科技

無人駕駛技術課——定位(2)

本節將介紹自動駕駛汽車的定位技術下,包括:鐳射雷達定位和視覺定位,以及Apollo框架是如何解決定位問題的。

鐳射雷達定位

利用鐳射雷達,我們可以通過點雲匹配來對汽車進行定位,該方法將來自鐳射雷達感測器的檢測資料與預先存在的高精度地圖連續匹配。通過這種比較,可獲知汽車在高精度地圖上的全球位置和行駛方向。

有許多演算法可用於匹配點雲,迭代最近點(ICP)是其中一種方法。假設我們想對兩次點雲掃描進行匹配,對於第一次掃描中的每個點,我們需要找到另一次掃描中最接近的匹配點。最終會收集到許多匹配點對,把每對點之間的距離誤差相加,計算平均距離誤差。

我們的目標是通過點雲旋轉和平移來最大限度降低這一平均距離誤差這樣就可以在感測器掃描和地圖之間找到匹配。我們將通過感測器掃描到的車輛位置轉換為全球地圖上的位置,並計算出在地圖上的精確位置。

濾波演算法是一種 LiDAR 定位方法,可消除冗餘資訊,並在地圖上找到最可能的車輛位置。Apollo 使用了直方圖濾波演算法該方法有時候也被稱為誤差平方和演算法(SSD)。為了應用直方圖濾波,我們將通過感測器掃描的點雲劃過地圖上的每個位置,在每個位置,我們計算掃描的點與高精度地圖上的對應點之間的誤差或距離,然後對誤差的平方求和。求得的和越小,掃描結果與地圖之間的匹配越好。

該示例圖中顯示的一些對齊較好的點,用紅色表示;以及一些對齊較差的點,用藍色表示;綠色表示中等對齊。

卡爾曼濾波是另一種 LiDAR 定位方法,也是一種演算法,它根據我們在過去的狀態和新的感測器測量結果預測我們當前的狀態。具體來說,卡爾曼濾波使用了預測更新週期:

首先,我們根據之前的狀態以及對移動距離和方向的估計,來估計或“預測”我們的新位置,並通過使用感測器測量我們的位置並加以糾正。一旦使用感測器測量了我們的新位置,便可以使用概率規則,將感測器測量結果與我們現有的位置預測結合起來。我們會永遠遵循這個預測更新週期也即需要對車輛進行定位時,先預測我們的新位置,然後用感測器測量我們的位置。

總結:LiDAR 定位的主要優勢在於穩健性只要從高精度地圖開始,並且存在有效的感測器,我們就始終能夠進行定位。主要缺點在於難以構建高精度地圖,並使其保持最新。事實上,幾乎不可能讓地圖保持完全最新,因為幾乎每個地圖均包含瞬態元素,汽車和行人,甚至停放的汽車,在我們下次駕車駛過時都會消失,街道上的垃圾會被吹走,世界上的許多元素都在不斷髮生變化。

視覺定位

影象需要收集到最簡單的資料型別。攝像頭便宜且種類繁多還易於使用,我們可以使用影象來定位汽車嗎?

通過影象實現精確定位非常困難。實際上,攝像頭影象通常與來自其他感測器的資料相結合,用以準確定位車。但將攝像頭資料與地圖和 GPS 資料相結合比單獨使用攝像頭影象進行定位的效果更好。

假設一輛車正在路上行駛,它感知到右邊有一棵樹,但是地圖顯示道路右側有幾棵樹,全部位於不通的位置,我們如何知道車輛現在“看”到的是哪棵樹?

我們可以用概率來解決這個問題。想象一下,我們正位於道路上許多不同點中的任意一點處,使用概率能確定哪個點最可能代表我們的實際位置。

已知車輛右側有一棵樹,我們假設從一些點可以看到右邊有一棵樹,而從另一些點則看不到。我們可以在開車的同時繼續觀察周邊世界。

想象一下,我們開車前行,觀察到車輛右邊的另一棵樹,在觀察到地圖上的其餘點之後,我們發現僅在少數幾個位置會發現車輛右側有成排的兩棵樹,我們當然最有可能位於這些位置之一,所以我們可以排除所有其他位置。

過程繼續,通過觀察結果、概率和地圖來確定我們最可能的位置,該過程被稱為粒子濾波。因為我們使用粒子或點來估計最可能的位置,當然,樹木在許多道路上比較稀少,但是車道線在許多道路上卻很常見,可以使用相同的粒子濾波原理對車道線進行拍照。使用拍攝的影象來確定車輛在道路中的位置,可以將道路攝像頭影象與地圖進行比較。我們的攝像頭影象與地圖的某些部分匹配得很好,但與地圖的其他部分匹配得沒那麼好。

視覺車道線示例

上圖是視覺車道線的一個示例,藍色代表地圖上兩個不同位置的車道線,紅色代表車輛攝像頭觀察到的車道線,紅線與右側藍線的匹配度要比與左側藍線的匹配度高得多,因此我們更有可能位於與右側影象對應的地圖位置上。

總結:視覺定位的優點在於影象資料很容易獲得,缺點在於缺乏三維資訊和對三維地圖的依賴。

Apollo 定位

Apollo 使用基於 GPS、IMU 和鐳射雷達的多感測器融合定位系統,這種融合方式利用了不同感測器的互補優勢,它也提高了穩定性和準確性,Apollo 定位模組依賴於 IMU、GPS、鐳射雷達、雷達和高精度地圖。

這些感測器同時支援 GNSS 定位和 LiDAR 定位。GNSS 定位輸出位置和速度資訊,LiDAR 定位輸出位置和行進方向資訊。融合框架通過卡爾曼濾波將這些輸出結合在一起,卡爾曼濾波建立在兩步預測測量週期之上,在 Apollo 定位中,慣性導航解決方案用於卡爾曼濾波的預測步驟,GNSS 和 LiDAR 定位用於卡爾曼濾波的測量結果更新步驟。

本節課我們瞭解了自動駕駛汽車的定位技術,包括:鐳射雷達定位和視覺定位,以及 Apollo 框架是如何解決定位問題的。現在,我們可以將有關汽車定位的資訊與軟體棧中其他資訊相結合,以便我們的車輛開往世界各地。

【轉自Apollo阿波羅智慧駕駛】

【推薦閱讀】

無人駕駛技術課——感知(1)

無人駕駛技術課——感知(2)

無人駕駛技術課——感知(3)

無人駕駛技術課——定位(1)

新增極客助手微信,加入技術交流群

長按,掃碼,關注公眾號

好看、留言、轉發!

Reference:科技日報

看更多!請加入我們的粉絲團

轉載請附文章網址

不可錯過的話題