高精地圖：激光雷達(dá)點(diǎn)云與高精地圖融合
定位精度和更新頻率是高精定位的顯著特征。

精度與頻率：根據(jù)推算，高精定位需要實(shí)現(xiàn)≤25cm 的定位精度，更新頻率≥100Hz，因此需要在一般導(dǎo)航定位方案的基礎(chǔ)上，與激光雷達(dá)、攝像頭等感知設(shè)備相結(jié)合。

解決方案：按照定位參考系的不同，分為絕對位置與相對位置兩個維度，前者以 GNSS/ RTK 定位代表，后者結(jié)合高精地圖，以點(diǎn)云或視覺匹配為核心。

實(shí)際應(yīng)用：在實(shí)際應(yīng)用中，是兼而有之的融合方案，例如百度 Apollo 以 GNSS 定位與點(diǎn)云匹配定位相融合，最終輸出一個 6 自由度的位置和姿態(tài)信息。
實(shí)現(xiàn)該定位方案的三個關(guān)鍵環(huán)節(jié)：
? 高精地圖的絕對坐標(biāo)精度，以及包含道路信息的豐富、細(xì)致程度；
? 攝像頭、激光雷達(dá)等設(shè)備的感知能力；
? 匹配算法的性能。此外還有不依靠高精地圖支持，單純通過視覺里程算法實(shí)現(xiàn)定位的思路。據(jù)高德高精地圖團(tuán)隊(duì)谷小豐透露，高德基于“激光雷達(dá)+攝像頭”的相對位置定位方案，能夠?qū)崿F(xiàn)平均誤差 9cm 的定位精度。
相對位置與絕對位置代表，思考高精定位的不同視角，在實(shí)際運(yùn)用中是兼而有之。自動駕駛汽車在實(shí)際行駛過程中，會遭遇各種路況環(huán)境，比如衛(wèi)星信號中斷、視線模糊、激光雷達(dá)反射遮擋等，以及尚未遭遇到的“長尾案例”。為實(shí)現(xiàn) L3 及更高級別的自動駕駛，僅僅依靠某一定位方案遠(yuǎn)遠(yuǎn)不夠，而需要多傳感器、多系統(tǒng)的融合定位方案。
相對位置：點(diǎn)云匹配與視覺定位
絕對位置定位以地球?yàn)閰⒖枷?#xff0c;相對位置定位以當(dāng)前駕駛場景為參考系。相對位置定位思路，與人類駕駛過程更為類似：人類駕駛員在駕駛過程中，通過視覺觀察周圍場景中的物體，包括建筑、路緣、標(biāo)志線等，經(jīng)過比對判斷車輛，在當(dāng)前場景中的位置。
類似地，自動駕駛汽車通過高清攝像頭、激光雷達(dá)等感知設(shè)備獲取周圍場景內(nèi)物體的圖像或反射信號，與事先采集的高精地圖數(shù)據(jù)，進(jìn)行匹配，從而獲取對車輛當(dāng)前位置的精確估計(jì)。
相對位置定位可以分為（激光雷達(dá)）點(diǎn)云匹配和視覺定位兩大技術(shù)路線。點(diǎn)云匹配以激光雷達(dá)為核心：激光雷達(dá)向外發(fā)射激光脈沖，從地面或物體表面反射，形成多個回波，返回到激光雷達(dá)傳感器，經(jīng)處理后的反射數(shù)據(jù)稱為點(diǎn)云數(shù)據(jù)。
采集到的點(diǎn)云數(shù)據(jù)與高精地圖進(jìn)行匹配，以實(shí)現(xiàn)汽車在當(dāng)前場景的高精定位，目前主流的匹配算法，包括概率地圖與 NDT （正態(tài)分布變換）算法兩種，代表玩家如 Google、HERE、TomTom。
視覺定位以攝像頭為核心，分為兩種路徑：視覺匹配與視覺里程定位。視覺匹配通過提取圖像中的道路標(biāo)識、車道線等參照物體與高精地圖進(jìn)行匹配，實(shí)現(xiàn)精準(zhǔn)定位，代表玩家如特斯拉、Mobileye、英偉達(dá)?；谝曈X里程算法的定位技術(shù)，以雙目攝像頭為主，通過圖像識別，以及前后兩幀圖像之間的特征關(guān)系，計(jì)算車輛當(dāng)前位置。
但該方案依賴攝像頭的成像質(zhì)量，在光線不佳、視線遮擋等環(huán)境下定位可靠性有待考量，一般不會單獨(dú)使用。不管是點(diǎn)云匹配還是視覺定位，在實(shí)際運(yùn)用中，都并非單純依靠某一種感知設(shè)備，而是實(shí)現(xiàn)包括 GNSS/RTK 定位、IMU、雷達(dá)在內(nèi)多套子系統(tǒng)的融合。
絕對位置與相對位置互為結(jié)合，互為補(bǔ)充
高精度定位由多個定位導(dǎo)航子系統(tǒng)交叉組成，彼此之間相互冗余。按照百度 Apollo的劃分，適用于自動駕駛汽車的定位技術(shù)，可由六部分組成，分別為：慣性導(dǎo)航（定位）、衛(wèi)星定位、磁力導(dǎo)航（定位）、重力導(dǎo)航（定位）、激光點(diǎn)云定位、視覺定位。不同部分之間優(yōu)勢互補(bǔ)，定位結(jié)果之間相互重疊以矯正誤差，提高定位精度和魯棒性。

地面標(biāo)識種類繁多：實(shí)際場景中地面標(biāo)識種類繁多，在內(nèi)容、顏色、形狀、尺寸等方面均有不同分布。
顏色：比如黃色、紅色、白色等
形狀：箭頭形、各種文字?jǐn)?shù)字形狀、條形、多條形、面狀、丘狀等
尺寸：國標(biāo)定義的標(biāo)準(zhǔn)箭頭長度為9m，但也存在1m~2m甚至1m以下的地面標(biāo)識元素，尤其減速帶，人行道等，尺寸差異會更大，反映到圖像中像素個數(shù)，以及長寬比，均會有較大差異。

圖1. 部分地面標(biāo)識
磨損壓蓋多：地面元素長年累月受車輛、行人等碾壓會造成磨損，經(jīng)常存在的堵車等場景，更是加大了地面要素被遮擋的可能。從激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)，由相機(jī)獲取的可見光圖像數(shù)據(jù)的質(zhì)量，均參差不齊，對地面標(biāo)志識別，帶來了極大的挑戰(zhàn)。
常見的問題如下所示，示例如圖2所示。
地面標(biāo)識磨損：地面標(biāo)志由于磨損褪色、掉漆導(dǎo)致不完整或者嚴(yán)重不清晰
采集環(huán)境問題：遮擋(施工、車輛)、由于環(huán)境改變引起的材料激光反射率差異，可見光不清晰（雨天、逆光等）。

圖2. 自然場景下拍攝的地面標(biāo)識
4. 識別起步
地面標(biāo)識識別，將地面標(biāo)識這部分區(qū)域提取出來，則最直觀的是對其進(jìn)行閾值分割、骨架提取、連通域分析等傳統(tǒng)方法。首先獲取點(diǎn)云中地面點(diǎn)集合，接著獲取集合中高反射率部分的骨架集合，然后對每個局部骨架區(qū)域，計(jì)算強(qiáng)度截?cái)嚅撝?#xff0c;最后對區(qū)域進(jìn)行連通區(qū)域搜索，以及附加降噪措施等。
另外也嘗試了GrabCut等算法在地面標(biāo)志上的提取，GrabCut算法對前景和背景分別聚類，得到k組類似的像素集合，對前景和背景，分別進(jìn)行高斯混合模型（GMM）建模，判斷像素屬于地面標(biāo)志還是背景。在提取疑似地面標(biāo)識區(qū)域后，再經(jīng)過機(jī)器學(xué)習(xí)模型（SVM等），進(jìn)行細(xì)分類以獲得更好的識別效果。

圖3. 傳統(tǒng)提取方法識別結(jié)果
由上圖可以看到，對于一些前后景區(qū)分比較好的地面標(biāo)識提取的比較好，但是針對有磨損、模糊、前景背景相似、背景復(fù)雜等情況均效果欠佳，容易漏召回且位置精度不高，魯棒性不強(qiáng)。

5.深度學(xué)習(xí)時代
2012年Hinton團(tuán)隊(duì)提出的Alexnet網(wǎng)絡(luò)，贏得了2012年圖像識別大賽冠軍，相比傳統(tǒng)方法獲得顯著提升，CNN在圖像領(lǐng)域有了明顯優(yōu)勢。近幾年，基于深度學(xué)習(xí)的檢測識別技術(shù)，得到了很大發(fā)展。
深度學(xué)習(xí)時代是數(shù)據(jù)和硬件驅(qū)動的時代，結(jié)合部分人工標(biāo)注以及自動化生成，擁有百萬級的數(shù)據(jù)，而且各種場景的數(shù)據(jù)還在不斷豐富，結(jié)合算法探索與創(chuàng)新，取得了越來越好的技術(shù)與業(yè)務(wù)效果。
目前檢測識別技術(shù)主要分為兩大方向：Two-Stage(如RCNN系列)和One-stage(SSD、YOLO等)。Two-Stage網(wǎng)絡(luò)優(yōu)勢在于效果整體較好，識別位置較精確，對小目標(biāo)檢測也有一定的競爭力。
One-stage檢測識別方法優(yōu)勢，在于處理速度較快。高精地圖不僅需要較高的識別性能、也需要有足夠高的識別位置精度，選擇了準(zhǔn)確率較高的Two-stage大方向。

1）R-FCN檢測
結(jié)合位置敏感得分圖（position-sensitive score map）和位置敏感降采樣（position-sensitive roi pooling）等操作，R-FCN算法在目標(biāo)檢測識別上，獲得了較高的性能和位置精度，選擇了R-FCN檢測算法，實(shí)現(xiàn)對地面標(biāo)識的檢測識別。

R-FCN算法基于深度學(xué)習(xí)的方法，通過學(xué)習(xí)大量實(shí)際場景樣本，在泛化性上取得了比較大的提升，自動化識別，對于不同場景的識別能力有所提高，地面標(biāo)識召回率，得到了較大的改善。算法示意圖如下所示：

圖4. R-FCN算法示意圖
以下為一些地面標(biāo)識檢測識別示例：

圖5. R-FCN算法地面標(biāo)識識別示例
引入深度學(xué)習(xí)，極大的改善了高精地圖地面標(biāo)識，自動識別的性能，地面標(biāo)識召回得到了很大提升，美中不足，R-FCN存在著一個弊端，輸出的最終檢測位置，基于地面標(biāo)識類別的得分，往往得分最高的位置，不一定跟實(shí)際位置最貼合，在位置預(yù)測精度上，R-FCN并不完美。
2）級聯(lián)檢測器
隨著深度學(xué)習(xí)的發(fā)展，業(yè)界對目標(biāo)檢測識別位置精度的要求不斷提高，更多高精度檢測識別算法被提了出來，如Iou-Net等。
適時采用了更加先進(jìn)的識別算法，獲得更加精準(zhǔn)的位置精度，滿足產(chǎn)線業(yè)務(wù)需求，結(jié)合級聯(lián)檢測，利用Deformable-Conv自適應(yīng)感受野等技術(shù)，提升算法識別精度。
算法不同于傳統(tǒng)算法，對roi進(jìn)行一次預(yù)測回歸，得到最終位置，而是通過級聯(lián)的形式，不斷修正預(yù)測的位置和實(shí)際位置的偏差，每經(jīng)過一個級聯(lián)回歸器，算法識別結(jié)果均會更加貼合真值，非常有利于提高識別精度，契合高精地圖，對目標(biāo)位置精度的高要求，最后在召回和位置精度上，達(dá)到更好的效果。

圖6.級聯(lián)檢測算法原理圖
以下為一些算法識別結(jié)果示例：

圖7. 級聯(lián)檢測算法識別示例
通過引入級聯(lián)形式的檢測識別模型，令高精產(chǎn)線自動識別能力，在識別精度上，得到了不錯的提升，但對自動識別位置精度提升的挖掘是無止盡的，有了以下的方案。
3）級聯(lián)檢測 + 局部回歸
設(shè)想一下，如果在地面標(biāo)識區(qū)域，進(jìn)行局部的位置回歸，網(wǎng)絡(luò)就能夠聚焦到更加細(xì)微的地面標(biāo)識區(qū)域，最終得到更加接近邊界的位置。結(jié)合實(shí)際在做地面標(biāo)志識別時，將容易造成精度問題的部分單獨(dú)做位置精修，得到了更加精細(xì)的位置。
以下為部分算法識別結(jié)果示例：

圖8. 算法識別示意圖
采用檢測+回歸技術(shù)方案，實(shí)現(xiàn)了更加好的位置檢測精度，讓離“真實(shí)世界”更進(jìn)了一步。其缺點(diǎn)是技術(shù)方案流程較長，不夠簡潔美觀。
4）基于角點(diǎn)的檢測
基于角點(diǎn)回歸的目標(biāo)檢測方法，使用單個卷積神經(jīng)網(wǎng)絡(luò)，預(yù)測兩組熱力圖，表示不同物體類別的角的位置，將目標(biāo)邊界框檢測為一對關(guān)鍵點(diǎn)（即邊界框的左上角和右下角），每個檢測到的角點(diǎn)的嵌入向量。角點(diǎn)用于確定目標(biāo)位置，嵌入向量用于對屬于同一目標(biāo)的一對角點(diǎn)，進(jìn)行分組。
此種方法簡化了網(wǎng)絡(luò)的輸出，通過將目標(biāo)檢測為成對關(guān)鍵點(diǎn)，消除了現(xiàn)有的檢測器設(shè)計(jì)中，對特征層需要大量anchors的弊端，大量anchors造成了大量的重疊，以及正負(fù)樣本不均衡。同時為了產(chǎn)生更緊密的邊界框，網(wǎng)絡(luò)還預(yù)測偏移，以精細(xì)調(diào)整角點(diǎn)的位置。通過預(yù)測熱力圖、嵌入向量、偏移，最終得到了精確的邊界框。

圖 9 角點(diǎn)檢測示意圖
由于在檢測任務(wù)中，需要獲取相同尺寸的特征圖，對目標(biāo)進(jìn)行位置回歸、類別分類等，算法會進(jìn)行量化，降采樣等操作，不可避免會有精度上的損失。這個弊端帶來的最大影響，就是經(jīng)由檢測回歸出的位置不夠魯棒，在某些情況下，出現(xiàn)或多或少的偏移。
5）級聯(lián)檢測 + 分割精修
隨著語意分割技術(shù)的不斷成熟，基于深度學(xué)習(xí)的語意分割，已經(jīng)能夠?qū)⑤斎雸D像，進(jìn)行像素級的分類，精度也越來越高，圖片中要素的輪廓越來越精細(xì)。
采用以resnet 為主干的分割模型，結(jié)合了自適應(yīng)感受野、多尺度融合、Coarse-Fine融合、感興趣區(qū)域注意力機(jī)制等技術(shù)，實(shí)現(xiàn)了對地面標(biāo)識的像素級分割。
為了獲取地面標(biāo)識的實(shí)體信息，仍然用檢測來確定地面標(biāo)識大致位置，最終由對應(yīng)區(qū)域的地面標(biāo)識分割語義信息，獲取最終精確的地面標(biāo)識位置。

圖10.地面標(biāo)識分割示意圖
以下為部分檢測結(jié)合精修示例圖：

圖11. 分割精修示例
語義分割的引入，使得地面標(biāo)識的識別位置精度，得到了改善，解決了由檢測帶來的，識別位置精度不魯棒的問題，使得高精地圖地面標(biāo)識自動化效果，上了一個新的臺階。
但是這種方法稍顯繁瑣，而且檢測和分割任務(wù)，需要耗費(fèi)大量GPU資源，一張圖片，需要同時多次GPU運(yùn)算，加上后續(xù)的CPU后處理融合，才能夠得到最終的結(jié)果，如果能夠?qū)⑦@些步驟優(yōu)化，必然能夠簡化流程，節(jié)省大量運(yùn)算資源。
6）PAnet
基于以上考慮，采用了基于PAnet的檢測識別算法。傳統(tǒng)的實(shí)例分割模型，各層中的信息傳播不夠充分。PAnet較好的解決了這些問題，充分融合了coarse、fine特征，不僅有自頂向下的特征融合，還結(jié)合了自底向上的特征融合，在高層特征中，充分融合進(jìn)了底層的強(qiáng)定位特征，解決了淺層特征信息丟失的問題。
結(jié)合了自適應(yīng)特征降采樣，將不同特征層進(jìn)行融合提取roi特征做預(yù)測，添加額外mask前景背景分類分支，使得預(yù)測mask更加精確，結(jié)合對于目標(biāo)檢測位置精度，有比較大的收益。分割和檢測任務(wù)結(jié)合，能夠互相促進(jìn)取得更好的結(jié)果。

圖 12 PAnet 示意圖
以下為一些算法的識別結(jié)果示例?？梢钥吹?#xff0c;算法對部分磨損模糊的地面標(biāo)識，也有了一定的寬容度，位置精度有了巨大的改善。（圖中地面標(biāo)識外框?yàn)闄z測得到的大概位置，內(nèi)框?yàn)楦鶕?jù)像素級分割得到的位置，取內(nèi)框?yàn)榈孛鏄?biāo)識最終位置）。

圖 13 檢測識別實(shí)例
采用上述方案，需要將點(diǎn)云投影為2D空間，中間有一定的歸一化量化操作，不可避免的會損失一些信息，在一些點(diǎn)云反射率較低的地方，容易造成目標(biāo)丟失。如果能夠在原始3維點(diǎn)云上，提取這些問題就迎刃而解。
7）基于3維點(diǎn)云的目標(biāo)檢測
基于上面的考慮，探索原始點(diǎn)云上的3D物體檢測，3D點(diǎn)云識別，各種真實(shí)世界應(yīng)用的一個重要組成部分，如自主導(dǎo)航、重建、VR/AR等。與基于圖像的檢測相比，激光雷達(dá)提供可靠的深度信息，可以用于精確定位物體，表征形狀。
探索了多種3維點(diǎn)云識別算法，比如基于bird-view、voxel等的3維點(diǎn)云識別。由于PointRCNN在原始3維點(diǎn)云目標(biāo)檢測上的良好表現(xiàn)，采用基于PointRCNN的方法，提取地面標(biāo)識，整個檢測框架包括兩個階段：第一階段將整個場景的點(diǎn)云分割為前景點(diǎn)和背景點(diǎn)，自下而上的方式，直接從點(diǎn)云生成少量高質(zhì)量的3D proposal。
第二階段在規(guī)范坐標(biāo)中，修改候選區(qū)域獲得最終的檢測結(jié)果，將每個proposal經(jīng)池化后，轉(zhuǎn)換為規(guī)范坐標(biāo)，以便更好地學(xué)習(xí)局部空間特征，同時與第一階段中全局語義特征相結(jié)合，用于預(yù)測Box優(yōu)化和置信度預(yù)測。

圖 14 3維點(diǎn)云檢測
7. 效果與收益
大數(shù)據(jù)的支撐使得算法，擁有更好的魯棒性與識別能力。結(jié)合算法中各種策略，以及多種數(shù)據(jù)源（點(diǎn)云、可見光等），在不斷提升地面標(biāo)識識別精度，其位置精度在Ground Truth 5cm范圍區(qū)間內(nèi)達(dá)到99%以上，召回也達(dá)到了99.99%以上，各項(xiàng)指標(biāo)都得到了穩(wěn)步提升。
上述方案已經(jīng)正式上線，并處理了大量數(shù)據(jù)，準(zhǔn)召率都達(dá)到了生產(chǎn)作業(yè)的要求，同時算法對人工作業(yè)產(chǎn)線的效率提升，作用日益提高。以下是部分效果圖：

圖15. 地面標(biāo)識檢測效果圖
8. 總結(jié)
高精地圖被稱作自動駕駛系統(tǒng)的“眼睛“，與普通地圖最大的不同點(diǎn)，在于使用主體不同。普通導(dǎo)航地圖的使用者是人，用于導(dǎo)航、搜索，而高精地圖的使用者是計(jì)算機(jī)，用于高精度定位、輔助環(huán)境感知、規(guī)劃與決策。高精地圖對地圖要素，不僅需要極高的召回率，還需要非常高的位置精度。
高精地圖中要素的識別，對技術(shù)提出了比較高的要求，縱觀整個高精地圖產(chǎn)業(yè)發(fā)展，地圖制作逐漸從純?nèi)斯?#xff0c;過渡到半自動乃至全自動。期間識別技術(shù)，也不斷得到發(fā)展與完善，從手動構(gòu)造特征到自動特征、從2維識別到3維以及更高維識別、從單源識別到多源融合等。
目前，高精地圖多采用人工作業(yè)，人工作業(yè)質(zhì)量和效率始終是一個矛盾點(diǎn)，相比之下，機(jī)器自動識別，有著更高的效率、更低的作業(yè)成本，不亞于人工的作業(yè)質(zhì)量。自動識別的應(yīng)用，必將加速高精地圖構(gòu)建，推動高精地圖產(chǎn)業(yè)發(fā)展。高精度地面標(biāo)識識別技術(shù)，已經(jīng)在高德高精地圖內(nèi)部得到應(yīng)用，有效提升了數(shù)據(jù)制作效率與制作質(zhì)量，為高德構(gòu)建高精地圖，提供堅(jiān)實(shí)的技術(shù)支撐。

參考鏈接：
http://news.eeworld.com.cn/mp/ICVIS/a95793.jspx
https://www.cnblogs.com/amap_tech/p/11857909.html

總結(jié)

以上是生活随笔為你收集整理的高精地图：激光雷达点云与高精地图融合的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。