高翔基本介绍：
清华本硕博；
《SLAM十四讲》作者；
智行科技定位组负责人。
讲座信息：
第一部分：自动驾驶中的定位技术
相比于汽车定位，人类开车并不需要高精地图/定位，大多数可以凭借记忆开车，或者借用GPS电子导航地图，后者只有米级的定位精度，这是因为人类具有感知即定位的能力。而自动驾驶不具备类似的定位能力，使得其仍然依赖高精度地图与高精度定位进行导航。
自动驾驶技术已经出现了一段时间，当前已经进入了落地阶段，各个自动驾驶公司多考虑的是成本、运营等实际问题。
自动驾驶技术主要涉及a.感知（包括车辆、行人、红绿灯的检测与可行驶区域、车道线等的识别）、b.定位与建图、c.决策与控制三个方面的内容，以这三个标准对比自动驾驶的多个应用：
定位与地图为自动驾驶提供基本的支持，定位告诉汽车其处于地图/世界的位置与姿态，而地图给予了车辆周围的基本环境，基于这些信息，汽车才能完成规划与导航。
自动驾驶所使用的环境具有复杂的地图交通规则，需要高精地图进行承载与表达，使得地图需要添加额外的信息标注，使得自动驾驶无法像扫地机一样自动探索、在线建图。
常见的定位技术包括：
a. 全局定位：结合卫星、基站导航的GNSS和惯性导航IMU的定位手段，可以获得目标在世界的位置，但依赖卫星、基站信号，可靠性不高。
b. 地图定位：主要通过LiDAR点云进行定位，既可以计算里程计获得相对定位，又可以建立点云地图，进行地图定位。主要受制于复杂的高精地图的生产与维护。
综上我们总结各个定位方案的优劣：
什么是高精地图，目前还没有明确的标准，但高翔认为一般有两点：a. 标注信息；b. 高质量点云。可以使用卫星地图进行标注，但是获得的地图通常不能直接用来做定位，仍需要与点云地图进行结合使用。相比于学术界，工业界对建图的质量、成功率、构建效率都有着更高的要求。且不同的应用，有着不同的建图需求：
相比于主流的基于激光的地图与定位，也可以使用基于视觉的方法。相比于车辆的里程计，基于VO或VIO的里程计没有优势。但是基于视觉的建图与定位仍然有前景，但目前仍不成熟。
定位精度主要包括物理精度与重定位精度，前者表达了定位、或者地图与真实物理世界的差距，后者则表达了定位在地图中的稳定性。
定位的可用性则是指各种场景下的定位的可用性，多依赖于所使用的得传感器。
第二部分：SLAM在自动驾驶中的应用与难点。
地图制作流程：
- 高精地图的生产是一个完整的多传感器SLAM问题（离线的），整个过程步骤繁杂，计算时间长，需要较高的机器配置，甚至需要服务器的集群计算，已经形成了完整的制作流水线。
- LIDAR odom：大多使用LOAM、LGO-LOAM。
- 地图优化：由于场景的复杂性，地图在优化期间要平衡各种因素。后端优化由两轮优化组合而成，以Factor Graph表述。考虑的Factor包括：GPS、DR、LIDAR、Height，全局姿态因子、回环因子、人工标注因子。
- 形成点云地图是可以自动化的，但是标注仍需要人工进行。标注本身是简单的，但是对人工与运营要求较高，是目前制约高精度地图大规模发展的重要因素。
（乘用车与低速车的自动驾驶异同：采用类似的激光SLAM算法，都需要回环检测和去重影；但是低速车环境更为多变，RTK信号不稳定，建图时需要的技术处理更为复杂。）
其他遇到的一些问题：
- GPS融合问题：
a. GPS时好时坏：需要通过添加Robust Kernel来加一步outlier判断；
b. 车辆起始时没有GPS：需要首先进行轨迹对准获得一个比较好的优化初始值。 - 回环失败：
形成原因：长时间odom使得累积误差过大，LOAM无法正常进行回环。
解决方案：进行并行多分辨率的回环检测，且通过两轮优化机制：a. 结合所有传感器，优化轨迹；b. 使用第一轮的优化结果进行回环检测与优化。 - 激光退化：
形成原因：激光数据依赖场景的三维结构，需要三个方向上的约束，如果场景过于单一，可能导致激光SLAM缺少某个方向上的约束，形成退化。
解决方法：进行退化检测，并减少退化部分激光的权重。 - 重影（小重影）：
形成原因：回环失败，传感器精度、或者标定出现问题。
影响：基于激光的匹配出现跳动。
解决方法主要还是进行闭环。 - 人工闭环：
人工闭环的思路：
- 建图成功率与自动化
与学术界不同，工业界非常看重成功率（各种情况的建图都需要能够适应）。
但会因为由各种原因导致见图失败，需要多方面沟通与调节。
总结：
大规模长时间地图的生产、维护、更新仍然没有得到解决。
第三部分：个人观点
SLAM方法框架的发展动向
地图朝着轻量化发展。
向感知部分迁移部分定位功能——空间AI。
针对不同应用，开发不同的SLAM方案、地图方案。
视觉SLAM有待开发，尚有前景。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
