新能源汽車與智能網聯技術第3章

環境感知“十四五”時期國家重點出版物出版專項規劃項目新能源與智能網聯汽車新技術系列叢書中國機械工業教育協會“十四五”普通高等教育規劃教材本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.1智能汽車據公安部統計,截至2021年年底,我國汽車保有量達3.02億輛,超過美國穩居世界第一。全國汽車保有量超過百萬輛的城市數量達79個,機動車駕駛人數量達4.81億。同時我國近5年每年交通事故死亡人數均超過6萬人,仍是全球交通事故死亡人數最多的國家之一。隨著現代信息技術和汽車科技的蓬勃發展,智能汽車逐漸成為全球相關領域專家學者的關注焦點。智能汽車可以根據實時路況輔助甚至完全代替駕駛人完成主要的駕駛操縱,逐步成為解決交通安全問題的理想方案。圖片來自于網絡3.1智能汽車智能汽車通過攝像頭、激光雷達(LightDetectionAndRanging,LiDAR)和毫米波雷達(MillimeterWaveRadar)等車載傳感器獲得車輛周圍真實存在的環境信息,然后根據目的地的位置信息規劃出一條最佳的行駛路徑,通過控制車輛的行駛方向和速度,使車輛能夠按照預定路線安全可靠地行駛至終點。智能汽車最鮮明的特點是以自動駕駛代替了傳統的人工駕駛,從枯燥的駕駛環境中解放了人類的雙手,有效彌補了駕駛人的能力不足。《節能與新能源汽車技術路線圖》一書中智能網聯汽車(IntelligentandConnected

Vehicle,ICV)是指搭載先進的車載傳感器、控制器、執行器等裝置,并融合現代通信與網絡技術,實現車與X(車、路、人、云等)智能信息交換、共享,具備復雜環境感知、智能決策、協同控制等功能,可實現安全、高效、舒適、節能行駛,并最終實現替代人來操作的新一代汽車。定義3.1智能汽車在《智能汽車創新發展戰略》一文中智能汽車是指通過搭載先進傳感器等裝置,運用人工智能等新技術,具有自動駕駛功能,逐步成為智能移動空間和應用終端的新一代汽車。智能汽車通常又稱為智能網聯汽車、自動駕駛汽車等。根據汽車自動化程度的不同,智能汽車可以分成不同的等級。不同機構對智能汽車的等級劃分也不盡相同,美國國家高速公路交通安全管理局將智能汽車技術分成5個等級（L0~L4）。分級美國汽車工程師學會發布的J3016是另一種比較有代表性的分級標準,對智能汽車分級進行了細化的規定,將

L4級別細分為L4高度自動駕駛和L5完全自動駕駛兩個級別。我國對智能汽車的分級最早出現在《中國制造2025》重點領域技術路線圖中,其將智能網聯汽車分為輔助駕駛(DA)、部分自動駕駛(PA)、高度自動駕駛(HA)和完全自動駕駛(FA)4級。3.1智能汽車2020年3月,我國工業和信息化部頒布了國家標準GB/T40429—2021《汽車駕駛自動化分級》,這是我國智能汽車標準體系的基礎類標準之一。該標準按照由低到高的自動化等級將智能汽車分為應急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動駕駛、高度自動駕駛和完全自動駕駛6個級別。表1汽車駕駛自動化分級標準3.1智能汽車架構圖1智能汽車系統架構智能汽車是一個高度智能化的復雜系統,其系統架構如圖1所示,它通過智能環境傳感設備實現環境感知,進而進行智能決策與智能集成控制。3.1智能汽車環境感知技術

利用視覺傳感器、毫米雷達、激光波雷達、超聲波雷達等各種傳感器對周圍環境進行數據采集與信息處理,以獲取當前行駛環境及本車的有關信息。環境感知技術可以為智能汽車提供道路交通環境、障礙物位置、動態目標運動狀態、交通信號標志、自身位置等一系列重要信息,是其他功能模塊的基礎,是實現輔助駕駛與自動駕駛的前提條件。為實現對智能汽車功能性與安全性的全面覆蓋,在感知層需要采用多傳感器數據融合技術。圖2多傳感器數據融合3.1智能汽車決策規劃技術決策規劃技術是智能汽車的控制中樞,相當于人類的大腦,其主要作用是依據感知層處理后的信息以及先驗地圖信息,在滿足交通規則、車輛動力學等車輛行駛約束的前提下,生成一條全局最優的車輛運動軌跡。決策規劃技術可以分為全局軌跡規劃、行駛行為決策和局部軌跡規劃3個部分。圖3決策規劃流程全局軌跡規劃在已知電子地圖、周圍路網以及宏觀交通信息等先驗信息的條件下,得到滿足起始點與目的地之間距離最短、時間最短或其他優化目標的最優路徑。行駛行為決策的作用是產生一系列的行駛行為來完成全局軌跡規劃,一般根據本車周圍道路、交通以及環境信息等動態地規劃車輛行駛行為。局部軌跡規劃的作用是根據行駛行為決策結果,綜合考慮影響車輛的各種性能指標在秒級周期內策劃出一條最優軌跡,包括局部路徑規劃和局部速度規劃兩個部分。3.1智能汽車集成控制技術集成控制技術主要通過控制車輛驅動、制動轉向、換檔等操作,對決策規劃層所得到的車輛最優軌跡進行路徑和速度跟隨,其本質是控制車輛的側向運動和縱向運動來減少車輛實際軌跡和期望軌跡之間的時間誤差和空間誤差。

圖4集成控制3.1智能汽車測試評價體系測試評價體系對提高智能汽車研發效率、健全技術標準和法律法規、推進產業創新發展至關重要。但智能汽車測試評價對象已從傳統的人、車二元獨立系統變為人-車-環境-任務強耦合系統，測試場景及測試任務難以窮盡,評價維度紛繁復雜,傳統汽車的測試評價體系已經不能滿足智能汽車測試需求。圖5所示為典型的智能汽車測試評價體系,場景數據在其中至關重要。圖5典型的智能汽車測試評價體系本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.2智能感知器感知技術通常分為兩大類:自主式環境感知技術和協同式環境感知技術。目前技術難點集中在自主式環境感知技術,利用視覺傳感器(攝像頭)、激光傳感器(激光雷達)以及通信系統感知周圍環境,識別周邊物體、規劃行駛路徑、檢測駕駛狀態,通過識別的信息實現自主避讓,協助駕駛人安全駕駛或完成自動駕駛,提高人們行駛的安全性和乘坐的舒適性,減少環境擁堵,降低燃油消耗率,降低環境污染。智能汽車系統的環境感知通常需要獲取大量信息。目前智能汽車主流的信息收集、處理的感知傳感器包括視覺傳感器、毫米波雷達、激光雷達、超聲波雷達等。3.2智能感知器視覺傳感器視覺傳感器———攝像頭因其具有可識別整個視野范圍內的像素和顏色、分辨率高、“幀速率”恒定,兩臺攝像頭便能同時生成三維立體視圖,且其技術成熟、費用低以及圖像質量高等優點,廣泛應用在智能駕駛車輛環境感知系統中。智能駕駛車輛對攝像頭識別出的環境信息,進行技術處理區分障礙物的類別,實現人類的“眼睛”的功能,在汽車領域具有較高的應用前景,相對技術發展迅速且具有較高的研究價值。如特斯拉智能汽車的自主輔助駕駛技術,以攝像頭為其主要感知傳感器。機器視覺感知系統是指智能汽車利用攝像頭拍攝車外環境,根據搜集到的信息得到反映真實道路的圖像數據,然后綜合運用各種道路檢測算法,提取出車道線、道路邊界以及車輛方位信息,判斷汽車是否有駛出車道的危險。3.2智能感知器毫米波雷達毫米波雷達具有全天候、全天時的工作特性,且探測距離遠、精度高,被廣泛應用于車載距離探測,如自適應巡航、碰撞預警、盲區探測、自動緊急制動等。毫米波雷達的工作原理是向道路周圍輻射毫米波信號,通過對比發射信號與接收信號之間的差別來實現目標距離、速度、角度等信息的檢測。毫米波是電磁波,雷達通過發射無線電信號并接收反射信號來測定車輛與物體間的距離,其頻率通常介于10~300GHz之間。圖6汽車毫米波雷達的發展歷程3.2智能感知器與24GHz毫米波雷達相比,77GHz毫米波雷達的距離分辨率更高,體積縮小1/3。77GHz毫米波雷達在探測精度與距離上均優于24GHz毫米波雷達,主要裝配在車輛的前保險杠上,用來探測與前車的距離以及前車的速度,主要實現緊急制動、自適應巡航、前向碰撞預警等主動安全領域的功能。當今使用的毫米波頻段有:24GHz、77GHz、79GHz。毫米波雷達的測距和測速原理都是基于多普勒效應。與紅外、激光、電視等光學導引頭相比,毫米波導引頭穿透霧、煙、灰塵的能力強,其抗干擾性能也優于其他微波導引頭。車載毫米波雷達頻率主要分為24GHz頻段和77GHz頻段。毫米波雷達因其硬件體積較小且不受惡劣天氣影響,被廣泛應用于高級駕駛輔助系統。毫米波雷達目前大量應用于汽車的盲點監測、變道輔助、車道偏離預警、車道保持輔助、泊車輔助等。3.2智能感知器激光雷達激光雷達是一種光學遙感技術,可以精確、快速獲取地面或大氣三維空間信息的主動探測技術,用于測量物體距離和表面形狀,其測量精度可達厘米級,其應用范圍和發展前景十分廣闊。激光雷達由發射系統、接收系統、信息處理3部分組成。

激光器將電脈沖變成光脈沖發射出去,光接收機再把從目標反射回來的光脈沖還原成電脈沖,最后經過一系列算法來得出目標位置(距離和角度)、運動狀態(速度、振動和姿態)和形狀,可以探測、識別、分辨和跟蹤目標。激光雷達具有解析度高、測距精度高、抗有源干擾能力強、探測性能好、獲取的信息量豐富、不受光線影響以及測速范圍大等優點。激光雷達在智能網聯汽車中有多種應用,主要有面向高精地圖的繪制、基于點云的定位以及障礙物檢測等。3.2智能感知器激光雷達還可以聯合全球導航衛星系統(GlobalNavigationSateliteSystem,GNSS)/慣性測量單元(InertialMeasurementUnit,IMU)與高精度地圖等手段進行加強定位,一方面通過GNSS得到初始位置信息,再通過IMU和車輛的編碼器(Encoder)配合得到車輛的初始位置;另一方面,將激光雷達的3D點云數據包括幾何信息和語義信息進行特征提取,并結合車輛初始位置進行空間變化,獲取基于全局坐標系下的矢量特征。在智能網聯汽車的行駛過程中,激光雷達同時以一定的角速度勻速轉動,并在轉動過程中不斷發出激光并收集反射點信息,以便得到全方位的環境信息。3.2智能感知器超聲波雷達超聲波雷達(UltraSonicRadar)的工作原理是通過超聲波發射裝置向外發出超聲波,通過接收器接收到超聲波的時間來測算距離。超聲波雷達常用探頭的工作頻率有40kHz、48kHz和58kHz。一般來說,頻率越高,靈敏度越高,但水平與垂直方向的探測角度越小,故一般采用40kHz的探頭。超聲波雷達防水、防塵,即使有少量的泥沙遮擋也不影響其工作。它的探測范圍在0.1~3m,而且精度較高,因此非常適合應用于泊車。車載超聲波雷達一般安裝在汽車的保險杠上方,隱藏在保險杠的某個位置。常見的超聲波雷達有兩種:第一種是安裝在汽車前后保險杠上的倒車雷達,稱為超聲波駐車輔助傳感器;第二種安裝在汽車側面,稱為自動泊車輔助傳感器。3.2智能感知器超聲波雷達的不足之處有：超聲波的傳輸速度很容易受天氣情況的影響,尤其是超聲波有較強的溫度敏感性,在不同的溫度下,傳輸速度不同。超聲波傳播速度與環境溫度T近似成正相關關系。因此相對位置相同的障礙物,在不同溫度的場景下,測量的距離數據不同。對傳感器精度要求極高的智能網聯系統來說,有必要將溫度信息引入智能網聯系統,從而提升超聲波雷達的測量精度。由于相比于光與電磁波,超聲波的傳播速度較慢,當汽車高速行駛時,超聲波測距無法跟上汽車的車距實時變化。因此超聲波雷達在速度很高的情況下測距離,誤差較大。超聲波散射角大、方向性較差,在測量較遠距離的目標時,其回波信號會比較弱,影響測量精度。但是在短距離測量中,超聲波測距傳感器具有非常大的優勢。3.2智能感知器幾種感知傳感器優缺點對比表2幾種感知傳感器優缺點對比本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.3車道線感知識別霍夫變換霍夫變換(Houghtransform)由保羅·霍夫(PaulHough)于1962年提出,目的是找到帶有噪聲的圖片中的直線。其基本原理是建立映射:直線參數方程xcosθ0+ysinθ0=ρ0,對應霍夫空間一個點(ρ0,θ0)。如下圖：圖7霍夫變換參數空間轉化3.3車道線感知識別對于任意Oxy坐標系下的點,將經過此點的所有直線都對應到霍夫空間,每條直線都將對應到一個點,因此可得到一條曲線。Oxy坐標系下的一組點,將在霍夫空間內得到數條曲線,若這些點在Oxy坐標系下共線,那么這些霍夫空間內的曲線就交于一點,如下圖所示。圖8多個數據點在霍夫空間中的投票示例3.3車道線感知識別具體操作步驟如下:1)將特征提取中得到的像素點都通過此方法轉移到霍夫空間中,得到大量曲線。2)對這些曲線進行投票,多條曲線相交處的參數(ρ0,θ0)即為直線方程參數。車道線感知車道線檢測算法模型有直線模型與曲線模型。一般近視場的車道線用直線模型檢測的效果較好；而在彎道工況下采用直線模型的檢測算法不如曲線模型的擬合效果好。因此采用直線和雙曲線的混合模型的車道線檢測方法是一種比較好的算法,結合了直線模型和雙曲線模型的優點,使其無論在近視場還是在彎道工況下都能取得較好的擬合效果。3.3車道線感知識別圖9車道線檢測算法流程雙曲線模型算法模型直線模型算法模型3.3車道線感知識別圖像處理采用Python語言環境,主要利用OpenCV庫強大的圖像處理工具以及內置的霍夫變換工具實現。由霍夫變換原理可知,需要將收集的圖像處理成只含有大量的車道線上的點的圖像,才可以很好地識別出車道線。在圖像處理方面,首先對收集的圖像進行灰度化、模糊化,并采用了OpenCV內置的Canny算子進行邊緣檢測,提取出圖像的邊緣點集。該算法模型僅適用于近視場車道線檢測,因此在輸入霍夫變換工具接口的圖像還需要將近視場可能出現車道線的區域進行提取作為感興趣區域(RegionofInterest,ROI)。最后將選定的ROI輸入霍夫變換工具接口即可實現車道線的檢測。3.3車道線感知識別原圖像識別后圖10識別效果本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.4YOLO算法識別路況信息YOLO(YouLookOnlyOnce)算法是一種利用卷積神經網絡(ConvolutionalNeural

Networks,CNN)的圖像識別目標檢測算法。卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward

NeuralNetworks),是深度學習(DeepLearning)的代表算法之一。卷積神經網絡具有表征學習能力,能夠按其階層結構對輸入信息進行平移不變分類,因此也被稱為“平移不變人工神經網絡(Shift-InvariantArtificialNeuralNetworks,SIANN)”。卷積神經網絡原理卷積神經網絡是一種深度學習算法,它需要大量的訓練集才能擬合出較好的權重結果。一般而言,卷積神經網絡的模型分為輸入層、卷積層、池化層以及全連接層等多個部分。3.4YOLO算法識別路況信息卷積神經網絡的結構輸入層即輸入至卷積神經網絡的數據層。通常輸入計算機中的圖像是一個長×寬×n的矩陣,其中n代表圖像每個像素點的n維信息,這里采用的是每個像素點的H(色調)、S(飽和度)、V(明度)三維信息。卷積層是卷積神經網絡比較核心的地方,是擬合權重的結構。卷積神經網絡擬合結果的權重稱為卷積核,卷積核能起到識別輸入層或激活圖像中特征圖像的作用。

池化層一般出現在卷積層之后,其目的是降維壓縮,加快運算速度,除此之外,它能保留主要特征的同時減少參數和計算量,起到防止過擬合的作用。全連接層是每一個結點都與上一層的所有結點相連,用來把前邊提取到的特征綜合起來,根據不同的用途,輸出為想要的結果。3.4YOLO算法識別路況信息YOLOv2算法識別YOLO用整個圖片的特征來預測每一個邊界框。它還同時預測一個圖像在所有類中的所有邊界框。YOLO先把整個圖片劃分成S×S個方格,如果一個物體的中心正好落在一個方格中,那么這個方格就負責來預測物體。圖11YOLOv2算法識別效果本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.5多傳感器數據融合多傳感器數據融合是20世紀80年代出現的一門新興學科,它是將不同傳感器對某一目標或環境特征描述的信息,綜合成統一的特征表達信息的過程。數據融合需要借助融合算法,融合算法可分為隨機類和人工智能類兩大類,隨機類多傳感器數據融合方法主要有:貝葉斯推理、D-S證據理論、最大似然估計、綜合平均法、最優估計、卡爾曼濾波、魯棒估計等估計理論。從最小二乘法入手,主要闡釋卡爾曼濾波方法及其應用。人工智能類多傳感器數據融合算法主要有基于神經網絡的多傳感器數據融合、基于模糊聚類的數據融合以及專家系統等。其中,卡爾曼濾波算法作為一種經典算法,由于其具有實時性強、融合精度高等優點,在自動駕駛領域中被廣泛使用。3.5多傳感器數據融合經典卡爾曼濾波卡爾曼濾波(KalmanFiltering,KF)本質上是通過對下一時刻狀態的先驗估計與測量反饋相結合,得到該時刻相對準確的后驗估計的過程。對于線性離散系統,要求滿足過程模型為疊加過程激勵噪聲的線性系統、測量模型為疊加測量噪聲的線性系統,并且噪聲都服從正態分布,即系統可以用如下兩個方程表示,其中離散時間狀態差分方程為：測量方程可以表述為：（3-1）（3-2）式中：狀態變量x∈Rn,觀測變量z∈Rn,隨機變量wk-1和vk分別表示過程激勵噪聲和觀測噪聲,并且噪聲滿足P(w)~N(0,Q)、P(v)~N(0,R)的正態分布。3.5多傳感器數據融合對于任意一個狀態變量xk,可以通過線性狀態差分方程進行估算。xk等于其前一時刻狀態變量xk-1與控制信號uk-1以及過程激勵噪聲wk-1的線性疊加,通常情況下uk-1=0。另外從方程中可以知道任意時刻觀測量為狀態量與觀測噪聲k的線性組合,并且A、B、H通常為時不變常值矩陣形式,則剩余的問題就是隨機變量wk-1和k的估算問題,對于噪聲參數的估計越準確,狀態估計的結果也就越精準。建立模型后確定系統的初始狀態,通過如下步驟進行時間更新(預測)以及測量更新(校正)：狀態一步預測為：（3-3）（3-4）狀態一步預測誤差協方差為：3.5多傳感器數據融合圖12KF算法流程圖卡爾曼增益為：（3-5）狀態估計為：（3-6）狀態估計誤差協方差為：（3-7）謝

謝新能源汽車與智能網聯技術第4章

高精地圖與定位“十四五”時期國家重點出版物出版專項規劃項目新能源與智能網聯汽車新技術系列叢書中國機械工業教育協會“十四五”普通高等教育規劃教材本章內容4.1高精地圖4.2適用于車輛駕駛的定位技術4.3慣性導航定位4.4地圖匹配定位4.5多傳感器融合定位本章內容4.1高精地圖4.2適用于車輛駕駛的定位技術4.3慣性導航定位4.4地圖匹配定位4.5多傳感器融合定位4.1高精地圖自動駕駛高精地圖概述自動駕駛地圖指的是服務于自動駕駛汽車的一類地圖。在現有自動駕駛技術下,純粹依靠單車來實現全方位的感知和應對各種復雜環境的自動駕駛決策仍然是一個難題。因此,實現高級別自動駕駛需要高精度的交通環境信息來輔助。面向SAEL3~L5級的高度自動駕駛地圖(HighlyAutomatedDrivingMap,HAD

MAP),其精度要求為1~10cm,相比精度為米級的普通地圖,具有更高的精度,因此在業內,高度自動駕駛地圖也常稱為高分辨率地圖(HighDefinitionMap,HDMAP)或高精度地圖,簡稱高精地圖。

高精地圖的定義用于自動駕駛的高精地圖,是關于車輛環境數據和交通運行數據元素的存儲和呈現結構的。在車輛環境數據方面,高精地圖擁有精確位置信息、豐富道路元素的數據;在交通運行數據方面,高精地圖包含交通規則以及交通狀況等數據。4.1高精地圖高精地圖為智能駕駛提供先驗知識,擁有類似人腦對真實道路的整體記憶與認知的功能,可以為智能汽車預知環境和交通中的復雜信息,規避駕駛潛在的風險,是實現自動駕駛的核心基礎。高精地圖兼具高分辨率與面向高級別自動駕駛兩大特性。高精地圖通過精細化描述道路、車道線、路沿交通標志等靜態與動態信息,為自動駕駛定位、規劃、決策、控制等應用提供安全保障,是自動駕駛領域的核心與基礎。高精地圖作為無人駕駛領域的剛需,在整個領域扮演著核心角色,可以幫助汽車定位、預先感知路面復雜信息,結合智能路徑規劃,讓汽車做出正確決策。4.1高精地圖高精地圖的特點在自動駕駛領域,高精地圖具有如下3個公認特性。絕對坐標精度高(絕對坐標精度指的是地圖上某個目標和真實的外部世界的事物之間的精度)。豐富的道路交通信息元素,最重要的就是道路網的精確三維表征,如交叉路口的布局和路標位置等,還包含很多語義信息,如交通信號燈顏色定義、道路限速信息、車輛轉彎開始位置等。更新頻率高,提供最新、最準確的靜態信息;提供實時的交通狀況、障礙物等動態信息。這些特性使高精地圖區別于日常生活中一般導航地圖,高精地圖要求更高。高精地圖的作用高精地圖主要在高級別自動駕駛中起到關鍵作用。

4.1高精地圖根據SAE對自動駕駛的分級,L2級及以下的低級別自動駕駛是由人來完成全部或部分的駕駛動作,由精度為米級和亞米級的ADAS地圖支持即可,而L3級及以上的高級別自動駕駛,在某些或全部情況下由系統來完成所有駕駛操作,因此需要高精地圖,特別是L4、L5級的無人駕駛情況下,沒有人類駕駛人介入,高精地圖則是必備項。高精地圖主要從環境感知、高精定位、路徑規劃、車輛控制4個方面對自動駕駛提供幫助。輔助環境感知

單純依靠車載傳感器實現全方位的準確環境感知,對于現今的自動駕駛技術仍然是一個挑戰。高精地圖中包含的大量靜態道路信息,如車道線、道路邊界、交通標志等,對實車環境感知是一個直接的補充。在車聯網語境下,高精地圖還能補充實時交通狀況、動態障礙物等信息。利用高精地圖還可以實現部分環境元素的超視距感知。4.1高精地圖輔助高精定位

在城區中由于GNSS信號受到較多的干擾,其定位精度大大下降,不能滿足自動駕駛的定位精度需求。此時,可以利用高精度地圖來輔助高精定位。將地圖中的靜態的道路基礎設施和固定元素(常用車道線、燈桿、交通標志等)與感知結果相匹配,就可以對GNSS給出的定位信息進行糾正,從而實現高精度(厘米級)定位。這對判斷自車所在車道、自車與車道的相對位置關系具有重要的意義。輔助路徑規劃高精地圖除了傳統的電子導航地圖提供的道路級宏觀路在規劃功能,還可以在車道級路網和交通狀況信息的協同之下,提供車道級宏觀路徑規劃的服務。高精地圖所提供的道路曲率、坡度、障礙物信息、交通規則相關信息(如限速信息、人行橫道)等,對局部路徑規劃具有一定輔助作用。車聯網語境下,高精地圖還能提供車輛、行人等動態障礙物信息,對局部路徑規劃具有重要意義。輔助車輛控制高精地圖提供的道路曲率、坡度、交通規則信息等,可對汽車加速、并道和轉彎等控制動作提供參考,對實際車輛動力學控制提供輔助。4.1高精地圖自動駕駛地圖制圖技術高精地圖制圖的基本環節包括靜態地圖構建和動態地圖構建。在制圖過程中,需要進一步明確動態地圖與靜態地圖關系。此外,高精地圖更新也是制圖技術的一種延伸,使靜態元素與動態元素都能保持比較合理的更新頻率,保證高精地圖的時效性。靜態地圖構建靜態地圖數據加工主體環節可以分為數據采集、數據智能化處理、人工加工確認、數據出品4個環節。圖1靜態數據加工主體環節4.1高精地圖數據采集

數據采集是一項龐大的任務,需要投入大量的采集車收集用于高精地圖制作的源數據,而且道路環境不斷變化,為保持高精地圖的“鮮度”,需確保每次環境發生變化時,高精地圖均會得到快速更新以保證自動駕駛汽車的安全性。數據采集的方式有集中制圖和眾包制圖兩種。集中制圖指的是圖商利用自己的專業采集車采集數據,再統一進行集中處理的方式;眾包制圖指的是利用普通大眾的車輛上搭載的雷達、相機等傳感器數據作為基本數據源進行處理的方式。目前,地圖采集以集中制圖為主,部分初創公司以眾包制圖為主。采集車是數據采集的核心載體,搭載了激光雷達、攝像頭、IMU和GNSS等系統及傳感器設備。采集數據包括行車軌跡、圖像、點云等數據,可以據此識別車道線、路沿、護欄、路燈、交通標志牌等信息。這些原始數據具有數據量大、計算速度慢的特點,且根據我國測繪法,需要對原始精度數據嚴格保密,此環節是后續數據處理、加工和出品的基礎。4.1高精地圖數據智能化處理

高精地圖生產中,對道路元素的識別要求較高,目前主流的方式為基于深度學習的圖像識別算法進行車道線、地面標志線、交通標志牌的識別,如Faster-RCNN、MaskR-CNN、YOLOV3、DeepLabV3等。利用激光雷達可以重建道路三維環境,并進行道路要素提取與識別,以準確反映道路環境并描述道路環境特征,不僅可以得到高精點云地圖,而且可以與影像融合處理,實現高精準度的道路要素識別。基于激光雷達點云和圖像多傳感器數據融合可以識別車道標志、障礙物和交通標志,自動化率90%以上,相對精度可以達到20cm。對于誤識別、漏識別的要素需要進行人工檢核與驗證。然而,由于自動駕駛對數據質量及精度的高要求(3σ,σ為方差),使得該環節對工具自動處理的召回率、準確率都尤為重要。召回率、準確率越高,需要人工參與量越低,質量越有保障。此環節是人工加工工作量的關鍵。4.1高精地圖人工加工確認

由于自動識別存在漏檢、誤差及錯誤,需要增加人工加工確認環節以保證地圖創建過程的正確性與完整性。通過自動提取獲取的高精地圖數據與對應的圖像信息進行比對,尋找錯誤并進行改正,包括車道線識別是否正確,交通信號燈及標志牌的邏輯處理,路口虛擬道路邏輯線生成涉及紅綠燈與相應停止線的邏輯信息處理。此外,還需要為自動化處理的地圖數據完善對應的屬性信息,例如車道線類型、車道線顏色、車道通行狀態等屬性信息。但是,人工工作的介入也有可能帶來數據精度損失、質量損失的風險。因此,此環節是數據處理的核心,也是數據質量控制的必經之路。數據出品

最后的數據出品環節主要的工作是轉換數據格式,以及提供地圖引擎和發布,最終形成具有統一規定格式并且能夠方便調用和讀取的高精地圖。經過以上各步驟就能形成達到精度要求、符合標準規范、便于使用的自動駕駛高精地圖。4.1高精地圖動態地圖構建動態數據包含兩類來源的數據,一類是交通狀況數據,包括交通流量、事故情況、交通管制信息等;

另一類是通過車聯網上傳的高度動態的車輛、行人等障礙物信息。通過基于車聯網的大數據分析可以獲取交通流量的信息,并以線要素的形式,作為道路的一種動態屬性來進行表達。交通事故信息則通過交通電臺和用戶上報的形式,作為點要素標示于地圖中。交通管制信息則由當地的交通管理部門發布,同樣以線要素的形式作為道路的屬性來進行表達。此外,由于城市建設、封路、重大事件的影響等,交通規則有可能發生臨時性的變化,這些同樣需要根據實際情況進行更新。第二類信息為高度動態數據,需要利用車聯網來進行實時更新。這部分數據可以由自動駕駛汽車的車載傳感器來獲取,也可以由路側感知設備來獲取。然后,利用車聯網V2X,將車輛位置、車輛行駛(位置和速度)、車輛操作數據和行人位置以廣播方式通知其他相關車輛,每輛車在車載終端的動態地圖上不斷更新周邊車輛的位置和行人信息,以實現高度動態數據的構建。4.1高精地圖建立動態數據與靜態地圖的關系建立動態數據與靜態地圖的關系,同時根據動態數據中各要素的速度、運動方向,預測可能的方向,建立動態地圖,進而動態地圖與靜態地圖疊加。汽車的動態地圖數據與靜態地圖之間是相輔相成的,靜態地圖提供了基礎的道路和環境信息,而動態地圖數據可以增強自動駕駛汽車對于道路環境的感知和決策能力。汽車可以同時使用這兩類地圖數據來提高自身的自動駕駛能力。地圖存儲結構表示地理實體的空間數據包含空間特征和屬性特征,對這些復雜特征的空間數據,組織和建立它們之間的聯系,以便計算機存儲和操作,這稱為地圖存儲的數據結構。空間數據結構是空間地理信息數據呈現在計算機內部的一種組織與編碼形式,抽象描述并表達了地理實體的空間排列及其空間關系等信息,適用于計算機存儲、處理、管理的空間數據邏輯結構。空間數據結構的具體實現為空間數據編碼,通過給定的數據結構將影像數據、圖形數據、統計數據等相關資料轉換為計算機存儲與處理的形式。4.1高精地圖高精地圖更新高精地圖數據如果不能及時更新,自動駕駛車輛就有可能對環境做出錯誤的判斷。一般地,高精地圖中的動態數據是必須要更新的,因此談到高精地圖的更新,一般指的是高精地圖中靜態數據的更新。高精地圖的更新可以通過專業采集車或者眾包數據來實現。高精地圖更新的基本目的是通過將采集到的數據與地圖中已有的數據進行比對,調整元素的位置,補充原有地圖中沒有的元素,并刪去當前已經不存在的元素。通過專業采集車進行的更新,具有較高的精度和可靠性,但是成本較高,而且由于專業采集車的數量較少,更新的速度比較慢。而通過眾包數據來進行更新,即利用自動駕駛汽車車載傳感器感知到的數據進行更新,其精度低于專業采集車,但是隨著自動駕駛汽車數量的增多,感知數據量增多,在云端收集這些數據后,利用大數據分析也可以得到精度較高的更新結果。本章內容4.1高精地圖4.2適用于車輛駕駛的定位技術4.3慣性導航定位4.4地圖匹配定位4.5多傳感器融合定位4.2適用于車輛駕駛的定位技術四大衛星導航系統衛星導航定位系統是星基無線電導航系統,以人造地球衛星作為導航臺,為全球海陸空的各類軍民載體提供位置、速度和時間信息,這些信息都具有全天候且高精度等特征,因而又被稱作天基定位、導航和授時系統。衛星導航定位系統包括全球四大導航衛星系統、區域衛星導航系統和增強系統。全球四大導航衛星系統中國的北斗導航衛星系統(BeidouNavigationSatelliteSystem,BDS):2000年年底建成北斗一號系統,向我國提供服務;2012年年底建成北斗二號系統,向亞太地區提供服務;2020年建成北斗三號系統,向全球提供服務。4.2適用于車輛駕駛的定位技術美國的全球定位系統(GlobalPositioningSystem,GPS):提供具有全球覆蓋、全天時、全天候、連續性等優點的三維導航和定位功能。俄羅斯的全球導航衛星系統(GlobalNavigationSatelliteSystem,GLONASS):為海陸空的民用和軍用提供全球范圍內的實時、全天候連續導航、定位和授時服務。歐盟的伽利略衛星導航系統(GalileoSatelliteNavigationSystem,GALILEO):正在建設中的全球衛星導航系統,目的是使歐洲擺脫對美國GPS的依賴。區域衛星導航系統區域衛星導航系統有日本的準天頂衛星系統(Quasi-ZenithSatelliteSystem,QZSS)、印度區域導航衛星系統(IndianRegionalNavigationSatelliteSystem,IRNSS)。4.2適用于車輛駕駛的定位技術星基增強系統星基增強系統(Satellite-BasedAugmentationSystem,SBAS)是由美國實施選擇可用性(SelectiveAvailability,SA)政策而發展起來的。SBAS主要由空間段、地面段和用戶段構成。地基增強系統(Ground-BasedAugmentationSystems,GBAS)是衛星導航系統建設中的一項重要內容,可以大大提升系統服務性能,綜合使用了各種不同效果的導航增強技術,主要包括精度增強技術、完好性增強技術、連續性和可用性增強技術,實現其增強衛星導航服務性能的功能。地基增強系統4.2適用于車輛駕駛的定位技術定位原理根據后方交會定位原理,要實現GNSS定位,需要解決兩個問題:一是觀測瞬間衛星的空間位置;二是觀測站點和衛星之間的距離,即衛星在某坐標系中的坐標。坐標系統和時間系統坐標系統可分為地理坐標系、慣性坐標系、地球坐標系、地心坐標系和參心坐標系。GNSS采用了一個獨立的時間系統作為導航定位計算的依據,稱為GNSS時間系統,簡稱GNSST。GNSST屬于原子時系統,其秒長與原子時秒長相同。4.2適用于車輛駕駛的定位技術定位原理GNSS被設想為一種測距系統,測量從衛星在太空中已知位置到陸地、海上、空中和太空中未知位置的距離。信號離開衛星和到達接收器之間的時間間隔是確定距離的關鍵。需要衛星作為參考點,在任何給定時間知道每顆衛星的確切位置(參考點)。衛星發送的電子信號,使接收器能夠測量到衛星的距離。圖2GNSS定位原理如圖2所示,每個衛星相對于地球中心的空間坐標可以根據開普勒定律從衛星廣播的星歷表中計算出來。通過記錄(編碼)衛星信號到達接收器所需的時間,可以準確地測量到每顆衛星的距離。4.2適用于車輛駕駛的定位技術如圖3所示,終端(Receiver)X、第Si顆導航衛星、地球地心三者構成三角關系差分定位差分GNSS可有效利用已知位置的基準站將公共誤差估算出來,通過相關的補償算法削弱或消除部分誤差,從而提高定位精度。圖3GNSS定位原理4.2適用于車輛駕駛的定位技術基本原理為:在一定地域范圍內設置一臺或多臺接收機,將一臺已知精密坐標的接收機作為差分基準站,基準站連續接收GNSS信號,與基準站已知的位置和距離數據進行比較,從而計算出差分校正量。基準站會將此差分校正量發送到其范圍內的流動站進行數據修正,從而減少甚至消除衛星時鐘、衛星星歷、電離層延遲與對流層延遲所引起的誤差,提高定位精度。根據差分校正的目標參量的不同,差分GNSS主要分為位置差分、偽距差分和載波相位差分。位置差分系統將坐標測量值與基準站實際坐標值的差值作為差分校正量,通過數據鏈路發送給車輛,與車輛的測量值進行差分改正。由于基準站與流動站必須觀測同一組衛星,通常流動站與基準站間距離不超過100km。4.2適用于車輛駕駛的定位技術通過在基準站上利用已知坐標求出測站至衛星的幾何距離,并將其與觀測所得的偽距比較,然后利用一個濾波器將此差值濾波并求出其偽距修正值,再將所有衛星的偽距修正值傳輸給流動站,流動站利用此誤差來改正GNSS衛星傳輸測量偽距。偽距差分系統載波相位差分系統與其他差分技術相比,載波相位差分技術中基準站不直接傳輸關于GNSS測量的差28分校正量,而是發送GNSS的測量原始值。流動站收到基準站的數據后,與自身觀測衛星的數據組成相位差分觀測值,利用組合后的測量值求出基線向量完成相對定位,推算出測量點的坐標。本章內容4.1高精地圖4.2適用于車輛駕駛的定位技術4.3慣性導航定位4.4地圖匹配定位4.5多傳感器融合定位4.3慣性導航定位慣性導航定位系統組成慣性導航定位系統是一種不依賴于外部信息,也不向外部輻射能量的自主式導航系統,主要由慣性測量單元、信號預處理單元和機械力學編排模塊3個模塊組成。圖4慣性導航定位系統組成一個慣性測量單元包括3個相互正交的單軸加速度計(Accelerometer)和3個相互正交的單軸陀螺儀(Gyroscopes)。信號預處理單元對慣性測量單元輸出信號進行信號調理、誤差補償并檢查輸出量范圍等,以確保慣性測量單元正常工作4.3慣性導航定位慣性導航定位工作原理慣性導航定位系統是一種以陀螺儀和加速度計為感知元件的導航參數解算系統,應用航跡遞推算法提供位置、速度和姿態等信息,可以說是一個由慣性測量單元和積分器組成的積分系統。該系統通過陀螺儀測量載體旋轉信息求解得到載體的姿態信息,再將加速度計測量得到載體“比力”信息轉換到導航坐標系進行加速度信息的積分運算,就能推算出車輛的位置和姿態信息。工作原理:基于牛頓第二運動定律,通過慣性測量單元檢測載體所受“比力”,可算出車輛在三維空間內的運動加速度和角速度,慣性導航定位誤差分析在外部沖擊、振動等力學環境中,慣性導航系統除了需要的加速度和角速度之外,還有很多誤差源。這些誤差可分為固定誤差與隨機誤差。4.3慣性導航定位航跡遞推從一個已知的坐標位置開始,根據載體在該點的航向、航速和航行時間,推算下一時刻坐標位置的導航過程稱為航跡遞推。航跡遞推是一種非常原始的定位技術,最早是海上船只根據羅經和計程儀所指示的航向、航程以及船舶操縱要素和風流要素等在不借助外界導航物標的條件下求取航跡和船位,逐漸演化成如今自動駕駛車輛定位技術中最常用的方法。一維航跡遞推已知車輛的初始位置、初始速度,通過對加速度進行積分即可得到車輛在t時刻的速度,對速度積分即可得到t時刻的位置。圖5車輛一維運動示意圖4.3慣性導航定位二維航跡遞推將車輛看作是在二維平面上運動,已知車輛的起始點和起始航向角,通過實時檢測車輛在x、y兩個方向上的行駛距離和航向角的變化,即可實時推算車輛的二維位置。下圖中坐標系為導航坐標系,N軸與地理北向保持一致。圖6車輛二維航跡遞推捷聯式慣性導航二維航跡遞推慣性坐標系到導航坐標系的轉換4.3慣性導航定位三維航跡遞推三維航跡遞推需要3個陀螺儀來測量載體相對于慣性空間的旋轉角速率,還需要3個加速度計來測量載體相對慣性空間受到的比力。圖7車輛三維航跡遞推本章內容4.1高精地圖4.2適用于車輛駕駛的定位技術4.3慣性導航定位4.4地圖匹配定位4.5多傳感器融合定位4.4地圖匹配定位地圖匹配定位指將自動駕駛車輛行駛軌跡的經緯度采樣序列與高精地圖路網匹配的過程。地圖匹配定位技術將車輛定位信息與高精地圖提供的道路位置信息進行比較,并采用適當的算法確定車輛當前的行駛路段以及在路段中的準確位置,校正定位誤差,并為自動駕駛車輛實現路徑規劃提供可靠依據。圖8地圖匹配定位4.4地圖匹配定位地圖匹配定位工作原理在已知車輛位姿信息的條件下進行高精地圖局部搜索的過程。圖9地圖匹配定位地圖匹配過程如下圖所示。圖9地圖匹配過程4.4地圖匹配定位地圖匹配定位誤差分析地圖匹配定位誤差主要由局部搜索范圍正確性問題引起。局部搜索范圍正確性即道路選擇的正確性,是地圖匹配中極大的影