意樣本貧化，和其他可能的災難定位錯誤(catastrophic error)，一小部分粒子可以，持續從現在 GPS 的位置估計中獲得。正如前文所說，對樣本數量的自適應控制，也需要根據實際情況有效調整。
因為已經有了高精度 LiDAR 點雲地圖，所以很自然地就可以用即時點雲數據，和已經建好的地圖進行匹配。而 3D 點雲匹配必然要說到 Iterative Closest Point (ICP)，ICP 的目標是在給出兩組點雲的情況下，假設場景不變，算出這兩組點雲之間的 pose。
最早的 ICP 原理，就是第一組點雲的每個點，在第二組點雲裡，找到一個最近的匹配，之後透過所有的匹配，來計算均方誤差(MSE)，進而調整估計的 pose，這樣進行多次更替，最終算出兩組點雲的相對pose。
因此，預先有地圖的情況下，用即時的點雲，加上一個大概 pose猜測，就可以精準算出無人車的當前 pose，且時間相鄰的兩幀點雲，也可以算出一個相對 pose。
另一方面，因為無人車是個複雜的多系統融合，所以當前標配是 LiDAR、Camera、IMU(六軸陀螺儀)都必須擁有。擁有了 Camera 和 IMU，做各種 VO (Visual Odometry)，和最近的 VIO (Visual Inertial Odometry) SLAM 就是自然選擇。
前面提到的粒子濾波，還有各種版本的卡爾曼濾波，加上 Graph 和關鍵幀概念，都屬於 SLAM 範疇。筆者之前曾詳細介紹了SLAM的各種應用探討，和相對應的工程細節，在此不再一一討論。
但值得注意的是，多感測器多資訊源融合，只要算法正確並工程實現扎實，效果一定會比單一傳感器要好。
舉兩個具體的例子：ICP 雖然後來有了很多改進(比如 point-to-distance 的測量改進，又比如用 kd-tree 加速查找改進)，但需要很好的初始化 pose，否則 ICP 很容易掉入局部最優，而搞不定全局最優，這時非常需要圖像視覺補充。
圖像的特徵點提取，描述計算可以讓匹配更精準，速度也不慢，但距離太遠精準度會下降，而且有很多圖像視覺，無法搞定的情況(比如無人車或者別的物體陰影，又比如光照變化，獲取illumination-invariant特徵非常困難)。
所以筆者認為，多傳感器多資訊源融合，不是「讓它變好」，而是「沒你不行」。更明顯的是，GPS 在戶外已經很可靠，沒有理由不用它，就先告訴無人車的大概位置。
導航與控制
跟蹤和定位技術還是被動的感知方案，而真正意義的無人車，也就是全自主駕駛，而不是輔助駕駛，需要無人車自己智慧地來做路徑規劃，這裡從技術層面略作探討。
路徑規劃是個範疇很大的話題，需要先做幾個限定：
一是地圖已知，如果未知，就無「規劃」可言，機器人或無人車，如果完全對世界未知，那麼問題實際是「SLAM+探索」;
二是對無人車領域來說，一般還是 2D 或 2.5D 地圖，而不是在 3D 地圖上六個自由度運動規劃(那是室內全自主無人機飛行);
三是路徑規劃，默認無人車按照規劃的路徑，每一步執行後的pose準確，也就是說，這裡刻意把定位和路徑規劃分開，但實際工程中，這兩者緊密聯繫，因為如果定位不準，路徑規劃一定會受影響。
即使有了這幾個設定，路徑規劃本身有多個教科書版本。這裡簡單談有代表性又被廣泛應用的兩種。
一是明確尋找最佳路徑的搜索A*算法，核心理念是：如果有最好的路徑，便一定將其找到。如果單位路徑成本(cost)不一樣，最好的路徑不一定是最短的。
A*是搜索了所有可能後，選擇了最好的，而且運用了啓發式算法來決定。其數據結構實現是 priority queue，不停選取「最小成本」節點來擴建路徑。
另一類是基於抽樣(sampling based)的路徑規劃——並不知道最優路徑是什麼，所以從起點開始隨機抽樣(怎麼隨機很有講究)，來擴建可能的路徑集。
有一個很重要的因素可以加速抽樣 —— 障礙物的檢測。若遇到障礙物，在其方向再擴建路徑便沒有意義。
典型的算法是 RRT (Rapidly-exploring Random Tree)。但需要注意，這種算法側重有效率地，讓樹往大面積沒有搜索過的區域增長，實際運用中(特別是在無人車應用中)，如果有了啓發式算法，實時的路徑規劃很注重效率，需根據實際情況優化。這方面的研究包括RRT變種，或兩類算法的結合(如A*-RRT)。
筆者想強調：在無人車工程實現中，路徑規劃一定要根據傳感器情況，和地圖品質來做實際算法選擇和調整。無論地圖有多準，傳感器的數據品質如何，優化永遠需要在安全的前提下進行。
結論
高精度電子地圖的資訊量與品質，直接決定了無人駕駛系統的安全性、可靠性，以及效率。
與傳統電子地圖不同，高精地圖更精準(釐米級)，更新更快，並且包含了更多資訊(語義資訊)。由於這些特性，製作高精地圖並不容易，需要使用多種感測器互相糾正。
在初始圖製作完成後，還需要進行過濾，以降低數據量達到更好的即時性。在擁有了這些高精度地圖資訊後，無人駕駛系統就可以透過比對車載GPS、IMU、LiDAR，或攝影機數據，來確認當前的精確位置，並進行即時導航。613170324
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁
0 comments:
張貼留言