进阶无人驾驶—百度Apollo高精度地图
課程簡介
課程介紹高精度地圖的定義，其在無人駕駛各個模塊的作用、高精度地圖的采集與生產(chǎn)以及Apollo高精度地圖的相關(guān)知識。
今天主要給大家分享百度L4車使用的高精度地圖一些知識，我也想換個總結(jié)方法，以便讓大家不會覺得枯燥。
一、高精度地圖的采集與生產(chǎn)
首先我們看到高精度地圖產(chǎn)生的環(huán)境便是半自動或全自動駕駛領(lǐng)域，這是必然的現(xiàn)象。可以看到上面的數(shù)字便是車輛的級別當(dāng)然L5級別的車輛離我們還很遙遠(yuǎn)，但我們會朝著它的方向，不斷前行。
1.什么是高精度地圖？
| HAD Map 高度自動駕駛地圖 |
| 高精度地圖最顯著的特點1：表征路面的基準(zhǔn)全面性 |
| 2高精度地圖要求更高的實時性 |
| 3高精度地圖=自動駕駛地圖 |
2.高精度地圖與導(dǎo)航地圖
現(xiàn)如今的地圖都是將街道組成一個個有向圖，以便使用者能清晰明了的觀察到信息，提供很好的方向引導(dǎo)，例如百度地圖和高德地圖。
當(dāng)然如果對于自動駕駛汽車只標(biāo)識這些信息，顯然不夠。必須將標(biāo)識牌、紅綠燈，，，等很多信息標(biāo)注在高精度地圖上，以便讓汽車更加清楚地了解當(dāng)前的道路情況。
3.高精度地圖于模塊的關(guān)系
可以看到，上圖為高精度地圖的大腦，大腦支配調(diào)度各個模塊的運(yùn)作，相當(dāng)于地圖是一切行為的基礎(chǔ)。
上圖便是現(xiàn)在百度主流的方案，關(guān)于定位于地圖的利用之間的關(guān)系，很密切。
4.地圖與模塊的關(guān)系
可以 看到左側(cè)是利用粒子濾波，它通過提取周圍環(huán)境的特征（電線桿、樹，，），通過這個特征，來判斷當(dāng)前位置，當(dāng)然給一個特征顯然不夠，所以會在下一時刻找到另一個特征來增大定位準(zhǔn)確度的概率。
右側(cè)是基于車道線的匹配過程，通過Camera實時檢測車道線，再經(jīng)過提取車道線后的特征匹配，以達(dá)到吻合的結(jié)果。
5.地圖與規(guī)劃、預(yù)測、決策
我們無人車在規(guī)劃路線時；
會有長距離規(guī)劃：和人一樣的規(guī)劃方式，例如你從A到B，在地圖上找到你要走的路線，去完成這條路線的路程。
短距離規(guī)劃：根據(jù)實時的環(huán)境變化，去做一些局部的規(guī)劃，目標(biāo)很明確，但是路線會隨時改變。
當(dāng)然在車輛行駛時，你必須要能預(yù)測路上車輛和行人的變化，從而做出相應(yīng)的動作，這就是導(dǎo)致規(guī)劃方案不斷變化的動態(tài)因素，但是這兩者結(jié)合起來的話，就會給決策一個明確的數(shù)據(jù)，這時候就需要決策做出相應(yīng)的方案了。
6.高精度地圖與安全模塊
安全有很多維度，不僅是對外部的描述，也有自身算法的穩(wěn)定性等因素，會對汽車的安全造成影響，所以我們必須在安全方面狠下手來，把好關(guān)。因為我們最終的受益群體就是人類，必須對人類的安全負(fù)責(zé)任。
7.高精度地圖與仿真系統(tǒng)
當(dāng)然，仿真系統(tǒng)也是也是一個很重要的模塊。因為一個產(chǎn)品的研發(fā)過程，會有很多改進(jìn)的地方，如果每次都研發(fā)成成品，那費(fèi)用高到離譜，所以我們必須把這種測試放到仿真系統(tǒng)中，才會降低時間和成本的消耗。
沒有高精度地圖，高可靠性的L3/L4自動駕駛無法落地
地圖的作用-靜態(tài)的Perception
把人類對于世界的感知和理解賦予自動駕駛系統(tǒng)。
當(dāng)然在對各種環(huán)境進(jìn)行研究時發(fā)現(xiàn)，有一些環(huán)境下根本用現(xiàn)如今的設(shè)備和算法不能實現(xiàn)的。
一、重慶交通
當(dāng)然這是一個還算能看懂的交通，對于汽車來說，簡直是要了老命，必須使用更優(yōu)的設(shè)備和算法才能走在這樣一個錯綜復(fù)雜的交通網(wǎng)中，還不會迷路。
二、雪天
根本無法使用雷達(dá)和攝像頭對這種環(huán)境做出任何反應(yīng)，就像一個雪盲癥患者一樣被拋到這樣的環(huán)境下，只能依靠不精確的GPS撞出去。俗話說，闖出一片天地，應(yīng)該就是說無人車在雪天的情況吧。
三、紅綠燈
你以為是國內(nèi)那些簡簡單單的紅綠燈嗎？你錯了，這種紅綠燈，人都要暈，更別說車，不信你看：
這是啥？簡直就是星際迷航的太空紅綠燈，負(fù)責(zé)調(diào)度各個星球的軌跡，以防發(fā)生碰撞。所以對于無人車來說，這樣的幾種特殊的環(huán)境下，還需要更進(jìn)一步的研究，才能成為真正的L5級別。
高精度地圖的作用—彌補(bǔ)系統(tǒng)性缺陷
關(guān)于Uber車禍的事件，我們加強(qiáng)了情況的研究和總結(jié)，得出的結(jié)論就是海量數(shù)據(jù)的傳輸速度在4G的速度下，不滿足云端數(shù)據(jù)的傳輸需要，所以我們需要將5G網(wǎng)絡(luò)嫁接到無人車的模塊上，從而實現(xiàn)數(shù)據(jù)的實時檢測，反饋給無人車。
二、高精度地圖的采集與生產(chǎn)
1.高精度地圖的采集與生產(chǎn)也是一個很復(fù)雜的過程，需要基于很多的算法來實現(xiàn)地圖的生產(chǎn)，所以我們就開始慢慢的學(xué)習(xí)它的采集與生產(chǎn)的過程如下：
第一個就是需要通過多顆衛(wèi)星，比如三顆衛(wèi)星按理說就能定位到地球任何一點的位置，但是因為衛(wèi)星定位存在一定的誤差，不論是環(huán)境或者其他因素造成的，但都會有一些誤差，所以我們必須使用四顆以上的衛(wèi)星對其進(jìn)行定位，以便達(dá)到精確定位的目的。
第二個就是IMU設(shè)備，當(dāng)然它可以通過對車輛的加速度檢測等物理性質(zhì)檢測，得到精確數(shù)據(jù)，傳輸給計算機(jī)，通過算法能強(qiáng)化高精度地圖的定位精度，當(dāng)時它會隨著時間的推移而增大誤差。
2.采集傳感器的研究，它的主要設(shè)備如下所示：
我們看到可以通過車輛轉(zhuǎn)動的數(shù)，來計算發(fā)現(xiàn)距離，這也是一個好辦法，因為只要車輛不突然剎車導(dǎo)致車輪抱死滑動，一般都能通過車輪的圈數(shù)來判斷距離。
另一個便是我們常常講到的激光雷達(dá)，它的精度隨著波長的改變而不斷變化，但是它對于檢測物體的坐標(biāo)換算后能得到全局坐標(biāo)的精確數(shù)據(jù)，很是有用。
3.地圖生產(chǎn)-計算模型
我們知道單個設(shè)備對于信息的處理精度有很大的不足之處，于是我們便想到了將數(shù)據(jù)融合起來，經(jīng)過融合的處理后，便能得到誤差較小的數(shù)據(jù)，交由計算機(jī)處理。
下面提到一個公式：
J=Q(z-h(m,x)）該公式是一個高度簡化的高精度地圖計算模型，Q代表優(yōu)化方程，z代表激光雷達(dá)掃描出來的點，h為方程預(yù)測最新的掃描點的位置，m為掃描到的點在地圖中的位置，x代表無人車當(dāng)前的位置。
這個方程的目的是通過最小化J求出測量點在地圖中的準(zhǔn)確位置。
4.視覺制圖
我們現(xiàn)在主流的制圖方案有兩種一種是基于激光雷達(dá)（LiDAR)，一種是基于視覺相機(jī)（Camera）。
于是我們得到下面的方案：
| 激光雷達(dá) | 信息準(zhǔn)確，但是信息較少，不夠豐富 |
| 相機(jī)視覺 | 色彩豐富，信息量大，但是處理起來不準(zhǔn)確 |
| LiDAR+Camera | 結(jié)合兩者的優(yōu)點，信息量豐富且準(zhǔn)確 |
當(dāng)然在制圖的過程中還使用了點云來增加高精度地圖的精度。
三、高精度地圖的格式規(guī)范
1.格式規(guī)范-NDS
現(xiàn)如今全球比較通用的規(guī)范就兩種，一種NDS，另一種OpenDRIVE。
NDS：規(guī)范的內(nèi)容比較多，有一百多頁，算是比較全面，包含的技術(shù)公司也會比較多。當(dāng)然也會導(dǎo)致它實現(xiàn)起來比較復(fù)雜。
OpenDRIVE：是由德國一家公司制定，會對道路section、line和路口進(jìn)行了規(guī)則的制定，現(xiàn)在聽起來還是比較復(fù)雜，詳細(xì)知識可以了解該方案。
四、業(yè)界高精度地圖產(chǎn)品—1
上圖是一個HERE HD地圖的生產(chǎn)方式，通過一系列的采集于處理后，便可以得到最終可供使用的高精度地圖，當(dāng)然制圖過程必須合法，在法律允許的范圍內(nèi)。
當(dāng)然在HERE的信息采集時，通過一輛采集車，頭頂一個16線的激光雷達(dá)，在街道行駛，以采集實時的數(shù)據(jù)。當(dāng)然高精度地圖的實時性導(dǎo)致了車輛必須不斷的更新地圖數(shù)據(jù)，以便保持信息的可用性。
Map-learing通過深度學(xué)習(xí)對道路特征的提取，采用的設(shè)備是激光雷達(dá)，這種設(shè)備采集的數(shù)據(jù)可靠性極強(qiáng)，有很大的實用性。
當(dāng)然現(xiàn)在對于圖形處理都是利用深度學(xué)習(xí)，因為其具有很高的準(zhǔn)確度，再加上點云的處理就可以得到最終的精密地圖。
如圖的地圖生產(chǎn)過程有圖左側(cè)所示的特點，百度Apollo也在對地圖的制作過程中學(xué)習(xí)其他商家的優(yōu)秀之處。
MobileEye
當(dāng)然了MobileEye是一家很有名的公司，它很早就開始做輔助駕駛，現(xiàn)在也開始做自動駕駛。
可以看到，因為MobileEye被intel收購了，所以就把它的圖標(biāo)也加了進(jìn)去，不過也很好看是吧。
當(dāng)然能被intel收購，說明其技術(shù)還是比較雄厚，它與很多車廠都有合作，據(jù)說生產(chǎn)出來的車都有兩千多萬輛，可見實力很是強(qiáng)大。
第一個是感知，第二個是地圖，第三個是driving的一些策略。
當(dāng)然MobileEye在圖像制圖領(lǐng)域的實力是超強(qiáng)的，想想它的名字就能知道它的研發(fā)側(cè)重點在哪里。
我們就對其制圖方面進(jìn)行研究和學(xué)習(xí)如下所示：
右側(cè)汽車行駛時，有一個真實的場景圖，最右側(cè)是google 實況的地圖，它會利用一根虛線，如圖所示的綠線作為引導(dǎo)線，指引汽車的行進(jìn)路線。
之所以汽車很難實施，有很大原因的信息量過大，無法實時傳輸?shù)慕Y(jié)果，也是我們務(wù)必突破的重要點。
Google Waymo
Google在對無人車行駛過程中，運(yùn)用無人車基于高精度地圖的靜態(tài)信息和感知器對環(huán)境的動態(tài)感知融合兩者，以便更好的利用信息。這也是目前大多數(shù)無人車研發(fā)者都會采用的模式。
地圖包含的信息量很多，也很有用，例如對于紅綠燈標(biāo)識，減速區(qū)標(biāo)識或者停車點進(jìn)行標(biāo)識，但是地圖的信息畢竟是矢量圖，所以谷歌在一篇文章提到地圖通過靜態(tài)的環(huán)境信息，這就同傳統(tǒng)的高精度地圖不同了。
這種高精度地圖就很類似于柵格版的高精度地圖，每個格里面都記錄了所有的道路上一些物體的高度啊等更詳細(xì)的信息。它也可以做一些過濾，讓我們在對靜態(tài)物體和動態(tài)物體的識別上減少了很大的計算量。
五、業(yè)界的高精度地圖產(chǎn)品-2
上面也講到了很多公司的優(yōu)秀產(chǎn)品，下面我們做一些補(bǔ)充，再將一些優(yōu)秀的產(chǎn)品和公司做一個簡單介紹。
TomTom
該公司也是相對來說比較老的廠商了，它也主要是對地圖等方面做文章，例如對標(biāo)識的識別，基于激光雷達(dá)的物體處理等，主要也是基于激光雷達(dá)設(shè)備和神經(jīng)網(wǎng)絡(luò)算法對圖像進(jìn)行識別。
就是說我們把這個地圖出來的結(jié)果然后下發(fā)到終端上，這是一個數(shù)據(jù)更新的過程。它能做到數(shù)據(jù)于云端的實時更新，這也是行業(yè)的一個很厲害的地方。
它會把環(huán)境的特征利用點云做出模擬的環(huán)境，以便在駕駛過程中，汽車行駛的道路能夠用計算機(jī)實時處理，提高了計算能力。
六、Apollo地圖采集方法
首先我們先來看看Apollo汽車的采集設(shè)備如下所示：
配備的設(shè)備及功能如下：
| 64線激光雷達(dá) | 采集路面信息 |
| 16線激光雷達(dá) | 紅綠燈或者高架信息 |
| GPS | 基于基站，利用RTK方式精確定位 |
| IMU | 檢測和記錄汽車行駛時的加速度，提供相關(guān)信息 |
| 長短焦 | 周圍圖像環(huán)境的采集 |
當(dāng)然也會利用對傳感器的正常工作進(jìn)行檢測，以確保采集工作的正常運(yùn)行。所以阿波羅也提供了一鍵式安裝方案，確保各個設(shè)備能正常工作的同時，也能數(shù)據(jù)一致，不會出現(xiàn)偏差。
基站搭建
為了提高定位的精度，外面也會采用基站搭建的方式。通過RTK差分?jǐn)?shù)據(jù)來矯正誤差值，為地圖數(shù)據(jù)提供全局的坐標(biāo)信息。
當(dāng)然基站建設(shè)時需要在比較寬廣平坦的地方，這樣才能不斷的觀察衛(wèi)星位置。一旦汽車與基站之間有遮擋物，當(dāng)然是那種讓信號很難逾越的物體時，就很難保證其實用性了。
采集流程
在采集之前，先檢測設(shè)備能正常運(yùn)行的標(biāo)定，這樣設(shè)備就可以開始進(jìn)行采集工作了。當(dāng)然在采集過程需要注意的一點就是雙向車道覆蓋三到五遍，目的也是為了能夠達(dá)到一個較好的結(jié)果。
當(dāng)然采集過程中，車速也不能太快，最好保持在六十邁以內(nèi)就是很好的效果了。
然后我們會將地圖信息打包壓縮，這樣就能將信息傳輸和共享，以便我們使用或者開發(fā)者共同使用了。
七、Apollo地圖生產(chǎn)技術(shù)
我們主要分享在城市道路中如何生產(chǎn)地圖。
數(shù)據(jù)采集：前面我們已經(jīng)講過了，采集數(shù)據(jù)時使用什么樣的設(shè)備，經(jīng)過什么樣的流程等；
數(shù)據(jù)處理：數(shù)據(jù)大致分為點云和圖像，因為L4級別的地圖對精度要求比較高，所以主要是以點云為主。拿到點云后會對點云進(jìn)行拼接，讓數(shù)據(jù)具有可用性，這是對點云的處理。接下來我們會將點云壓縮成圖像，因為點云的精度很高，所以基于這樣的圖像作圖像識別的精度也很高，這就是圖像處理過程；
元素識別：我們大豆基于深度學(xué)習(xí)對元素進(jìn)行識別和分類。但是如果沒有車道線這種情況的話，車很難處理這種行為，所以如何對人離線的情況車又無法處理的情況我們需要更多的算法保證；
人工驗證：就是在對汽車處理車道線或者紅綠燈等邏輯上加入人的思維。例如車右轉(zhuǎn)時，我們應(yīng)該看哪個紅綠燈等關(guān)聯(lián)處理。
接下來我們學(xué)習(xí)當(dāng)64線雷達(dá)感知到的點云圖數(shù)據(jù)，如何利用起來進(jìn)行數(shù)據(jù)融合加工的處理，拼接到一個完整的圖。
接著是基于深度學(xué)習(xí)的要素識別。
在對要素識別是，很重要的方法是通過對點云數(shù)據(jù)的特征提取，因為點云的信息比較準(zhǔn)確。例如從其中提取車道線或者路燈等。
接著我們學(xué)習(xí)人工生產(chǎn)驗證的技術(shù)，左側(cè)黑白圖像是發(fā)射后的環(huán)境信息，融合處理成為右側(cè)花花綠綠的高精度地圖數(shù)據(jù)。
成果
在經(jīng)過了上述的步驟制作后，我們就會得到一個定位地圖、高精度動態(tài)圖、路徑規(guī)劃地圖和仿真地圖。
當(dāng)然路徑規(guī)劃地圖和仿真地圖都是基于定位地圖和高精度地圖制作的。
八、Apollo高精度地圖
可以看到百度地圖的數(shù)據(jù)元素也是很多的，這也是為了滿足不同的復(fù)雜環(huán)境和駕駛需求。
其中最重要的是邏輯關(guān)系元素，其它的暫且不講。
邏輯關(guān)系：就是把兩個關(guān)系不是嵌入到各個元素中去，而是通過一個額外元素把這個兩個元素關(guān)聯(lián)起來。
這是我們的車道線模型，也是和OpenDRIVE的規(guī)則大致相同。
Apollo內(nèi)部還是采用這種UTM的坐標(biāo)系，該坐標(biāo)系類似于把全球分成60個Zone，每個Zone的中心建立一個局部坐標(biāo)系。它是一個比較復(fù)雜的系統(tǒng)，因為要把全球坐標(biāo)系的每個位置都描述的非常精確。
我們基于的地圖不僅僅是這一種坐標(biāo)系，還有兩種，當(dāng)然想要更深入的了解，可以在下一步的學(xué)習(xí)中進(jìn)行系統(tǒng)學(xué)習(xí)。
OpenDrive規(guī)范
規(guī)范的目的就是將所有的而東西做一個歸類。例如我們會把地面上的所有標(biāo)識歸屬為Objects，把標(biāo)牌歸屬為Signal。
上圖是我們Apollo對于規(guī)范的一些改進(jìn)地方，詳細(xì)地方可以詳細(xì)查看。
HDMap
可以看到高精度地圖的整個運(yùn)行過程也是較為繁瑣復(fù)雜的。
可以看到對于我們國家來說，高精度地圖是一個非常機(jī)密的東西，并不是什么人都能來測繪。所以在我們國家不是所有廠商都能采集地圖，只要取得國家測繪部門的許可后，才能對數(shù)據(jù)進(jìn)行采集。
當(dāng)然百度擁有采集數(shù)據(jù)的資格，但是在采集數(shù)據(jù)對于我們來說仍然面對著測繪政策的挑戰(zhàn)。
可以看到百度現(xiàn)在已經(jīng)覆蓋了全國所有的高速公路，還有一些國道和省道，也預(yù)計下一步會覆蓋所有的國道和大部分省道。
本次課程就到此結(jié)束了，謝謝大家看完了這么多繁瑣的文字和圖片。
總結(jié)
以上是生活随笔為你收集整理的进阶无人驾驶—百度Apollo高精度地图的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： python批量下载抖音无水印视频，附软
- 下一篇： T3/T6 出纳 年结及反年结操作