浅析自动驾驶的重要一环：定位系统发展现状与方向
上一篇文章，我们详细介绍自动驾驶车辆的感知系统基本结构、发展现状和未来发展方向。本文将从自动驾驶的另一个重要环节定位系统讲起。
定位和地图构建（Localization and Mapping）一直是自动驾驶领域一个十分重要的环节。与机器人不同，对于自动驾驶车辆来说，系统利用感知系统快速观察环境的同时，需要迅速创建并储存实时地图以供车辆进行路径规划（Path Planning），于是便衍生出了即时定位与地图构建（Simultaneous Localization and Mapping ，SLAM）。由于传感器种类和安装方式的不同，SLAM的实现方式和难度会有很大差异。按传感器来分，SLAM主要分为激光、视觉两大类。
一、定位方法
在自动驾驶的定位过程中，通常使用三种技术：
- 信号定位：例如全球导航卫星系统（GNSS），超宽带定位技术（UWB）和5G;
- 航位推算：基于惯性测量单元（IMU）技术，在了解车辆的位置后，计算车辆的当前位置和方向。航位推算的的本质是在初始位置上累加位移矢量计算当前位置，它是一个信息累加的过程。
- 环境特征匹配：基于激光雷达（LiDAR）和视觉传感器的定位，即与存储在数据库中的特征匹配，以了解车辆的位置和环境。
基于目前使用的三种定位技术，衍生出了三类定位方法，这三种方法通常会被交叉使用，以求达到更好的定位效果：
- 基于 差分GPS 和惯性传感器（IMU）的传感器融合；
- 基于 LiDAR 点云与高精地图的匹配；
- 基于视觉的道路特征识别。
基于差分GPS+惯性导航IMU的组合是最为常规的定位方法。精度可以达到米级。对于低精度的定位要求，差分GPS+惯性导航IMU可谓是一堆黄金组合，在GPS信号良好时，GPS起主导作用，当GPS信号暂时中断（例如隧道环境），惯性导航又可以在短时间依靠航位推算继续提高较高精度的定位。
但是，对于自动驾驶车辆来说，这样的精度显然不够。于是，在差分GPS+IMU的基础上，使用激光雷达或者双目视觉进行地图匹配，获取当前车辆在高精地图中的局部具体位置。该精度可以达到厘米级。
二、SLAM算法
初始SLAM算法通常是利用网格图或基于拓扑特征的地图。网格图提供了每个空间网格中存在障碍物的可能性。以下是初始SLAM算法的步骤：
（1）车辆利用感知系统检测障碍物，
（2）根据该网格上是否检测到障碍物，增加或减小障碍物的存在的可能性，
（3）车辆使用测距法将其自身定位在网格上。 ，
（4）车辆继续移动
（5）重复该过程直到创建完整的地图或实现的目标
在建立基于特征的地图（ Feature-based maps）的过程中也实施了类似的方法。但是，收集的信息是选择性（例如距离）的，从而使数据存储更加高效。
在最基本的SLAM流程之后，下一个困难是确定障碍物是动态的还是静止的。算法不仅需要确定物体实际存在的可能性（取决于传感器的可靠性和准确性），还需要确定未来可能存在的障碍。自动驾驶SLAM算法实际上最初来源于机器人SLAM算法。但大多机器人算法设计用于室内环境，高度结构化，光线充足的环境，而不是户外，可变光照。与此同时，自动驾驶车辆相对机器人的运行速度更快，这就要求需要更快更有效的算法。换而言之，当前自动驾驶车辆的SLAM算法需要更准确、更快速。
为了使SLAM算法更加准确，通常采用两种办法：
-通过使用预先创建的，详细的高清动态地图（High Definition Map）
-通过选择性地地图构建道路的某些区域（类似于人类如何专注于他们面前的道路）。
先验方法包括预先采集道路特征数据和传感器数据，如3D图像和高精度GPS。大型数据库存储创建的车辆详细地图，通过观察先验数据和当前传感器数据之间的相似性来执行局部定位；通过观察先验数据和当前传感器数据之间的差异来实现障碍物检测。这种方法对于固定不变的的道路环境来说快速有效。但是如果道路环境发生剧烈变化，则该方法可能无法正确定位。
高清地图正是在先验地图（Prior map）的基础上诞生的。高清地图基于先验地图的数据，但是高清地图是动态更新的，并利用V2I和V2V通信来提高准确性。高清地图的最大区别在于将地图精度从道路级别提升到了车道级别。正式基于此，HD地图为自动驾驶车辆提供厘米精确的先验地图信息。
由于当前的前沿定位技术依然是基于激光和视觉两大类传感器，所以定位技术的进步从本质上依赖于感知技术的进步。都需要多传感器融合来解决定位技术问题。
最近，马斯克关于“傻瓜才用激光雷达”的言论引起了热议。但是，从定位技术的发展趋势上来讲，这样的说法显然是错误的。基于视觉的定位系统相比于激光雷达可以降低成本，但单一基于视觉的定位系统的最大缺陷就是：只能在天气晴好，光线变化幅度小的情况下使用，这大大限制了其实用范围。在自动驾驶感知技术、定位技术发展路线尚不明确，准确性、稳定性仍需大幅提高的现在，除了特斯拉，没有任何一家自动驾驶技术公司会扬言放弃激光雷达技术。因为激光雷达技术的高成本，能带来更丰富的数据信息和更稳定的性能。
三、未来发展方向
以下总结了自动驾驶定位和地图构建相关的领域需要进一步开发的内容：
•开发一个系统，以补偿大型，互联，高度详细的数据库的缺乏。这个数据库可以基于先验地图和高清地图。
•解决雪，雨，雾等特殊环境下性能较差的问题;在地标较少的地区（例如桥梁或长直道路段）;道路环境大幅变化的道路（如建筑工地），通过改进有关此类情况的地标的先验信息，或者通过更好的传感技术和传感器改进SLAM
•将网联技术（V2V和V2I）纳入定位和地图构建的过程中，以减少不确定性并提高车辆安全性
•制定框架以确保车辆不会试图使用过时的地
基于SLAM的方法在复杂情况下，必须进一步提高准确性，可靠性和稳健性。进一步研究即时定位和地图构建的方向包括：
•提高即时定位和地图构建算法的效率，以便在实时使用
•在恶劣天气条件下提高SLAM的稳健性
•提高GPS的可靠性和准确性和降低DGPS技术的成本
•进一步利用V2V和V2I通信来降低定位的不确定性
对于自动驾驶来说，感知技术和定位技术相辅相成。提高不利环境条件下的准确性、可靠性，提高算法的准确性和快速性，是当务之急。可以看到的是，目前的越来越多的资金和人力已经开始集中到自动驾驶技术的进一步研发当中。但仍然可以预见，自动驾驶技术目前依然面临着严峻的考验，完全自动驾驶在短时间内并不会飞入寻常百姓家。
参考文献：
[1] Jessica Van Brummelen, Marie O, Dominique G , Homayoun N.Autonomous vehicle perception: The technology of today and tomorro.Transportation Research Part C. 89-(2018)384-406.
[2] O’Brien, M.,Kaviani,S., VanBrummelen, J.,Michelson, D.,Najjaran, H.,2016.Localization Estimation Filtering Techniquesfor ReliableCooperative Driving. In:2016 Canadian Society Mechanical Engineering Int. Congr. Kelowna, Canada, pp. 1–5.
[3] Chen, C., Seff, A., Kornhauser, A., Xiao, J., 2015. Deepdriving: Learning affordance for direct perception in autonomous driving. In: Proc. IEEE Int. Conf. Computer Vision. pp. 2722–2730
相关文章：
文章被以下专栏收录
2030出行研究室
