基于多传感器的车道级高精细地图制作方法 | 厚势汽车

厚势按：导航、驾驶辅助、无人驾驶等技术的不断发展对地图的精细程度提出了更高的要求。常规的道路级地图对于智能交通系统存在很多不足，针对车道级导航等应用的需求，提出了利用全景摄像头、GPS 和惯导制作车道级高精细地图的方法。

首先提出了车道级高精细地图的分层定义，然后根据地图定义设计了一套方便可行的精确地理数据采集处理方法。高精细地图的细致定义会导致数据量较大，为保证地图相关操作的实时性，引入了数据库管理系统，为大数据量检索提供支持。研究结果表明：给出的高精细地图制作方法具有实用性和优越性。

本来来自 2015 年 1 月出版的《 长安大学学报 》，作者是上海交通大学机械与动力工程学院的贺勇与王春香副教授、上海交通大学电子信息与电气工程学院的路昊与杨明教授以及国防科学技术大学的吴涛教授。

0. 引言

电子地图在车辆导航系统中的广泛应用推动各个国家开展了多尺度、高精度导航数据的研制和生产。但目前较成熟的导航数据生产技术都是制作车道级地图，而随着智能交通系统（ITS）、高级驾驶辅助系统（ADAS）、智能车等应用的发展，对导航地图数据提出了更高精度、更精细化的要求。许多应用需要使用高精度的电子地图，例如使用先验地图信息进行定位 [1-3]，高级驾驶辅助系统 [4-6]，以及车道级路径规划 [7]。

高精细地图是指高精度、精细化定义的地图，精度需要达到分米级用以区分各个车道，如今随着全球定位系统的发展，高精度的定位已经成为可能。精细化定义，则是需要存储在行车中需要考虑的交通因素，而不只是普通地图中的道路网络。

为此，本文针对高精细地图的应用需求，提出了车道级高精细地图的制作方法。

1. 高精细地图定义

1.1 高精细地图存储

地图是现实地物的抽象，现在最普遍采用的表示方法是点、线、面抽象，其中道路形状表示方法最简单的是直接将路点连接成线。现在基于智能车应用的研究提出使用控制点进行道路曲线拟合的方法，其优势是在相同精度条件下能够使用较低的数据量 [8]。但本文的方法旨在建立大范围区域地图，考虑地图数据的兼容性，采用简单的路点连接方法构建点线面模型。

电子地图存储采用分层结构，每层存储一种类型的数据，在地理信息查询和地图显示的过程的中只需对相应图层数据进行操作，就能够提高地图数据的使用效率。

图 1  地图制作流程

基于上述原因，本文地图创建方法使用了对象关系数据库存储地图数据，并对地图数据进行了分层，地图数据结构根据对象关系数据库表进行定义，使用地理信息编辑软件对地图数据进行可视化编辑和存储。整体流程如图 1 所示。

1.2 高精细地图定义与分层

高精细地图是一种精度高、定义细的地图，其中精度高在于数据采集方法，而定义细是通过多层数据实现。高精细地图面向的应用是车道级导航、ADAS 系统以及智能车等，现实交通系统中的交通要素能够获取到的都应该尽量包含在地图数据中。根据需求，高精细地图数据逻辑结构上划分为 4 层：

• 第 1 层定义与现有道路级地图一致，包含道路网络信息；

• 第 2、3 层为高精细地图的核心，分别是车道网络和车道线；

• 第 4 层为交通标志层，包括信号灯、路牌、地面路标等信息。

使用关系数据库的表方式存储，规划出以下各层信息存储的表格。第 1 层见表 1、表 2，分别为点、线部分属性表格。第 2 层是车道网络信息，路点定义类似不在赘述，表 3 是部分车道信息，可根据不同应用的需求进行增减。第 3 层是车道线信息，部分信息如表 4 所示。第 POI 层存储 数据，类似路点方式存储，这里不列出。

表 1  Road_node 定义

表 2  Road_link 定义

表 3 Lane_link 定义

表 3 Lane_maker_link 定义

2. 数据采集处理方法

图 2  数据采集硬件框架

高精细地图首先需要具备高精度的地理数据，根据对数据采集的需求和一般地图数据采集车的配置，提出了以下架构的基于多传感器的地图数据采集系统。其中，GPS/INS 组合定位提供车道级别的定位信息，全景图用于获取车道线、车道标牌等信息。数据采集硬件框架如图 2 所示。

2.1 GPS/INS 数据融合定位

2.1.1 GPS 定位方法

高精细地图首先需要高精度的定位数据，要建立车道级别的地图至少需要定位数据能够区分出各个车道，达到分米级的定位精度。

目前用于定位的方法中，最为普遍的是使用全球定位系统 GPS，单点 GPS 的定位误差一般在 2 m 以上，不足以用于建立高精细地图。目前可用的高精度定位方法还有 RTK-GPS，但是 RTK-GPS 对 GPS 信号质量要求很高，而且基站电台的覆盖范围有限，不适用于大范围采集数据建立高精细地图。

本文采用精密单点定位（PPP）技术，使用一台双频接收机采集 GPS 原始数据，在信号较好的区域能够得到 10ｃm误差以内的定位数据 [9]。

2.1.2 GPS/INS 融合方法

对于 GPS 信号遮挡区域采用 GPS/INS 融合。GPS/INS 数据融合采用扩展卡尔曼滤波（EKF）方法 [10]。

首先建立系统的状态方程和观测方程：

系统的过程噪声定义为：

先验估计方程为：

测量噪声矩阵定义为：

将系统线性化，对各部分求雅克比矩阵：

先对系统进行预测更新，再对协方差矩阵更新：

更新后，对观测进行更新，进行后验估计：

在卡尔曼滤波时需要对 GPS 信号质量作出限制，当星数小于 5 或者 DOP 大于 3 时 GPS 数据被忽略。

2.2 全景图采集处理

图 3  全景图转换

全景图数据采集前先使用标定板对摄像头进行精确标定，完成原始数据采集首先进行预处理得到全景俯视图，如图 3 所示。

从俯视图中通过全景图信息采集工具选取 POI 直接得到经纬度坐标，同时获取其他所需的信息例如路口、车道线型等。全景图采集工具集成各种全景操作为一体，可批量读入全景图和与之对应的车辆经纬度和航向，选取图中点即可返回所选点的经纬度坐标，同时方便的进行标注，如图 4 所示。

图 4  全景图信息采集工具

图 5  全景图操作流程

完成数据获取之后可再投影到全景图验证是否准确可靠，整个全景图操作流程如图 5 所示。

3. 试验结果

3.1 PPP 定位精度验证

图 6  PPP与 RTK-GPS 对比

如图所示，图 6 中 RTK-GPS 与 PPP 后处理定位结果对比，图（a）中黑色为 PPP 处理结果，红色为 RTK 数据结果；图（b）为以ＲTK-GPS 为基准的 PPP 定位误差图，大部分定位误差在 10 cm 以内，由比较可知，PPP 与 RTK-GPS 具有的定位精度相当，能够满足建立车道级地图的需求。

3.2 EKF 结果

图 7  EKF 对定位修正效果

图 7 为单点 GPS 定位和采用 EKF 定位的不同效果，可以看到，使用 GPS/INS 方法可以有效解决短时间内 GPS 丢失信号或者信号弱的定位问题。

3.3 校园建图结果

图 8  校园建图效果

图 8 为校园范围内建图结果，背景为卫星影像图，加入其他数据层会使可视化效果混乱，图中仅显示车道层的图。图（a）为校园较大范围建图结果，图（b）为局部路口放大图。

4. 结语

（1）提出了一种实用的 GPS/INS 和全景摄像头建立高精细地图的方法。根据目前各种应用对电子地图的需求提出了高精细地图的分层表示方法，然后建立了一套可行的高精度数据采集处理方法，使用 PPP 技术和 GPS/INS 信息融合得到精确可靠的定位数据，通过全景摄像头与 GPS/INS 同步采集以及全景摄像头标定，获得全景图中各种交通标志的位置和属性信息。

（2）获取的信息存入数据库，通过地理信息系统编辑软件对地图进行编辑完善，得到可以导入空间数据库系统使用的标准格式地图。本文提出的方法适用于大范围高精细地图的制作和使用。

参考文献

[1] Suganuma N, UozumiT. Precise position estimation of autonomous vehicle based on map-matching [J]. IEEE Intell. Veh. Symp, 2011 (4): 296-301

[2] Levinson J, Montemerlo M, ThrunS. Map-based Precision vehicle localization in urban environments[M]. Cambridge: MIT Press, 2007

[3] Miller I, Campbell M, Huttenlocher D. Map-aided Localizationin sparse global positioning system environments using vision and particlefiltering [J]. Robot,2011,28(5):619-643

[4] Betaille D, Toledo-Moreo R. Creating enhanced maps for lane level vehicle navigation [J]. IEEE Trans. InTell. Transp. Syst. , 2010, 11(4): 786-798

[5] Ress C, Etemad A, Kuck D, etal. Electronic horizon-providing digital map data for ADAS applications. [J]. Madeira, 2008(3):40-49

[6] Durekovic S, Smith N. Architectures of map-supported ADAS [J]. IEEE Intell. Veh. Symp. Baden-BaDen,Germany,2011(4):207-211

[7] ZHANG Lin. Research on lane level route guidance methods for dynamic vehicle navigation system[D].Changchun: Jilin University, 2009

[8]  J, Myoungho S. Generation of aprecise roadway map for autonomous cars [J]. IEEE Trans. InTell. Transp. Syst, 2013(3):1-13

[9] XU Yong-bin. The precision comparison and analysis of online PPP software [J]. Geomatics & SpatialIn-formantion Technology, 2011, 34(4): 167-169

[10] JIN Zhi-zhuo. Research on intelligent vehicle navigation based on maps[D]. Shanghai: Shanghai Jiaotong University, 2012.

编辑整理：厚势分析师盖布林

转载请注明来自厚势和厚势公号：iHoushi

-END-

文章精选

企业家

智能驾驶

新能源汽车

项目和评论

厚

势

汽

车

为您对接资本和产业

新能源汽车 自动驾驶 车联网

联系邮箱

[e-mail]

点击阅读原文，查看文章「电子液压制动系统液压力控制发展现状综述」