Apollo进阶课程 ⑦ | 高精地图的采集与生产

在上周，阿波君为大家具体介绍了「 Apollo进阶课程 ⑥ | 高精地图与自动驾驶的关系」。

用于L3、L4级别自动驾驶的高精地图，对整个道路的描述更加准确、清晰和全面。

高精地图除了传统地图的道路级别，还有道路之间的连接关系，专业术语叫Link。

高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道。

本期，阿波君将与大家分享「高精地图的采集与生产」相关内容。

话不多说，欢迎开发者一起进入进阶课程第6期。

各式各样传感器和算法相结合，自动驾驶汽车才能生成可用的高精地图。

因此， 高精地图的采集与生产 是一系列非常复杂的行为。

高精地图采集所需要的传感器主要有 GPS 、 IMU 、 轮速计 三类。

GPS既可以说非常好用也可以说非常难用。

 空间点位置的计算原理 （通过GPS）：

空间点位置是一个「三维坐标」，TA有「三个变量」，需要「三个方程」。

从理论上来说，如何才能得到空间点位置相关的三个方程？

通过观测三颗卫星与空间点位置的距离，利用三角测量法，就可以准确地得到地球上任何一点的空间位置。

但三颗卫星的测量方案在实际应用中，可能会存在「误差」。

因此，在空间点位置的计算过程中，我们经常要检测四颗或四颗以上卫星，才能实现「精确的定位」。

4颗以上卫星即可实现精准GPS定位

举例来说，在高速路等非常空旷的地方时，自动驾驶汽车所能接收到的GPS的信号非常好。

不需要复杂的策略，就能得到很好的定位结果。

因此，空旷地带的GPS精确、好用 。

这就是为什么很多公司刚进入自动驾驶领域研发时，都会选择「高速路线」的原因。

而在城市道路环境下，GPS将会非常难用。

这是由于高楼等障碍物遮挡，导致自动驾驶汽车所能接收到的GPS信号发生偏移。一般来说，GPS在城市中定位的「平均偏差」在50米左右。

众所周知，在城市复杂道路中，自动驾驶车辆上搭载的GPS偏差0.5米，所造成的事故后果都是不可估量的，更不用说如此大的偏差了。

惯性测量单元（右）

目前 IMU （惯性测量单元）是自动驾驶汽车的标配。

IMU是测量三轴加速度的一个装置，通过算出积分，得到任意两帧间的相对运动。

IMU有「高端」和「低端」之分。高端IMU能保持较长时间的计算精确度，而低端IMU在GPS信号丢失的情况下，能够维持比较精确的时间非常短。

实际工作中，由于不可避免的各种干扰因素， 如果不对该运动加以校正，IMU的误差会就随着时间的推移变得越来越大 。

 轮速计 本身存在缺陷。

目前，轮速计的使用非常普遍，很多汽车都配备了轮速计。

在现代汽车技术的应用中，轮速计被用来做「运动约束」，如从A点到B点，汽车行驶的距离。

轮速计（左）受地面材质的影响很大

但是由于车型差异、地面交通路况不同。

如地面结冰与水泥路面，二者 路况不同，路面的摩擦系数也不一样 ，就会导致轮速计统计结果的差异。

这是为什么轮速计本身存在缺陷的原因所在。

目前主流的制图方案有基于 激光雷达 和 Camera融合激光雷达 两种方案。

 激光雷达 通过「发射」和「接收」激光光束得到两点之间的距离，因此其精确度非常高。

激光雷达内部的扫描部件与光学部件，通过收集反射点与反射点发生的时间和水平角度，从而得出任意一点的空间信息和光强度。

该坐标信息扫描的是某个局部，通过一定的坐标转换，能够形成一个全局的坐标系。

无论是GPS，还是IMU、轮速计，各个传感器都存在一定的缺陷， 我们无法仅运用单一的传感器，采集出一个精确的数据。

高精地图的制作流程

所以要综合运用各种传感器。

通过将GPS、IMU和轮速计测出的数据进行「融合」，再运用「Slam算法」，对Pose进行「矫正」，最终才能得出一个「相对精确的Pose」。

最后把空间信息通过激光雷达「扫描出三维点」，转换成一个「连续的三维结构」，从而实现整个空间结构的「三维重建」。

高精地图的计算模型

通过扫描的激光点和GPS、IMU的测量数据综合运用，能够计算出一个 预测结果与实际结果最小差距的数值信息。

但这只是我们在高精地图采集过程中一个最优化的计算模型，实际情况比这个要复杂得多。

虽然激光雷达采集的信息非常精确，但它采集的信息非常少，无法提供像图像那样丰富的语义信息、颜色信息。

因此，目前 主流自动驾驶研发公司 ，如百度，采用的是 Camera融合激光雷达 的方案。

通过融合二者的优势，综合运用丰富的图像信息和精确的激光雷达数据，最终得出一个非常精确的高精地图。

高精地图生产，部分厂商采用视觉制图的方案

高精地图生产的方案供应商还有英伟达、宽凳科技、DeepMotion和Level 5公司等。

其中， 英伟达 做GPU出身，其计算硬件 非常强大。

国内的 宽凳科技 号称是用纯视觉制图，精度能做到20厘米，能够通过在线检测实时生成制图。

 DeepMotion 运用的也是纯视觉制图方案，其理论精度可达厘米级。

此外，还有来自国外的 Level 5 公司，该公司运用车载行车记录仪或手机上较低端的Camera就能够实现众包制图，但它的具体效果还不是很明确。

﹏﹏﹏﹏   END  ﹏﹏﹏﹏

阿波君说：

在学习过程中，开发者不仅可以在Apollo开发者社区小程序上对课程内容进行提问，还可以在开发者微信群中交流学习心得，共同学习自动驾驶技术。

开发者社区还将在公众号上定期推送课程相关的技术干货，全程陪伴大家共同进步。

祝Apollo开发者们顺利完成《Apollo自动驾驶进阶课程》的学习，在自动驾驶道路上越走越远！

阿波君还欢迎大家在小程序内晒出学习笔记，也可以加入开发者交流社群与大家交流互动，有好礼相送！

观看/阅读完该节课程后

在开发者社群

及小程序「社区问答」版块内

上传你的课程笔记截图

手写笔记/电脑文档均可

即可联络社区小助手获取

百度周边纪念品1份

赶快来撩吧~比心~