自动驾驶和SLAM中动态障碍物滤除方案

自动驾驶和SLAM中动态障碍物滤除方案

附赠自动驾驶最全的学习资料和量产经验：链接

1、引言

在单次激光SLAM或者定位的过程中，动态障碍物（如：移动的车辆、行人等）会对SLAM或者定位造成两个方面的负面影响： 点云配准 和 地图构建

针对点云配准，动态障碍物能造成最极端的情况是“当一帧激光数据中的大部分（甚至100%）点云都是从动态障碍物上返回的数据，那么该帧点云则没有能力在reference scan（或者reference map）中找到correspondent points，点云的配准就会失效，但在实际情况下，点云配准时的query scan数据中受到动态障碍物影响的点云个数是“有限的”，由此query scan中大多数的点云还是可以找到它们的correspondences，少数的异常量不会产生太大的干扰。另一方面，若是采用特征法进行点云配准，动态障碍物在预处理阶段也会被剔除，由此基于特征的配准方法受到动态障碍物的影响会更小。 针对地图构建，动态障碍物对点云地图的构建的影响在于会在最终生成的地图中产生“鬼影”，而若简单使用在第一种情况中提到的特征点云构建地图的话，又会错误地滤除掉很多实际需要的物体信息，导致地图特征稀疏，难以进一步处理，具体的影响可见以下图示：

图：点云地图中由于动态障碍物产生的“鬼影”

图：点云地图中由于动态障碍物产生的“鬼影”

最后，一言以蔽之：（1）在点云配准层面动态障碍物过多会影响点云配准的精度和鲁棒性（导致配准出现失效），（2）在地图构建层面时动态障碍物会在地图中形成“鬼影”，影响后期地图的进一步处理（路径规划、特征提取、定位，etc）。

2、典型场景下动态障碍物滤除的需求差异

2.1、平面移动机器人中对动态障碍物滤除的需求

首先，以移动机器人（AGV类）的使用场景为例，其基础使用场景是二维室内环境，所以使用的SLAM算法和机器人位姿估计器模型都是基于2D平面操作。那基于2D平面场景，SLAM中最常见、最经典的算法是gmapping、cartographer或者karto，定位中常用的算法是EKF、AMCL和ICP的组合，导航中的路径规划和运动控制就都是基于概率栅格地图（pgm）的平面规划了。由此可见，基于移动机器人（AGV）的SLAM、定位和导航都离不开概率栅格地图（pgm），而在概率栅格地图上最传统和最有效的去除动态障碍物的方法就是利用“ray casting算法”的栅格地图概率的“更新”，而“更新”的最终目的是为了在栅格地图上不留下动态障碍物的hit点（此处的更新之所以打上引号，是因为更新概率栅格的模型有很多，用引号表示泛指）。

图：失败的“动态障碍物hit点去除”（上）和成功的“失败的动态障碍物hit点去除” （下）

2.2、自动驾驶中对动态障碍物滤除的基本标准

另一个会使用到SLAM和Localization的工程场景就是低速无人驾驶（或自动驾驶）领域了&#