企业网站制作公司24小时接单,wordpress一键分享代码,网站 网安备案,移动端html5模板目录
1#xff09;高精地图与自动驾驶
2#xff09;什么是高精地图
3#xff09;高精地图与导航地图
4#xff09;高精地图---无人驾驶的核心基础模块
5#xff09;高精地图与定位模块的关系
6#xff09;高精地图与感知模块的关系
7#xff09;高精地图与规划、…目录
1高精地图与自动驾驶
2什么是高精地图
3高精地图与导航地图
4高精地图---无人驾驶的核心基础模块
5高精地图与定位模块的关系
6高精地图与感知模块的关系
7高精地图与规划、预测、决策模块的关系
8高精地图与安全模块
9高精地图与仿真系统
10高精地图的作用---静态的Perception
11高精地图的作用---弥补系统性缺陷 原文链接Apollo进阶课程 ⑥ | 高精地图与自动驾驶的关系 在上周阿波君为大家具体介绍了百度「Apollo硬件开发平台」。 本期阿波君将与大家分享百度Apollo L4级别自动驾驶系统在高精地图方面的进展和相关的内容。 话不多说欢迎各位开发者一起进入进阶课程第6期。 1高精地图与自动驾驶 SAE的自动驾驶分级
美国国家交通安全管理局将自动驾驶分为五个等级。SAESAE International, Society of Automotive Engineers 国际自动机工程师学会将自动驾驶分成六个等级国内广泛接受SAE的六等级分类方法。
在SAE的六等级分类方法中L0级别是人类驾驶L1到L3级别是辅助驾驶L3以上是自动驾驶。
在L1—L3辅助驾驶级别常见的很多车型都已经配备其中的一些功能比如偏离预警、碰撞预警和自适应巡航等。
L3级别以上的自动驾驶研发是现在Apollo正在做的事情百度内部本身分L3和L4。
L3级别基本上已达到一定程度上的自动驾驶它不需要车辆驾驶员来关注环境只需要在紧急情况下接管L4级别则可在限定区域下完全做到自动驾驶。
L5级别可能是比较遥远的状态。现在有些厂商宣称L5级别自动驾驶可以做到完全没有人员操控车辆能处理所有的情况。
但这需要依赖于技术能够发展到非常好的阶段到时候所有的道路情况车辆才能理解和处理。
从分类等级里面可以看到L3级别以下不需要高精地图但在L3、L4级别高精地图是标配。
发展到L5阶段是否需要高精地图到目前为止还不确定。在目前的情况下如果没有高精地图L3、L4级别的自动驾驶很难实现。 2什么是高精地图 高精地图的定义
传统地图的技术不是不精确而是尚未达到自动驾驶的需求。
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。
即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来。
第二个特征是实时性。实时性是非常关键的指标因为自动驾驶完全依赖于车辆对于周围环境的处理如果实时性达不到要求可能在车辆行驶过程中会有各种各样的问题及危险。
高精地图更类似于自动驾驶的专题组但国内可能为了称谓方便还是称它为高精地图。高精地图并不是特指精度它在描述上更加的全面对实时性的要求更高。 3高精地图与导航地图 导航地图与高精地图的差别
左边是我们经常用到的一些电子导航地图它的表述形式倾向“有向图”结构把道路抽象成一条条的边各边连通关系构成整体上的有向图。这类似百度地图、高德地图、谷歌地图的做法。
导航地图只是给驾驶员提方向性的引导。识别标志标牌、入口复杂情况、行人等都是由驾驶员来完成地图只是引导作用。导航地图是根据人的行为习惯来设计的。
高精地图完全为机器设计的。因为对于道路的各种情况、人都能理解但是对于车辆来说它完全不理解。
右边的图是比较典型的复杂路口包括人行横道、红绿灯、限速标牌、车道左转右转类型。
我们可以看到图中的路口中间有虚拟的连接线。真实道路中不存在连接线。连接线是为了让车辆更好的去理解环境并在高精地图上表示出来。通过这一步在人类构建的交通设施环境下自动驾驶车辆便能运行。 4高精地图---无人驾驶的核心基础模块 自动驾驶领域对功能模块的划分
高精地图可以作为自动驾驶的「大脑」。「大脑」里面最主要是地图、感知、定位、预测、规划、安全。综合处理成自动驾驶车辆能接受的外部信息并统一运行在实时的操作系统上。
ROS是业界普遍接受的实时操作系统百度内部也在研发自己的操作系统。 编者注 在2019CES的Apollo 3.5发布会上Apollo正式发布首个自动驾驶高性能开源计算框架Cyber RT。 Apollo Cyber RT系统是 Apollo 开源软件平台层的一部分作为运行时计算框架处于实时操作系统 (RTOS) 和应用模块之间。 Apollo Cyber RT作为基础平台支持流畅高效的运行所有应用模块。 车上配备的传感器类似于人的感知系统用来感知外部环境自动驾驶车辆会把感知的结果通过「大脑」处理后发送给控制系统。
HMI人机交互接口前期主要用于内部调试后期当自动驾驶车辆量产后需要用户输入目的地等信息。
因此高精地图对于感知、定位、规划、决策、仿真和安全都是不可缺少的。
下面让我们来逐一了解高精地图模块与其他模块之间的关系。 5高精地图与定位模块的关系 视觉与高精地图结合是比较典型的视觉定位方法
现在主流的自动驾驶的定位方案有两种一种是基于点云另一种是基于Camera。其本身都是一种对周围环境的感知。
感知后是Feature提取提取之后可以通过特征匹配最终得到精确结果。
自动驾驶车辆在路口“看”到建筑物然后通过激光雷达能搜到点云的信息通过点云的特征提取然后通过复杂的组合变换、视角变换最终通过跟周围环境的比对能得到比较准确的定位坐标。
目前主流Camera定位的视觉方案会实时做Location Feature的提取。在HDMap里面也存储了对应的一些Location相关的特征。经过两个提取特征的比较后可以得到相对准确的定位位置信息
Camera下有GNSS雷达也有。有初值之后可以减少搜索的范围在工程上可以搜到更好的结果。 路边特征/车道线对比
左侧「路边的特征」图片是我们利用粒子滤波提取路边特征的演示。
车辆在初始位置时Camera可以观测到在它左边有一棵树。这棵树可能是高精地图的Feature通过Feature我们知道车辆可能的位置。
下一刻Camera观测到它右边又有一棵树。通过这两个Feature的比对再通过概率性叠加计算几次迭代后就可以大概确定车辆所在道路的位置。
道路上的Feature是非常多的除了树以外也可能是车道线。
右侧「道路车道线」图片是基于车道线的匹配情况演示。通过Camera、Deep Learning和实时的检测模块系统能够实时地检测到车道线。
从右图可以看出左边的车道线匹配情况不太好右边的车道线匹配比较好这时候能大概的确定我们在右边车道线对应的相关位置。
高精地图里面由定位提供的Feature有很多例如电线杆、车道线、停止线和人行横道等都能提供很多的约束信息。 6高精地图与感知模块的关系 超距离感知、障碍物感知与红绿灯感知
自动驾驶车辆搭载的传感器类型有很多。但64线激光雷达、Camera和Radar等传感器都有一定局限性。
64线激光雷达号称有一百米的检测距离。但实践中超过60米之后点云本身已非常稀疏60米外检测的可信度会继续下降。
自动驾驶车辆在行驶中如果遭遇洒水车或者碰到雾霾天气对激光雷达的检测可信度也会有很大影响。
Camera的局限更大在夜间、逆光的情况下很难达到非常好的视觉效果。
Radar的穿透能力很强但精度不高。
所以基于这些传感器本身的局限性高精地图能够提供非常大的帮助。
开发者可以把高精地图看作是离线的传感器在高精地图里道路元素的位置都被标注好了。
由于物体的遮挡影响自动驾驶车辆在某些地方看不到左下侧/比较远的红绿灯。
在高精地图里提前标注红绿灯的三维空间位置后感知模块就可以提前做针对性的检测。
这样做不仅可以减少感知模块的工作量而且可以解决Deep Learning 的部分缺陷。识别可能会有些误差但先验之后可提高识别率。 7高精地图与规划、预测、决策模块的关系 高精地图可以帮助车辆做到先验信息/轨迹约束/预测选择
规划、预测和决策也是自动驾驶里非常重要的模块。
「规划模块」完成的工作主要有两个第一是A点到B点的长距离规划第二个是短距离规划。
自动驾驶车辆在行驶过程中面临动态环境。其中包括道路交通的参与者比如其他车辆和行人。我们要根据障碍物的实时位置及时地做局部规划。
在Apollo源码里有Planning的模块是用来专门研究规划的。
有了以上两个层面的规划之后还需要预测。「预测模块」的作用是把其他道路参与者的可能行驶的路径轨迹和行动预测出来。
「决策模块」主要是根据规划和预测的结果决定自动驾驶车辆是跟车、超车还是在红绿灯灯前停下等决策。
「控制模块」是把决策结果分解为一系列的控制行动然后分发给控制模块执行。 从以上分析可以看到规划、预测、决策和控制的每个步骤都与高精地图有密切的关系。
高精地图的规划是Lean级别的传统导航只需知道点到点的信息。对于高精地图而言规划需要知道从哪个Lean到哪个Lean是一系列Lean的序列。
规划的第二个层次是Planning。
在轨迹约束中经高精地图运算后自动驾驶车辆避让时会清楚地知道目的地在哪/怎么选并提供可行的解空间。
预测的体系比较复杂但底层仍依赖于高精地图。
例如自动驾驶车辆「看到」其他车辆在左转车道上系统会预测此车辆很大概率上要左转若是「看到」其他车辆在右转车道上系统会预测此车辆很大概率上要右转「看到」行人在人行横道上这时候红绿灯是绿的系统则预测行人要过马路。
以上便是高精地图给规划、预测和决策模块提供先验的知识高精地图能够让车辆「决策」更加准确。 8高精地图与安全模块 自动驾驶车辆联网后遭受攻击无可避免
自动驾驶的主要目标是能够取代人类司机能够取代的前提是自动驾驶车辆必须足够的安全。
安全的维度有很多。驾驶算法的稳定性和对场景的处理能力也属于安全范畴。
今天我们着重讲安全模块与高精地图的关系。
自动驾驶车辆有很多传感器当自动驾驶车辆上路之后会出现很多质疑的声音。
联网的自动驾驶车辆可能被攻击。因为所有的东西一旦联网就存在各种各样的隐患。
自动驾驶车辆可能遭受4个维度的攻击传感器、操作系统、控制系统和通信系统。
传感器是自动驾驶车辆辆上通用的模块相当于IMU惯性测量单元它对于磁场是非常敏感如果我们在车辆周围放一些强磁场会影响它测量的准确度。
轮速器也有风险。车轮变形和损坏都会影响测量精度。
激光雷达依赖于激光反射。如果我们在周围环境上加载人工的反射物或假的红绿灯就会让我们的车直接停下。假的GPS信号和激光也会对系统造成干扰。
定位模块依赖于高精地图提供的信息来做运动学的约束激光雷达依赖高精地图做一些三维点的扫描。
Apollo提供的定位方案基于激光雷达反射值。反射值不准确就会对定位精度有影响红绿灯对规划决策控制也有很大的影响。
针对任何一种攻击目前来说还很难有全面有效的方法来防止问题发生。
高精地图能在这里面起什么作用
高精地图能提供离线的标准信息。比如说激光雷达在场景中扫描到物体通过与高精地图中的信息进行对比匹配。如果结果不一致我们可以大概率地认为此地有问题这就是通过多传感器的融合来解决安全问题。 9高精地图与仿真系统 仿真系统是自动驾驶非常重要的模块
自动驾驶车辆的成本很高。车辆的成本几十万64线激光雷达的成本在8万美元。
实际情况中开发者很难把所有的策略迭代都放在车上去测试所以需要非常强大的仿真系统。
仿真的主要问题是「真实」怎样做到「真实」
Apollo的仿真系统主要是基于高精地图/真实场景来构建。仿真场景回放后和真实上路的实际情况相比可以基本保证Gap不会很大。
在实际测试的过程中Apollo的测试人员也会录一些Bag记录实测中遇到的一些问题并放到仿真系统里去做测试。
高精地图为仿真地图提供了最底层的基础结构能让仿真系统更好的去模拟真实道路的场景。
没有高精地图的高可靠性L3/L4自动驾驶无法落地。 10高精地图的作用---静态的Perception 高精地图可将人类经验赋予自动驾驶系统
上图是几个非常典型的、难理解的场景。
第一是在重庆的某地。路网非常复杂我们目前的技术从算法层面无法理解如此复杂的交通场景。
第二个是雪天。雪天是非常难解的场景雪天时路上的车道线全部被盖住了不管是基于视觉还是雷达都无法正常运行。
2018年谷歌IO大会上提出了通过深度学习能够解决雪天的场景。在下雪过程中激光雷达在扫描到雪花之后会误报出很多障碍物通过深度学习能够把激光雷达上检测到的雪花障碍物过滤掉最终得到跟没有下雪的场景一样但是具体效果怎么样并没有具体的数据披露。
第三个是复杂的红绿灯这种红绿灯即使人看到也不知该如何处理。
高精地图是静态的Perception。机器理解不了我们可以把人理解的经验赋予给驾驶系统相当于把人的经验传授给它。 11高精地图的作用---弥补系统性缺陷 高精地图可以弥补系统性缺陷
自动驾驶需要非常复杂的计算系统4G的传输速度并不能满足现阶段自动驾驶的海量数据传输需求。
64线激光雷达、Camera和其他传感器每时每刻都会产生巨量的数据这些数据不能传回云端就不能采用互联网的模式通过云端计算把结果发送给终端。
5G是否能达到数据传输的要求还需要再验证。目前从5G的宣传层面来看能够达到数据实时传输的效果但是5G的普及还需要时间。所以我们现在把大量的数据都放在终端。
Apollo的自动驾驶车辆后面有非常大的计算单元。基于英特尔工控机Apollo把所有的计算都放在车上这会对计算速度和实时性有很大的影响。
我们希望Apollo的各模块都能达到实时级的响应但是自动驾驶车辆的计算量太大想要达到实时级的响应仍需其他模块的辅助。
举个例子高精地图告诉感知/控制模块在你的双向通行的车道中有栅栏隔离对向车道的车不可能过来系统就可以放弃检测对向车道上的障碍物有效地降低系统负担。
传感器有局限但高精地图给自动驾驶提供了超视觉、超过传感器边界的远距离感知。
