自动驾驶之高精地图

Posted 2023-02-05

0. 简介

定位模块是自动驾驶最核心的模块之一，定位又包括全局定位和局部定位，对于自动驾驶，其精度需要达到厘米级别。传统的AGV使用一类SLAM（simultaneous localization and mapping）的方法进行同时建图和定位，但是该方法实现代价高，难度大，难以应用到自动驾驶领域。自动驾驶车辆行驶速度快，距离远，环境复杂，使得SLAM的精度下降，同时远距离的行驶将导致实时构建的地图偏移过大。因此，如果在已有高精度的全局地图地图的情况下进行无人车的定位，将极大的简化该问题。

高精地图制作已经成为各大图商以及自动驾驶公司的付费服务内容，技术上相对保守，开放程度较低。

下图为Apollo的地图制作流程，从图中我们可以看到地图采集的第一步是点云拼接->底图的制成

点云地图的制作主要是把采集好的数据进行加工，我们采用激光雷达数据来进行点云地图的制作。因为激光雷达的扫描范围有限，因此我们需要逐帧把激光雷达的数据拼接起来，来获取整个街道的模型，这个过程也被称为点云注册。

目前有2种方法实现地图制作。

1. Autoware NDT mapping. 采用开源社区Autoware提供的​​NDT mapping​​可以实现点云的拼接，从而得到整个街道的三维模型。
2. 各种离线SLAM建图方法。

• LOAM
• Cartographer
• hdl_graph_slam
• blam
• A-LOAM
• LeGO-LOAM
• LIO-mapping
• interactive_slam

高精地图是一种语义地图，概括地说，就是利用SLAM/SFM等算法融合多种传感器数据，构建高精度的三维点云地图，在点云地图上或者是图像上，对所用到的元素进行分类和提取、之后对不同元素分别进行矢量化并构建路网与车道关联关系，最后进行质量校验，形成一套地图引擎来存储并支撑其他模块的需求。

1. 现有算法

下述为现有主流SLAM框架的兼容性问题

从论文中找到的相关原始对比数据来看R3LIVE的效果在目前来说在角度和距离的evo效果最好。

	Faster-LIO PHC	Fast LIO2	LIO-SAM	R2LIVE	R3LIVE RT	LVI-SAM
RPE	0.33%	0.35%	0.43%	----	----	----
pre time	0.52ms	2.73ms	6.48ms	----	----	----
opt time	5.45ms	13.20	35.71ms	----	----	----
deg	----	----	----	0.16%	0.14%	1.01%
opt time(640)	----	----	----	30.2ms	29.4ms	>36ms

此外可以去KITTI Odometry排行榜上查找排行前列的一些算法，并关注SLAM领域的一些最新的成果。注意我们需要构建的是三维点云地图，其以建图为主要目标，SLAM的实时性反而不是特别重要。