高精地圖技術分析
一．概述
高精地圖和定位是自動駕駛系統中的重要基礎模塊，地圖的質量和定位的結果會直接影響其它模塊的功能，進而決定整個自動駕駛系統的好壞。本次分享將介紹智加科技在高精地圖和定位領域的探索。
什么是高精度地圖？
高精度地圖，通俗來講就是精度更高、數據維度更多的電子地圖。精度更高體現在精確到厘米級別，數據維度更多體現在其包括了除道路信息之外的與交通相關的周圍靜態信息。
高精度地圖作為實現自動駕駛的關鍵能力之一，其將成為對自動駕駛現傳感器的有效補充，為車輛提供了更加可靠的感知能力。與傳統的導航地圖相比，服務於自動駕駛的高精度地圖在各方面要求更高，並能配合傳感器和算法，為決策層提供支持。
針對高精度地圖，利用高精度地圖匹配可將車輛位置精准的定位在車道上，從而提高車輛定位精度；對傳感器無法探測的部分進行補充，實時狀況的檢測與外部信息的反饋，同時獲取當前位置精准的交通狀況；高精度地圖在雲計算的輔助下，能夠有效地位自動駕駛汽車提供最新的路況，幫助自動駕駛重新制定最優路徑。
在西部數據產品營銷總監張丹看來，自動化給高精地圖帶來的影響不言而喻。不過，高精地圖具備兩個基礎屬性：第一預測性，這是地圖的一個基本屬性，通過以地圖為基礎和載體，去融合其他的技術，從而預判出未到達的地點將會發生什么樣的狀況；第二參考性，是指地圖信息作為其他決策的參考基准。
在自動駕駛的時候，所有判斷從人的手里轉移到機器的手里。在這個過程中，自動駕駛地圖完成的不僅僅是地圖的決策，是在輔助自動駕駛如何完成自動駕駛行為的地圖服務。
高精度定位對自動駕駛的重要性
與高精度地圖一樣，高精度定位對自動駕駛也尤為重要。定位技術是自動駕駛的關鍵核心，通過對自動駕駛技術框架進行分析，可知有三個關鍵因素：感知層、決策層、控制層，其中感知層是由電子地圖和傳感器信息組成，電子地圖包含傳統的導航、導航電子地圖數據和高精度電子地圖數據；決策層通過傳感器的數據和傳感器信息，對車輛進行定位，對路徑進行規划，對環境進行理解，對車的行為進行預測；針對車的行動進行規划，從而代替駕駛員通過控制層的電子驅動，對車輛進行控制，從而逐步實現自動駕駛。
從定位的技術發展來看，分為三代，第一是GNSS定位，基於衛星定位技術，提供10米精度的定位能力；第二是慣導定位，目前前裝導航采用慣導定位的技術；第三是高精度定位，基於視覺傳感器，毫米波雷達，激光雷達等，提供亞米級到厘米級定位能力。
因此，精准的定位是自動駕駛的基礎也是核心，缺少精准的定位，自動駕駛可能會出現失誤。
要讓自動駕駛車輛安全的行駛，必須要在全工況下提供出准確安全可靠的定位結果，因此高精地圖解決方案是基於衛星定位和特征定位互為冗余和補充的定位結果。
為什么必須是二者互為補充和冗余的，對衛星定位來說，衛星信號有自己固有的弊端，比如在隧道里，衛星信號會被遮擋，沒有辦法正常使用，或者因為多路徑效應，衛星定位的性能也會受到一定的影響，然而在此時，特征定位可靠性是可以保障的。那么相對應的另外一些場景，比如很惡劣的天氣情況，嚴重的雨雪天氣，視覺定位受到影響。一些西部地區或者有一些路段基礎特征，比如路邊的道路邊界信息不是很清晰，特征定位性能會有所影響。此時，衛星定位依舊可以發揮它的優勢。
而在V2X應用中, 一個在復雜城市環境下的可靠定位是非常重要的, 實時的位置輸出也很關鍵。那么，為什么說高頻率低延時位置更新很重要呢?比如在一個路口, 車要並道了, 它會查看主車道上上車的位置信息，看看是不是允許它並道，如果主車道上的位置信息更新的延時是10毫秒, 那么車在報告位置信息的時候, 已經走到這里了, 兩個位置差別並不是很大，但是如果時延是100毫秒，那給出來的位置信息的時候車已經跑到這里了,和真實的位置相差比較遠，使用這個無效的位置信息有可能會造成比較不好的體驗，甚至會導致事故。
因此，在V2X和ADAS場景下, 非常強調位置信息更新的實時性。
二．高精地圖技術
相較於普通的電子導航地圖，高精地圖擁有更高的坐標精度與更豐富的交通信息元素。
高精地圖分為高精拓撲地圖和高精點雲地圖。在上圖中，上面兩張地圖是高精拓撲地圖，可以看出，它包含了車道線中心和車道線邊線的幾何形狀，用一句話來總結，高精地圖就是：車道級別、厘米精度的道路網絡和交通信息地圖；下面兩張地圖是高精點雲地圖，它使用稠密的點雲來模擬現實車道環境，並通過標簽來標記特殊點雲，反映特殊道路標識等。接下來，我們將分別講解兩種地圖技術，以及高精地圖技術的優勢和生成過程。
1. 高精拓撲地圖
高精拓撲地圖與傳統導航地圖的區別如上圖。由於人腦擁有強大的計算和規划能力，傳統導航地圖的精度和功能對我們完全足夠，但對於電腦操縱的無人駕駛車輛，就需要更高的精度。
高精拓撲地圖包含的主要元素有：
- 厘米級車道邊線和中心線幾何信息
- 車道線類型（白虛線/白實線/黃虛線/黃實線）
- 車道線類（高速/城市道路/自行車道）
- 車道連接信息（前續和后續車道）
- 車道鄰接信息（左車道/右車道/分叉車道/並道車道）
- 交通信息（紅綠燈/限速）
- ...
2. 高精點雲地圖
高精點雲地圖的原理，是使用大量包含道路信息的點組成稠密的點雲，模擬出道路環境，如下圖：
對於一些特殊的道路標識（例如紅綠燈、指示牌等），會給對應的點打上特殊的label（標簽）來表示，如下圖：
3. 為什么使用高精地圖
高精地圖是感知、預測、規划和定位等模塊的基礎，好的高精地圖能讓這些模塊變得更加智能。
① 感知模塊
紅綠燈識別、車道線識別和障礙物識別是感知模塊的三個基本任務。在紅綠燈識別任務中，有了高精地圖，感知模塊只用在當前車道前方有紅綠燈的時候才用深度學習去識別，這樣一方面可以節省資源占用，另一方面減少了紅綠燈的誤報漏報；在車道線識別任務中，高精地圖能夠提供車道數、車道寬度等豐富的信息，幫助車道線識別做的更好；在障礙物識別任務中，高精地圖可以輔助更加精確地識別當前車道前方障礙，比如前方車輛，這對於車輛ACC功能（自適應巡航控制）有很大幫助。
② 預測模塊
高精地圖也可以輔助對道路上其他車輛的軌跡預測，例如如果前方某輛車行駛在實線車道內，可以預測該車輛的變道可能性很小；如果前方車輛行駛在最右側車道，且前方有高速出口，可以預測車輛有可能駛出高速等。
③ 規划模塊
通過高精地圖反饋的車道線信息、限速信息、車輛當前位置、坡度信息等，可以實現對車輛行駛速度、變道軌跡、節油駕駛等的規划。
④ 定位模塊
高精定位模塊更多運用於高精點雲地圖，如上圖，白色的部分為離線生成的點雲地圖，藍色的部分為實時采集的車輛行駛位置數據，通過將二者相匹配，實現對車輛更加精准的定位。
4. 高精地圖的生成
生成高精地圖的過程需要采集大量的數據，我們的采集途徑包括：GNSS（全球導航衛星系統）、IMU（慣性測量單元）、輪速計、激光雷達點雲以及攝像頭圖像。其中，GNSS可以提供車輛的絕對坐標，IMU和輪速計可以提供車輛的相對位置信息，激光雷達點雲和攝像頭可以提供車輛周圍的三維環境信息。數據采集完畢后，需要對數據進行預處理，包括數據抽取、時間對齊、圖像去畸變和點雲去畸變等過程。時間對齊可以將所有所得數據統一到同一時刻，進行數據融合；圖像去畸變可以減少圖像本身的伸縮和旋轉，使圖像數據更加精准；點雲去畸變可以減少激光雷達轉動帶來的誤差。之后，利用深度學習的方法對數據進行語義信息提取，提取信息包括地面、車道線、紅綠燈、道路標牌、電線桿和車輛等信息，如下圖：
提取完畢后，需要對每一幀的點雲數據進行位姿優化，使疊加后的點雲數據更准確。優化過程主要基於SLAM-Based Bundle Adjustment，首先，明確優化目標，包括每一幀的位姿信息，車輛的位置和朝向等；之后，需要定義優化的約束，將優化后數據與原數據差距、相鄰幀重投影誤差等控制在較小范圍內；最后，使用梯度下降、LM算法等進行求解。
優化后，即可進行點雲疊加，生成高精點雲地圖。
在高精點雲地圖的基礎上，還可以通過建立好的車道線模型，自動生成高精拓撲地圖。
最后，為了提高地圖的實用性，需要進行人工驗證，為地圖增加車道線和道路分隔線等。
5. 高精地圖面臨的挑戰
高精地圖的生成過程中，由於道路情況千差萬別，會帶來很多困難和挑戰，例如長隧道的生成。
上圖中，左圖是一張長隧道的道路圖像，在隧道中，GNSS信號較弱，駛出隧道時，GNSS信號也會有很大的跳變，所以，收集的數據會有很大的誤差。中間的圖是位姿優化后的軌跡。右圖是隧道出口和內部的點雲地圖。
三．高精定位技術
在自動駕駛的過程中，高精定位需要滿足高精度、高頻低延遲、高可用性、高可靠性的要求。目前使用的高精定位方法有：衛星定位、高精地圖定位和融合定位的方法，接下來將分別介紹這三種方法的實現和特點。
1. 衛星定位
衛星定位算法的原理是：在車輛行駛的某一位置，可以接受到各個衛星的信號，通過對該位置和各個衛星之間距離的解算，就可以得到該位置的坐標。但是，在收集衛星信號的過程中，會受到電離層和對流層的影響，產生時延等誤差，導致米級別的定位誤差。為了將誤差縮小，需要利用RTK載波相位差分技術進行定位修正，即通過尋找離當前位置較近的、已知精確位置基站，通過接受基站數據，對衛星數據進行修正。衛星定位算法利用的是實時信號， 具有開闊場景厘米級別精度、開闊場景精准定向等優點，但對周圍環境要求較高，對RTK信號依賴較大。
2. 高精地圖定位
高精地圖定位的原理如上圖，對於離線地圖，將其轉變為瓦片地圖，提取車輛所在位置周圍的地圖信息並進行體素化，轉變為離散化的體素地圖；對於車輛行駛過程中收集的在線點雲數據，對其特征提取之后進行離散化。最后，通過對離線數據和在線數據的匹配，生成定位結果。高精地圖定位不依賴衛星信號，精度較高，但是具有依賴高精地圖質量、依賴車輛周圍環境等局限。
3. 融合定位
為了使高精定位滿足高精度、高頻低延遲、高可用性、高可靠性的要求，我們將以上兩種定位方法融合使用，產生了融合定位算法。在融合定位算法中，需要同時接收衛星定位結果、高精地圖定位結果、IMU數據和輪速計數據，進行融合定位和融合測距。融合過程利用了兩種方法：EKF ( Extended Kalman Filter ) 和 ESKF ( error-state Kalman Filter )。融合定位分為預測和更新兩個步驟：在收到傳感器數據前，使用離線信息對車輛位置進行預測，接收數據后，利用在線數據進行定位修整。
4. 高精定位面臨的挑戰
在實際的行駛過程中，可能會遇到一些特殊情況，如下圖：
道路附近樹木或高樓會對衛星信號產生一定程度的遮擋，使衛星定位產生誤差，而堵車情況導致的行駛環境，又會使離線抽取的環境地圖產生誤差。在這種情況下，衛星定位結果和高精地圖定位結果都不准確。如何解決這類特殊情況，就是高精定位過程中面臨的困難和挑戰。