久久久久亚洲AV片无码下载蜜桃,国产无码一区二区在线,永久免费无码日韩视频

文｜園區(qū)無(wú)人駕駛編輯部

高精度地圖對(duì)自動(dòng)駕駛系統(tǒng)功能研發(fā)的影響已經(jīng)越來(lái)越明顯，整體上來(lái)講主要包含但不僅限于提升車端感知性能、拓展自動(dòng)駕駛新功能、動(dòng)態(tài)建圖等相關(guān)應(yīng)用。具體體現(xiàn)在如下幾個(gè)重要方面：

應(yīng)用總述

提升車端感知性能

拓展新功能

動(dòng)態(tài)建圖與應(yīng)用

詳述

·補(bǔ)充車道線識(shí)別結(jié)果，通過(guò)重投影補(bǔ)齊車道線

·提升TSR（交通標(biāo)志識(shí)別）識(shí)別功能，涵蓋多種特殊類別

·獲取復(fù)雜駕駛場(chǎng)景信息（收費(fèi)站、路口等復(fù)雜路況的先驗(yàn)感知）

·提供車道與交通要素（紅綠燈、標(biāo)志牌、路面箭頭）的對(duì)應(yīng)關(guān)系

·自動(dòng)切換車道

·對(duì)行駛較慢車輛的自動(dòng)超越

·智能設(shè)定巡航車速

·匝道的自動(dòng)駛?cè)牒婉傠x

·高精地圖元素更新

·冷啟動(dòng)從0-1 建立全路網(wǎng)高精地圖

·自建局部“記憶地圖”,支持記憶泊車、園區(qū)記憶式自動(dòng)駕駛

·事件型動(dòng)態(tài)信息采集與上報(bào)（施工、擁堵、事故等）

如上所述提升車端感知能力是通過(guò)先驗(yàn)感知的高精度定位引入地圖信息補(bǔ)充獲取車道線、交通標(biāo)志等交通要素從而提供超距感知：不受距離、遮擋的限制。同時(shí)，通過(guò)提供車道與交通要素（交通標(biāo)志、交通燈、路面箭頭）的對(duì)應(yīng)關(guān)系，獲取復(fù)雜路況先驗(yàn)信息。

地圖作為智能駕駛唯一的超距傳感器，突破空間、時(shí)間的限制，可以說(shuō)地圖是通過(guò)定位實(shí)現(xiàn)的智能駕駛的“知識(shí)圖譜”。高精度定位本質(zhì)上是“知識(shí)圖譜讀取”，高精度建圖可以實(shí)現(xiàn)“知識(shí)記憶”實(shí)時(shí)更新。通過(guò)高精度匹配定位引入地圖從而獲取環(huán)境信息，為車輛提供超傳感器距離的感知能力，拓展多種復(fù)雜功能場(chǎng)景ODD，是ADAS系統(tǒng)向高級(jí)別智能駕駛演變的核心。總體來(lái)說(shuō)，通過(guò)高精度匹配定位引入地圖獲取環(huán)境信息，可以拓展多種復(fù)雜功能場(chǎng)景自動(dòng)駕駛設(shè)計(jì)運(yùn)行使用范圍。

高精地圖眾包采集方案

動(dòng)態(tài)高精地圖的本質(zhì)是實(shí)時(shí)交通數(shù)據(jù)信息的時(shí)空載體，眾包數(shù)據(jù)是高頻更新的核心。眾包更新能夠?qū)⒌貓D更新的時(shí)間壓縮到分鐘級(jí)，高精地圖實(shí)時(shí)構(gòu)建與動(dòng)態(tài)信息觀測(cè)采集，構(gòu)建起未來(lái)智能網(wǎng)聯(lián)汽車數(shù)據(jù)生態(tài)系統(tǒng)。

高精地圖模型分為四個(gè)圖層，每個(gè)圖層更新的頻率不同，可以支持不同功能應(yīng)用場(chǎng)景。圖商采取分級(jí)采集的方案，滿足高精地圖不同圖層的更新需求，主要包含如下幾種采集方案：

專業(yè)采集： 通過(guò)高精地圖底圖，每月更新一次，其精度為10cm；

行業(yè)眾包采集： 其地圖更新、施工、交通管制信息等按照每小時(shí)更新，精度50cm左右；

社會(huì)眾包采集： 包含基于底圖坐標(biāo)的準(zhǔn)實(shí)時(shí)更新、車流量、人流量、天氣等。按照每分鐘/每秒更新一次，精度米級(jí)；

如上圖中，地圖基礎(chǔ)建圖中有多種方法。其中，GPS 導(dǎo)航適合于室外空曠駕駛道路中的移動(dòng)車輛，在封閉場(chǎng)景（如隧道、山路等）中 GPS 的信號(hào)較弱，無(wú)法用于移動(dòng)機(jī)器人的定位導(dǎo)航。慣性導(dǎo)航主要是依賴慣性測(cè)量單元和輪式編碼器來(lái)構(gòu)建一個(gè)慣性里程計(jì)，增量式地確定移動(dòng)車輛的位置。慣性里程計(jì)一定程度上能夠滿足機(jī)器人自主定位的需求，且不需要額外的對(duì)環(huán)境進(jìn)行改造，但由于慣性傳感器和輪式編碼器都存在漂移的問(wèn)題，且漂移誤差會(huì)隨著時(shí)間累積，一段時(shí)間后車輛就無(wú)法準(zhǔn)確確定自己的位置。為了能夠?qū)崿F(xiàn)車輛在未知的道路環(huán)境中準(zhǔn)確的定位，SLAM 問(wèn)題就這樣被提了出來(lái)。

近年來(lái)，利用傳感器感知信息作為建圖的基礎(chǔ)已經(jīng)越來(lái)越得到行業(yè)內(nèi)的重視和關(guān)注，其中SLAM 技術(shù)作為一種即時(shí)定位與地圖構(gòu)建方法，作為移動(dòng)車輛實(shí)現(xiàn)自主定位與導(dǎo)航的核心，它要求自車在一個(gè)未知的環(huán)境中在不知道自己位置的先驗(yàn)信息的情況下，增量式地構(gòu)建具有全局一致性的地圖，同時(shí)確定自身在這個(gè)地圖中的位置。這一過(guò)程是通過(guò)車身傳感器來(lái)獲取周圍環(huán)境的信息，依靠這些信息一邊確定自車的位置，一邊構(gòu)建環(huán)境的地圖。目前 SLAM算法常用的傳感器有激光雷達(dá)和相機(jī)，分別對(duì)應(yīng)了激光 SLAM 算法和視覺(jué) SLAM算法。

詳細(xì)的SLAM建圖構(gòu)建算法概述

SLAM 是一個(gè)龐大的理論體系，涉及傳感器處理、貝葉斯濾波、非線性優(yōu)化、地圖的表示、圖形處理等各方面的相關(guān)理論。早期 SLAM 的基本理論是以擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）為代表的濾波方法為主。

如下圖所示表示了一種典型的 SLAM 系統(tǒng)建圖方法，系統(tǒng)主要由前端（front-end）和后端（back-end）兩個(gè)部分組成，前端根據(jù)傳感器觀測(cè)到的環(huán)境信息估計(jì)車輛的位姿，然后將車輛的位姿信息傳遞給后端進(jìn)行優(yōu)化估計(jì)，得到具有全局一致性的地圖，最后得到整體的 SLAM 估計(jì)。SLAM 的前端算法包括了特征提取和數(shù)據(jù)關(guān)聯(lián)兩部分。特征不但可以用來(lái)確定機(jī)器人的位置，而且可以用來(lái)進(jìn)行閉環(huán)檢測(cè)，從而構(gòu)建具有全局一致性的環(huán)境地圖。因此特征提取是 SLAM 研究中非常重要的一個(gè)環(huán)節(jié)。

目前在 SLAM 的研究中，前端主要是以濾波的方法獲得車輛位姿的更新信息，后端則大多是基于優(yōu)化的方法對(duì)機(jī)器人全局的位姿和地標(biāo)信息進(jìn)行優(yōu)化。

基于視覺(jué)感知的SLAM基礎(chǔ)建圖構(gòu)建

在SLAM算法構(gòu)建中，前視攝像頭/激光雷達(dá)化身“智能采集終端”，眾包生產(chǎn)“動(dòng)態(tài)高精地圖數(shù)據(jù)”，動(dòng)態(tài)高精地圖的本質(zhì)是實(shí)時(shí)交通數(shù)據(jù)的時(shí)空載體，眾包數(shù)據(jù)是高頻更新的核心。主要通過(guò)如下幾個(gè)步驟進(jìn)行實(shí)時(shí)建圖：

1）實(shí)時(shí)構(gòu)建高精度地圖：即基于視覺(jué)或激光點(diǎn)云數(shù)據(jù)建圖，并與云端融合冷啟動(dòng)從0-1構(gòu)建全路網(wǎng)高精地圖提升高精地圖“廣度”。

2）更新高精地圖元素：通過(guò)要素關(guān)聯(lián)與變化檢測(cè)發(fā)現(xiàn)地圖元素的變化并實(shí)時(shí)更新，以確保高精地圖的“鮮度”；

3）自建 “ 記憶地圖 ”：通過(guò)自建局部記憶地圖支持記憶泊車、園區(qū)記憶式自動(dòng)駕駛“記憶地圖”提升駕駛體驗(yàn)；

4）上報(bào)事件型動(dòng)態(tài)信息：通過(guò)事件型動(dòng)態(tài)信息采集與上報(bào)（施工、擁堵、事故等）構(gòu)建高精地圖“動(dòng)態(tài)信息層”。

如上圖表示了一種典型的視覺(jué)SLAM技術(shù)方案框圖，其中整個(gè)智能駕駛攝像頭（包含前視、側(cè)視、環(huán)視以及后視攝像頭等）形成SLAM的輸入數(shù)據(jù)端，使用單目相機(jī)的 SLAM 稱為單目視覺(jué) SLAM，單目相機(jī)使用一個(gè)攝像頭進(jìn)行移動(dòng)機(jī)器人的定位，由于單目攝像頭只能獲取周圍環(huán)境的二維信息，無(wú)法給出物體的深度信息，因此會(huì)帶來(lái)尺度不確定的問(wèn)題。使用雙目相機(jī)的 SLAM 稱為雙目視覺(jué) SLAM，也稱為立體視覺(jué) SLAM，它可以通過(guò)比較兩個(gè)攝像頭圖像的差異判斷物體的遠(yuǎn)近，獲得物體的深度信息。通過(guò)中央處理器對(duì)輸入圖像進(jìn)行感知、分割、檢測(cè)、跟蹤等操作，輸出給導(dǎo)航網(wǎng)絡(luò)端進(jìn)行語(yǔ)義建圖及匹配定位，同時(shí)通過(guò)目標(biāo)識(shí)別形成相應(yīng)的ADAS系統(tǒng)目標(biāo)屬性。最后分兩方面進(jìn)行輸出：其一是通過(guò)太網(wǎng)連接高精地圖盒子，其接收到相應(yīng)的局部地圖建圖結(jié)果后，更新地圖底圖。其二是通過(guò)輸出給MCU（微處理器單元）進(jìn)行融合定位及車輛控制。這里需要注意的是MCU通過(guò)CAN網(wǎng)絡(luò)也接收了諸如GNSS、IMU等相關(guān)信息，并輸入給AI芯片進(jìn)行建圖優(yōu)化和確認(rèn)。

同時(shí)，先進(jìn)的SLAM方案通過(guò)云端多源 V2X 感知部署，打造安全出行解決方案。一方面，通過(guò)創(chuàng)新模式與路方合作，利用既有道路信息基礎(chǔ)能力，有效整合路側(cè)信息，通過(guò)個(gè)體級(jí)車輛的交通場(chǎng)景感知算法，實(shí)施云端 V2X 信息處理，通過(guò)導(dǎo)航地圖優(yōu)勢(shì)，為實(shí)時(shí)建圖提供統(tǒng)一入口。另一方面，由于車路協(xié)同系統(tǒng)中將產(chǎn)生大量數(shù)據(jù)采集和處理，為進(jìn)一步挖掘相關(guān)數(shù)據(jù)價(jià)值，提升智慧出行效率。基于大數(shù)據(jù)和人工智能能力，可以對(duì)相關(guān)數(shù)據(jù)進(jìn)行人工智能模型訓(xùn)練，從而進(jìn)一步提高建圖能力，優(yōu)化建圖精度。如下圖是一種典型的將云端數(shù)據(jù)納入到建圖過(guò)程中的例子。

基于激光雷達(dá)的SLAM基礎(chǔ)建圖構(gòu)建

除了如上所述的視覺(jué)SLAM建圖以外，還包括了激光雷達(dá)數(shù)據(jù)建圖。激光雷達(dá)雖然比相機(jī)要貴很多，但因其測(cè)量精度高，測(cè)量性能穩(wěn)定，目前在工業(yè)中應(yīng)用更加廣泛。激光雷達(dá)不能直接給出車輛的位置變化，但它能提供周圍物體的距離信息，可以用于車輛的實(shí)時(shí)定位、避障等場(chǎng)合。

早期的激光雷達(dá)主要是利用三角測(cè)距的原理進(jìn)行測(cè)距，后來(lái)發(fā)展出基于飛行時(shí)間法（Time Of Flight，TOF）測(cè)距原理的激光雷達(dá)。TOF 測(cè)距原理比較簡(jiǎn)單，通過(guò)記錄激光從發(fā)射出去到被接收所經(jīng)歷的時(shí)間可以計(jì)算出激光所走過(guò)的距離，從而得到激光雷達(dá)周圍環(huán)境的距離信息。

針對(duì)激光雷達(dá)和相機(jī)，目前都已經(jīng)有很多非常知名的開(kāi)源算法的實(shí)現(xiàn)。在激光 SLAM 領(lǐng)域目前的很多開(kāi)源算法都是使用 2D 激光雷達(dá)實(shí)現(xiàn) SLAM。如谷歌公司在 2016 年開(kāi)源的Cartographer SLAM 算法是一個(gè)跨平臺(tái)的激光 SLAM 方案，能夠同時(shí)實(shí)現(xiàn) 2D 激光和 3D 激光的實(shí)時(shí) SLAM。在視覺(jué) SLAM 領(lǐng)域也出現(xiàn)了許多優(yōu)秀的開(kāi)源方案。如Davison 等人在 2007 年提出的單目視覺(jué) SLAM 系統(tǒng) MonoSLAM 是第一個(gè)實(shí)時(shí)的單目 SLAM，它以擴(kuò)展卡爾曼濾波為基礎(chǔ)，把相機(jī)的當(dāng)前狀態(tài)和所有路標(biāo)的信息作為狀態(tài)量來(lái)更新均值和協(xié)方差信息。SLAM 的理論在國(guó)外發(fā)展的比較早，理論比較成熟，國(guó)內(nèi)在這方面起步比較晚，大部分研究都集中在 SLAM 的工程應(yīng)用上，重點(diǎn)解決工程應(yīng)用中的一些實(shí)際問(wèn)題。SLAM 的前端算法包括了特征提取和數(shù)據(jù)關(guān)聯(lián)兩部分。特征不但可以用來(lái)確定機(jī)器人的位置，而且可以用來(lái)進(jìn)行閉環(huán)檢測(cè)，從而構(gòu)建具有全局一致性的環(huán)境地圖。因此特征提取是 SLAM 研究中非常重要的一個(gè)環(huán)節(jié)。

激光雷達(dá)掃描后會(huì)獲得一組由環(huán)境中的物體反射回來(lái)的點(diǎn)云，對(duì)于激光雷達(dá)的掃描點(diǎn)云，常用的特征有點(diǎn)、線段、平面等。點(diǎn)特征是日常環(huán)境中常見(jiàn)的一種特征，通常會(huì)從環(huán)境中提取角點(diǎn)、交叉點(diǎn)或墻的端點(diǎn)等一些特殊的點(diǎn)作為特征點(diǎn)。線段特征是室內(nèi)移動(dòng)機(jī)器人定位、導(dǎo)航時(shí)廣泛使用的一種特征，它在結(jié)構(gòu)化環(huán)境中容易獲取，特征之間也容易建立約束，對(duì)激光雷達(dá)的數(shù)據(jù)關(guān)聯(lián)和閉環(huán)檢測(cè)來(lái)說(shuō)都是一種非常好的特征。面特征主要應(yīng)用于室外環(huán)境中 3D 激光雷達(dá)掃描匹配，如無(wú)人車行駛在城市環(huán)境中可以利用 3D 激光雷達(dá)提取到大量的曲面和平面特征來(lái)定位。由于線段特征具有容易識(shí)別、魯棒性好等優(yōu)點(diǎn)，在 2D 激光 SLAM 中應(yīng)用比較廣泛。下面將對(duì)激光雷達(dá)點(diǎn)云建圖中一種基本的線段擬合防范進(jìn)行簡(jiǎn)單說(shuō)明。

如上圖表示激光雷達(dá)掃描得到的點(diǎn)云離散數(shù)據(jù)，針對(duì)線段特征提取的主流方法主要是采用分割-合并方法（Spilt-and-Merge，SM），且許多線段特征的提取方法都是分割-合并方法的變形。分割-合并的基本過(guò)程就是對(duì)點(diǎn)云進(jìn)行聚類，聚類過(guò)程中分別設(shè)定一定的閾值進(jìn)行分割-合并-分割-合并依次循環(huán)的過(guò)程，從而實(shí)現(xiàn)線段的有效提取。

在分割階段，首先從給定的點(diǎn)集中擬合出一條直線。然后找出點(diǎn)集中到擬合直線距離最遠(yuǎn)的點(diǎn)，計(jì)算該點(diǎn)到擬合直線的距離作為擬合誤差，如果擬合誤差大于設(shè)定的距離閾值，則從點(diǎn)集中按照某種規(guī)則找出一個(gè)點(diǎn)，將直線從該點(diǎn)處進(jìn)行分割。不斷重復(fù)這個(gè)過(guò)程直到擬合誤差小于設(shè)定的距離閾值則不再分割。在合并階段，如果相鄰的兩條線段的擬合誤差小于距離閾值，就將這兩條相鄰線段合并成一條線段。

? 總結(jié)

激光 SLAM 發(fā)展至今已經(jīng)有比較豐富的理論研究成果，激光測(cè)距的原理比較簡(jiǎn)單，測(cè)量精度高，測(cè)量距離比較遠(yuǎn)，穩(wěn)定性、可靠性也都比較高，但其成本較大，目前激光雷達(dá)有向低成本發(fā)展的趨勢(shì)。但在實(shí)際的應(yīng)用中仍然存在定位精度不夠、地圖構(gòu)建不準(zhǔn)確等問(wèn)題，給機(jī)器人執(zhí)行相關(guān)任務(wù)帶來(lái)了一定的障礙。與激光雷達(dá)相比，相機(jī)的成本要低很多，且能提供更多的信息，也更能滿足人們對(duì)機(jī)器人的想象。但目前相機(jī)仍存在著測(cè)量范圍小、測(cè)量噪聲大、易受日光干擾等問(wèn)題。視覺(jué)定位與建圖帶來(lái)的駕駛功能提升使得視覺(jué)定位在單車視覺(jué)感知局限得以解決。