生产
在城市道路环境下,高精地图生产分为数据采集、数据处理、元素识别、人工验证四个环节。
数据采集
百度采取的是激光雷达和Camera二者相结合的制图方案。Apollo2.5版本中,百度已经发布了其地图采集方案。
其中,64线激光雷达用于道路路面采集。由于其扫描高度比较低,还需要一个斜向上装的16线激光雷达,用于检测较高处的红绿灯、标牌等信息。其他传感器有GPS、IMU、长焦相机以及短焦相机。
数据处理
传感器采集到的数据分为点云和图像两大类。
L4级自动驾驶汽车对地图的精度要求非常高。Apollo在制图过程中处理的数据也以点云为主。
采用RTK的先决条件,即在开阔无遮挡的情况下,才能取得相对准确的信号。
在城市道路中采用RTK方案,由于高楼遮挡或林荫路等场景无法避免,它们仍会对信号的稳定性产生影响。
因此,我们在拿到点云之后需要对其进行拼接处理。
点云拼接:采集过程中出现信号不稳定时,需借助SLAM或其他方案,对Pose进行优化,才能将点云信息拼接,并形成一个完整的点云信息。
反射地图:点云拼接后,可将其压缩成可做标注、高度精确的反射地图,甚至基于反射地图来绘制高清地图。其生产过程与定位地图的制图方式一样。
元素识别
bai元素识别包括基于深度学习的元素识别和基于深度学习的点云分类。
基于点云压缩成的图像进行车道线的识别,我们可得出准确的车道线级别的道路形状特征。
除此之外,我们还需要提炼道路的虚实线、黄白线、路牌标识等,来完善道路特征。
通过对收集到的图像等进行深度学习,即可提炼出道路相关元素放到高精地图中。
数据采集、数据处理、元素识别三个流程是高精地图自动化的必要环节。不过,从目前来看,自动化仍无法解决所有问题,仍存在信息补齐和逻辑关联的缺陷。
一方面,无人驾驶车辆无法处理没有车道线的道路。这一步需要离线并用人工手段补齐相关信息。
其次,涉及到逻辑信息的处理时,无人车无法判断。例如在某一路口遭遇红绿灯时,车端应该识别哪个交通信号灯,也需要人工手段关联停止线与红绿灯。
人工验证
人工验证的环节包括识别车道线是否正确、对信号灯、标志牌进行逻辑处理、路口虚拟道路逻辑线的生成等。
采集
进行地图采集的两个先决条件:传感器工作状态正常和传感器已被标定。
其次是保证各个传感器已经被标定过。
采集过程中,无人车需要双向车道全覆盖3—5遍,最好是5遍。