apollo学习笔记十:apollo高精度地图(下)

apollo地图采集方案

硬件设备

在这里插入图片描述
利用激光雷达和摄像头结合来制作地图:
64线类激光雷达:平装,采集路面
16线激光雷达:斜向上安装,用来检测高处的红绿灯、标牌等信息
长短焦相机
除上述两种外,还包括IMU模块,GNSSRTK模块等。

apollo地图生产技术

在这里插入图片描述
1.数据采集:详见上方Apollo数据采集方案
在这里插入图片描述

2.数据处理:数据分为点云和图像两类,因为高精度要求,所以制图以点云为主。
(1)点云拼接:采集过程中信号可能不稳定(RTK在遮挡情况下会出现不稳定现象),通过SLAM等对pose做优化,优化之后对点云信息做拼接得到完整的点云信息。点云信息被压扁得到定位地图图像、反射地图图像。反射地图可以做一些标注。
(2)点云图像处理后得到一个高精度图像,基于图像可以做精确的车道线识别,获得车道线的形状特征。但仍需要道路虚实线、黄白线、路口标识等信息,这时候需要元素识别。
3.元素识别:基于深度学习的地图要素识别有两个层面:
(1)是否能基于点云分割,从点云里提取特征。
(2)尝试从点云中提取车道线、灯杆、红绿灯等。
4.人工验证:由于车的自动化程度不够 ,无法解决道路上没有车道线的部分以及无法理解逻辑信息(比如停止线和红绿灯的关联关系)因此添加人工验证,车道线识别是否正确,补充关联处理。比如路口虚拟线的处理,这种虚拟线的处理依赖于半自动化的处理。
在这里插入图片描述

Apollo高精度地图

在这里插入图片描述
1.道路元素分为两个层次:道路级别和车道线(Line)级别
道路边界:强约束,永远不能跨越
车道线边界:弱约束,紧急情况可以用

2.车道模型:
在这里插入图片描述
横向:分割成Line
纵向: 分割成Section

3.JUCTION模型
在这里插入图片描述
变道的时候,监测车道线变化

4.Apollo OpenDrive和普通OpenDrive的区别:
在这里插入图片描述
(1)元素做了归类,所有地面标识归为Objects,所有道路标牌归为Signals,用overlap关联。
(2)标准是通过参考车道偏移量计算,Apollo是采用绝对坐标点序列描述边界形状,不采用方程的方式。好处是对下游的计算友好,不用再做点的采样。
(3)标准基于偏移量的计算在道路急转弯情况会出现道路上的毛刺,可能导致无人车猛打方向盘造成危险。
(4)扩展了禁停区、人行横道、减速带等元素。
(5)新增了junction和junction之间的关联关系。
(6)增加了车道中心线到真实道路边界的距离、停止线和红绿灯的关系。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值