自动驾驶基础（十四) 之环境感知和实时定位-绵羊汽车生活记录

前面有讲过，自愿驾驶现实和人手动驾驶雷同，必要管理三个题目：一是我正在哪？二是我要去哪？三是怎样去？也即是情况感知，估计打算理会以及途途计划，结尾即是独揽实施。能无缺管理这三个题目即是真正的自愿驾驶。

· 第二个题目是途途计划，自愿驾驶的途途计划第一层是点到点的非时代闭系性拓扑途途计划，第二层是及时的毫秒级避障计划。第三层是将计划认识为纵向（加快率）和横向（角速率）计划。

目前自愿驾驶的技艺根基上都源自机械人，或者说，自愿驾驶可能看做是轮式机械人加一个满意的沙发。机械人体例中定位和途途计划是一个题目，没有定位，就无法实行计划途途。厘米级及时定位是目前自愿驾驶最大的挑拨之一。对机械人体例来说，定位闭键靠SLAM与先验舆图（Prior Map）的交叉比较。SLAM是Simultaneous Localization and Mapping的缩写，意为“同时定位与修图”。它是指运动物体依据传感器的讯息，一边估计打算自己处所，一边构修情况界图的历程。目前，SLAM的操纵范围闭键有机械人、虚拟实际和巩固实际。其用处席卷传感器自己的定位，以及后续的途途计划、场景融会。

跟着传感器品种和装置式样的分别，SLAM的完成式样和难度会有很大区别。按传感器来分，SLAM闭键分为激光、视觉两大类。此中，激光SLAM商讨较早，表面和工程均较量成熟。视觉计划尚处于试验室商讨阶段，操纵于室内且低速的贸易化产物都没有产生，更况且远比室闺阁内繁杂的高速运动室外情况。单从这点来说，激光雷达是自愿驾驶必备的传感器。

SLAM 技艺涵盖的边界特殊广，遵从前面分别的传感器（激光和视觉传感器）、操纵场景、核默算法，SLAM 有许众种分类技巧。遵从传感器的分别，可能分为基于激光雷达的 2D/3D SLAM、基于深度相机的 RGBD SLAM、基于视觉传感器的 visual SLAM（简称 vSLAM）、基于视觉传感器和惯性单位的 Visual Inertial Odometry（简称 VIO）等。

激光雷达好处是可视边界广，然则错误性价比低，低本钱的雷达角分离率不足高，影响到修模精度。VSLAM的话错误即是FOV往往不大，50-60 degree，云云高速盘旋时就容易丢，管理计划即是众传感器的调和，比方vSLAM跟雷达又有IMU的组合。

SLAM商讨自1988年提出此后，曾经过了近三十年。早期SLAM商讨注重于运用滤波器表面。21世纪之后，学者们入手下手模仿SfM(Structure from Motion)中的式样，以优化表面为根蒂求解SLAM题目。这种式样博得了必然的功效，而且正在视觉SLAM范围中博得了主导位置。人们有时分会搅浑SLAM和视觉里程计的观点。该当说，视觉里程计是视觉SLAM的一个模块，其主意正在于增量式地揣摸相机运动。然而，无缺的SLAM还席卷增添回环检测和全体优化，以得到切确的、全体一律的舆图。目前开源的视觉传感器SLAM算法闭键分三大类，寥落法，又称特性点法。繁密法，闭键是RGB-D。半繁密法，单目和双目用的众，是目前最炎热的范围。激光SLAM闭键技巧有Hector、Gmapping、Tiny等。

机械人定位常睹三大类，相对定位，绝对定位和组合定位。自愿驾驶凡是用组合定位，最先本体感触传感器如里程计（Odometry）、陀螺仪(Gyroscopes)等，通过给定初始位姿，来丈量相看待机械人初始位姿的间隔和方历来确定目今机械人的位姿，也叫做航迹推求。然后用激光雷达或视觉感知情况，用主动或被动标识、舆图完婚、GPS、或导航信标实行定位。处所的估计打算技巧席卷有三角丈量法、三边丈量法和模子完婚算法等。从这个角度而言，IMU也是自愿驾驶必备的部件。

同时，机械人的自助定位现实上是个概率题目，是以机械人定位算法也产生两大宗派，一类是卡尔曼滤波器，一类是贝叶斯推理。卡尔曼滤波器有Extended Kalman Filter（EKF），Kalman Filter(KF)，Unscented Kalman Filter (UKF)定位技巧。另一类是基于贝叶斯推理的定位技巧。利用栅格和粒子来描摹机械人处所空间，并递推估计打算正在形态空间上的概率散布，比方Markov Localization (MKV)， Monte Carlo Localization (MCL)定位技巧。

正在舆图完婚上，必需有一幅Prior Map（先验舆图）与之比较。这幅舆图不必然是厘米级高精度舆图。这就必要说说舆图了，舆图可能分为四大类，划分是Metric、Topologic、Sensor、Semantic。咱们最常睹的舆图是语义级舆图，无人驾驶不是导弹，凡是输入主意地该当是语义级的，究竟人类的交通形式仍然语义级的，而非地舆坐标。这也是机械人和无人驾驶的区别之一，机械人凡是不思考语义级道理，它只必要晓得己方正在坐标编制中的处所。GPS供应的则是环球坐标系的Metric。另日的V2X会供应也会供应一幅雷达和视觉探测间隔以外（NLOS）的特定物体（挪动的行人和车）的舆图，或者可能叫V2X舆图。目前国内商讨阶段的无人车多数是用GPS RTK定位，GPS RTK必需配合厘米级高精度舆图才调获得语义讯息，于是是不大概真正无人驾驶的。

第一种，激光雷达的SLAM，使用车辆自带的GPS和IMU做出或许处所剖断，然后用预先打定好的高精度舆图（Prior Map）与激光雷达SLAM云点图像与之比较，或者说Registration，放正在一个坐标系内做配准。配对（Matching）胜利后确认自车处所。这是目前最成熟，确凿度最高的技巧。

第二种，使用激光雷达的强度扫描图像。激光雷达有两种最根基的成像式样，一是3D间隔成像，可能近似地融会为点云；二是强度扫描成像，激光经物体反射，依据反射强度值的分别，可能获得一副强度成像图像。强度值是席卷正在点云里的，光强区别中枢技艺之一。这种定位技巧必要预先制制一个特地的SLAM体例，称之为位姿图像SLAM（Pose-GraphSLAM），牵强可看作激光雷达缔制的高清舆图。有三个牵制要素（Constraints），一是扫描完婚牵制（Z），二是里程计牵制（Odometry Constraints，U)，GPS先验牵制（Prior Constraints）。激光雷达的3D云点舆图抽出强度值和可靠地面（Ground Plane），转化为2D的地面强度扫描图像。与位姿图像SLAM配对后即可定位。

第三种也有称之为图像巩固型定位，往往是将Lidar和视觉体例联络实行定位，用单目即可。这种技巧必要预先打定一幅激光雷达缔制的3D舆图，用Ground-PlaneSufficient获得一个2D的纯地面模子舆图，用OpenGL将单目视觉图像与这个2D的纯地面模子舆图进程坐标变换，用归一化互讯息（normalized mutual information）配准。然后用扩展卡尔曼滤波器（EKF）来完成定位。

第四种是高斯羼杂模子，这现实仍然第二种技巧的填补，正在遭遇阴毒情况，比方很厚的积雪，雪后又有残雪的泥泞的道途，缺乏纹理的老旧的被摧毁的道途，用高斯羼杂模子来做定位，降低激光雷达定位的鲁棒性。

前面四种都离不开激光雷达，本钱颇高，然则室内VSLAM又未抵达适用形象，更不要说室外定位了。是以Mobileye提出一种无需SLAM的定位技巧。这即是REM。固然REM不消视觉SLAM，但明晰只是视觉SLAM的变种云尔，Mobileye 通过搜聚席卷交通讯号、宗旨指示牌、长方形指示牌、途灯及反光标等「地标」，获得一个大略的 3D 坐标数据；再通过识别车道线讯息，途沿，阻隔带等获取丰裕的 1D 数据。把大略的 3D 数据和丰裕的 1D 的数据加起来，巨细也只是是 10Kb/km，摄像头的图像与这种REM舆图中完婚即可定位。Mobileye这种策画毫无疑义是本钱最低的，但条件是起码有上万万辆车装备REM体例，可能自愿征求数据并上传到云端，有些途段或者说非道途地域，没有装载REM体例的车走过，就无法定位。正在环球边界内让装载REM体例的车走遍每一寸土地是不大概的。这大概牵连到隐私题目，也牵连到数据版权题目，这些数据的版权实情归谁，是车主仍然车企仍然云端的供职商，仍然Mobileye？这题目很难说清。同时REM的数据要实时更新，简直要做到准及时形态，同韶华线对数据影响昭着，REM要滤除那些不相宜的数据，于是保卫这份舆图的有用性必要特殊雄伟的数据量和运算量，谁来保卫这个雄伟的运算编制？又有最致命的一点，REM是基于视觉的，只可正在气候晴好，光后蜕化幅度小的情状下运用，这大大限定了其适用边界，而激光雷达可知足95%的途况。

厘米级定位是无人驾驶的难点之一，不只是车辆自己的语义级定位，又有一个绝对坐标定位，目前GPS定位，城区的最高精度大约10米，郊区大约5米。GPS RTK只可正在小边界操纵，掩盖面有限，体例带宽更有限，跑几辆车拼凑，上百辆体例大概就解体了。北斗地基体例闭键做军用，体例带宽和改善频率有限，无法做大范畴商用和车用。日本的准天顶卫星只可掩盖中国东部少数地域，而且也不是永远之计。

千寻处所已供应基于载波相位差分技艺的RTK厘米级高精度定位供职。除了差分定位，您还可能装备其它辅助定位式样，比方惯导传感、视觉、雷达或是完美性监测预警，来低浸概率失足危急。确保厘米级定位输出结果具体凿无误。可能通过将GPS、Galileo，北斗等环球导航卫星体例（GNSS）与及时动态（RTK）技艺相联络完成高精度定位。 RTK是从信号载波相位运用吸收器丈量的技艺。这些丈量联络来自当地“基站”或虚拟基站的校正，可使吸收器管理载波混沌度，向终端用户供应厘米级切确处所讯息，终端用户挪动设置往往被称为“滚动站”

目今的RTK高精定位技艺必要配合高精度舆图才调充沛施展效用，而通过与高精度舆图技艺的配合，车载RTK技艺可能正在中短基线cm以内精度的定位，并通过双天线定向板卡做到切确侦测汽车的姿势及途况讯息，这看待自愿驾驶汽车完成全体途途计划、先验性预测以及车辆姿势的切确独揽大有裨益，同时也正在最大水平上避免了急刹车、急加快以及稠密交通事项的发作。

‘RTK+高功能惯性导航+里程计’将会构成一套较为具备的高精度定位体例，当然即使高精度舆图能供应舆图反应的功用，乃至基于舆图可能剖断楼宇桥梁处所，并对卫星信号的遮挡及众途途效应做出提前预判，就可能大幅降低RTK定位精度。而从更普遍的道理而言，高精度舆图的主意则是让智能驾驶独揽者能最大水平的‘用好’RTK定位技艺，即使仅晓得绝对精准的处所，没有对应的舆图供应切确的外围情况而不行已毕完婚，则对智能驾驶而言就没成心义。

当然，另日无人车的定位很难挣脱厘米级舆图，然则这只是车辆启动前的第一次定位，车辆启动后，使用车载激光雷达的SLAM和贫穷物识别全体可能庖代高精度舆图做自助导航。于是异日，高精度舆图的闭键效用是定位而非导航，也无需车载，放正在云端即可。

为什么车载激光雷达的SLAM和贫穷物识别可能庖代高精度舆图做自助导航，咱们会不才面的章节做精确论说：无人驾驶中枢技艺之二：途途计划。