5月29日,由中国汽车工程学会、清华大学苏州汽车研究院、国汽(北京)智能网联汽车研究院有限公司、北京经济技术开发区管委会联合主办的第六届智能网联汽车技术年会(CICV2019)在北京亦庄举办。在本届CICV年会中,针对自动驾驶地图与高精度定位召开了专题论坛。下面是博世汽车部件(苏州)有限公司自动驾驶认知系统部门地图定位算法高级工程师刘玉磊的演讲。
刘玉磊:大家好,我在博世主要是做自动驾驶高精度地图以及定位的。我们现有两类产品,第一个是基于卫星定位,第二个是特征定位。卫星定位就是我们的VMPS,一个GPS加一个陀螺仪,再加上一个好的算法形成的一个产品,在明年会量产。特征定位就是道路特征,利用摄像头+毫米波雷达做高精度地图,然后再去做相对定位,也可以达到车道级标准。
我主要介绍一下道路特征定位。我们道路特征主要是有两个,一个是基于毫米波雷达,再一个是基于摄像头的,不同的传感器看到的物体特征不一样。我们可以看到毫米波雷达探测到的一些点云信息,摄像头看到的一些车道线、路边灯杆等信息,它们形成高精度地图。当车辆再次看到这些信息时,就能测定我们在车道的位置。
在实践当中道路变化是非常多的,我们为什么利用毫米波雷达的特征?很多传感器在恶劣情况下性能下降很厉害,但是毫米波雷达不受影响,也就是毫米波雷达是一个全天候的传感器。但是高精地图是在不停变化的,这需要一个动态更新的过程。我们现在的自动驾驶系统中,特征定位的图层,其实是工作在云上面的,它是一个动态更新过程。
有很多情况下,当这个地方发现没有道路特征,就会把数据打包上传。我们雷达有一个包会判断这些情况,把没有的道路数据打包上传;如果是已经有的道路信息,会利用这些信息做一个匹配,在云端处理,然后从云端返回数据,从而实现高精度定位。
基于云众包在德国已经有量产的项目,在中国牵扯到法律层面的限制,我们正在找相应的图商合作伙伴,一起推动动态图层的落地。
介绍一下德国相应的一些经验。我们开发的一款软件会放在毫米波雷达里,毫米波雷达做一些数据收集工作,它会把采集的道路特征先做一个聚类,之后做一个打包,获取一个时间戳,然后把这些信息打包上传。这些信息会交给一个T-BOX,T-BOX也负责上传GPS数据,所有数据在云端处理。坐标表达方面,以一个GPS点为中心,其他信息都基于这个点相位坐标的表达。在跑很多次之后,这些数据会在云端形成一个相应信息,那么我们会在云端把数据进行一个处理过程。接下来如果是一个大众或者消费级的GPS,只要数据消除了GPS或者IMU带来的误差,会达到一个高精度定位的地图,从而帮助我们实现自动驾驶中的定位。
我们已经在2019年做了雷达数据的收集,将来会在2022年之前做整个服务的上线工作。未来也打算开放给第三方的传感器,你只要按照这个规格上传,就能在云端处理这个数据。也就是说,我们是一个非常开放的商业模式,希望建立一个毫米波雷达(数据采集)的产业链条,从数据采集、到云端处理,再到道路应用的整套系统。
博世第五代雷达,大家比较关心众包数据量大小。第五代雷达数据量,我们这里可以看到数据量并不是非常大,它传到云端数据之前,点云数据已经做了分类和压缩,同时筛掉无用信息,做了姿态信息。只把有用信息上传,其他无用信息会剔除,所以它的信息量会变的非常少。
这是德国一个乡村的情况,左边的是一个实时卫星照片,经过第五代雷达出来的效果图是这样的。最终形成的特征定位的点,和实际情况是非常非常类似的。我们的应用重点是放在L3以上的自动驾驶,如果L2有这个需求,我们也可以提供相应的定位服务。
数据收集这块,我们会在传感器端集成一个软件,然后这个软件会对特征点进行基本处理,通过一个通讯接口传给相应的T-BOX,T-BOX做一个缓存,会发给OEM的后端或者博世的后端。我们的后端也会发送相应的请求给车辆,让车辆帮助在一些没有地图的地区做相应的绘制。
雷达道路特征中还有一些附加数据,比如车辆的速度、位置以及天气等等信息,都是能够帮助产生地图的,所以说未来整个的数据流向就是车端到云端再到车端的过程,所有数据访问,未来都是与车端关联的,车端请求的数据可以传到云端,云端也会做一些请求到车端去帮助完成。在中国我们希望跟OEM构建动态更新的机制,一起去把基于雷达,基于摄像头的数据流打通,帮助实现自动驾驶的定位。谢谢!
杨殿阁:非常感谢玉磊的介绍,我们接下来有五分钟的提问时间。
提问:非常感谢你的演讲,一个问题,刚刚PPT展示RRS特征点那张图片,我第一眼看像是激光雷达点,我想问毫米波雷达数据怎么变成类似于这种数据,是本身毫米波雷达可以生成这种点,还是你们做了一些处理。
刘玉磊:现在毫米波雷达可以输出原始点云,还有一些毫米波雷达可以变成聚类输出来,原始点云信息量更加丰富。在第四代雷达或者我们前面的技术,直接用了点云技术,第五代雷达上我们会做相应的聚类,车辆在这个位置观察到一个点云,在另一个地方也能观察到这个点云,基于这几个点云,我会对点云的信息有一个基础判断,会产生一个聚类,这个聚类会被记录下来,它可能是一个点形成的,也可能是一个范围之内的数据,最后形成这么一个地图。
那我怎么用这个地图?我的车子走到这个地方,雷达也会产生一个观测值,观测值之间有一个可信度概念,它们之间进行比较,从而确定我在的位置。
提问:因为我对毫米波雷达的底层不太了解,我想问博世毫米波雷达的中间数据是可以生成类似于点云这种效果吗?
刘玉磊:因为这个体积是非常非常小的,而且毫米波反射出来的点的量跟激光雷达没有办法相比,现在也只能反射5000个点,对于我们车道定位足够了。之前我们地测用了6个毫米波雷达,现在只需要前向的一个毫米波雷达返回一千多个点,就已经可以完成车道级定位了。
提问:是不是在之前毫米波雷达数据处理的时候,它很多东西当做是噪点来处理的,现在是进行一种有效信息处理。
刘玉磊:噪点是不可避免的,因为匹配的时候我们匹配静态的,而在路上跑的很多是动态的其他车辆,可能其他车辆会挡住你前向的视角,你有些东西看不见,所以第四代雷达反射出来的量远少于两百个点,第五代雷达反射点的量已经有了明显提升,相当于六个之前雷达反射点的总和还要多一些。这个量已经足够帮我们做定位了。
杨殿阁:我们再次以热烈的掌声感谢一下刘玉磊的分享,下面有请千寻的宋子未经理来给我们做一个分享。
千寻位置网络有限公司智能驾驶事业部业务架构专家宋子未
宋子未:今天很荣幸和各位嘉宾交流千寻对于高精度定位的一些积累。
首先先跟大家说一下,千寻主要做高精度卫星定位,这和刚才说的毫米波雷达相对定位技术是两种不同的技术。因为卫星定位是基于一个共同坐标系做的绝对定位,而不是自车相对定位的技术手段。
今天给大家带来的主要是这几个方面,一是目前在自动驾驶定位技术上中碰到的一些瓶颈,然后是高精度GNSS定位在自动驾驶的一些应用,其次是在高精度GNSS定位过程当中,我们为了满足自动驾驶需求去做的一些技术上的突破,最后跟大家介绍一下千寻的市场和产品布局。
随着自动驾驶从L0、L1、L2逐级演进,各种定位传感器非常丰富。目前大家看到了毫米波雷达定位、惯性导航等多种传感器做车辆的定位,但是目前并没有达到非常高的精度或者在探测距离方面有一些限制。非常理想的激光雷达在探测距离和精度上都能达到很高等级,但是它目前会有量产的制约。所以定位传感器融合方面,实际上已经是一个比较明显的趋势。车辆上需要搭载,同时包括各种定位传感器以及卫星定位传感器在内的多种传感器,来帮助车辆在行驶过程当中找到自己的精确位置。
在这个过程当中,我们也看到自动驾驶定位系统中三个关键性瓶颈。一个是可用性瓶颈,目前可用性这块大部分的L1、L2级别定位,使用的是相对定位方案来识别自车的位置,那它在某一些场景下,就会有失效的风险。
虽然相对定位传感器失效能够给汽车一个相对的提示,但是给车辆带来了问题,就是整个自动驾驶过程中它的可用性会降低。比如说当弯道曲率过大不能识别的时候,会导致失效;车道线不规则,道路没有明显标志物的情况下也会有失效;再有大家非常熟悉的雨雪雾天,传感器覆盖等导致的失效。这样自动驾驶功能就被会中断,导致用户体验下降。
其二是成本瓶颈。随着自动驾驶级别的上升,大家靠堆传感器,各种摄像头,各种毫米波雷达,包括激光雷达,堆传感器来保证系统的冗余。然后加了传感器就需要一定算法,保证这些传感器可以融合工作。这其实是大规模的提升了系统复杂性,以及对芯片算力的需求。还有一系列的传感器装上之后,你需要做大规模的测试来验证整体的系统可靠性,所以这会带来研发成本的大幅上升。
其三是安全性瓶颈。大家发现从L2到L3的过渡中,最重要的差别是对于系统控制有一个大的变化,由车主控制变成车辆控制。控制切换过程中会带来一个重要变化,对于系统功能安全级别的判定上,L3会需要C级别甚至D级别以上的功能安全要求。对于卫星定位这种技术手段,因为它是一种绝对定位技术,它能够给系统提供一个非常可靠的定位指针。
结合这三点来看,目前实际上没有一种传感器能够单独解决这三个问题。所以卫星高精度定位可以协助相对定位传感器,大家融合之后来突破这些瓶颈。
可能大家还不太清楚,就是高精度的卫星定位基于一个什么原理?其实它和目前车载导航中的卫星定位技术原理有所区别,因为卫星定位是使用车辆本身的定位芯片以及它的接收器来关注卫星发下来的信号,形成自车的卫星定位。在这个过程中,因为卫星本身有误差,之前比较老的卫星,俄罗斯的包括中国以前的北斗,会由于时钟差的问题导致定位精度不准。
除此之外,卫星信号在穿过大气层也会带来一些误差,导致我们普通定位在车端理想情况下只能达到5-10米精度。高精度的卫星定位技术是在地面上部署参考基准站,观测卫星信号,从而产生差分数据,到车辆终端上做卫星定位时可以使用差分数据,计算本车的数据,从而减少误差。它基于的还是一个卫星定位,所以它也会有一些应用场景误差,所以我们在倡导一个绝对定位和整体定位融合技术。
比如这三种场景,黑夜、雨雪场景、道路灯光反射,以及没有明显标志物的跨海大桥,没有卫星定位很难工作。在城市峡谷,以及高架下遮挡的情况,可以以相对定位为主,以绝对卫星定位为辅去的定位融合。
接下来跟大家分享目前高精度定位GNSS在自动驾驶中的应用。
大家对于高精度GNSS定位,也许觉得会有一些陌生,但是实际上它现在能够渗透到自动驾驶的方方面面,不只在车上,在车上它已经是一个必不可少的绝对定位技术了。实际上大家做高精度地图当中,也会使到高精度的卫星定位做地图基准,此外在目前的L1以及L2辅助驾驶功能当中,高精度卫星定位已经被广泛应用为定位基准评估传感器,所以它能够在前期研发以及量产车上面,同时为智能驾驶提供服务的。
先跟大家分享一下定位在车载端功能的一个演变。车载端对于绝对定位的功能、需求是有一个演进过程的。最早的时候,车提供的只是驾驶功能,早期车上是不需要有卫星定位的。在八十年代左右,有了路径导航,就是这种PND导航设备。后来导航有了功能升级要求,比如上下高架匹配,隧道内匹配推算,还有一些车辆追踪行为,包括驾驶员紧急呼叫等等。除了GPS引入,还加了惯性导航,融合起来提供更精准定位,以及更多场景下可以工作的卫星定位。
差不多从2016年、2017年后对于卫星定位要求更高了,有了车道级导航应用,随着车端的功能升级,对于定位精度要求越来越高。针对升级版的车联网需求,我们推荐使用高精度单频RTK差分技术,来满足功能升级要求。有了高度自动驾驶L3、L4级别的功能之后,就可以使用多频的RTK差分,再带上定位精度,以及功能安全保障、完好性等。应该说不远的未来,到L4、L5的自动驾驶级别,高精度定位并带有完好性和功能安全保障是自动驾驶的必需。
下面给大家分享GNSS在制作高精度地图过程当中所起到的作用。在座的有很多地图厂商合作伙伴,大家对于高精度采集的过程都比较熟悉。其实高精度地图采集过程当中,测绘车的行驶轨迹是高精度地图绝对精度一个非常重要的指针,测试车行驶轨迹需要用GNSS结合INS高精度姿态数据做一个处理,达到一个非常高的精度,从而保证高精度地图的质量。在这中间差分改正数也是一个非常重要的输入,保证后处理过程可以比较高效进行。
第三点,在目前L1、L2级别的辅助驾驶,用比较简单或者单一的相对定位传感器就可以实现。比如说简单的车道保持或者碰撞预警功能,在这些功能研发验证过程当中,高精度定位实际上是一个基准,来验证L1、L2级别功能实现正确性的。后面随着更多自动驾驶功能的普及,高精度GNSS作为一个基准,可以在验证过程中发挥更大的作用。
可能会有一些朋友会问,既然高精度GNSS可以应用在车端这么多场景当中,可为什么这两年才慢慢看到这样一个趋势,说高精度定位被用于车载端呢?实际上是因为高精度GNSS要基于地基增强网络,然后整个产业以前服务于测绘系统,在进入汽车行业过程当中也面临非常多的挑战。我把它总结为智能驾驶可量产性挑战,而可量产性也可以分为各个角度,我想分享一下千寻是怎么做,以达到自动驾驶可量产性要求。
第一个可量产性比较重要的可靠性,可靠性在目前差分设计当中是由各个环节共同组成的,不只有整个地基增强系统,包括终端算法联合起来的全链路完好性是L3以上级别的非常重要的关键保障。
现在给大家展示的是我们整体的服务,包括终端算法的一个链路。首先是由覆盖全国的站网体系去收集卫星原始观测量,然后将原始观测量传输到云端去做改正数据计算,改正之后再通过无线蜂窝通信或者说卫星链路通信,将差分改正数据传播到定位终端。定位终端接收了导航卫星信号之后,再结合差分数据来使用高精度定位算法,从而生成高精定位结果。在这个链路的每一个环节当中,都需要一些可靠性手段,来保证它全链路的可靠性和完好性。像站网建设过程当中,选址建站的标准,站网运维的体系是非常关键的,在这个改进数生成过程中,因为它直接决定质量,所以算法上需要做整个云数据中心的冗余,改进算法质量的推进,因为要服务车端大规模用户,所以要做高并发支持。另外服务端改正数据,在播出去的同时必须带有一个完好性的指征,来保证终端使用的是正确的数据,而不是会造成误差的数据。
在传输链路过程中,卫星和无线通讯也是一个双冗余,能够保证终端的设备,时刻可以接收到正确的差分改正数。在终端定位过程当中,也需要去做原始的观测量质量检测,来保证终端定位算法质量,另外就是给到系统非常重要的完好性指征,以及相应的完好性风险。使得整体定位系统能够判断我现在应该使用卫星定位的结果,还是应该去相信其他相对定位传感器,这是可靠性问题,高精度卫星定位要解决的一个量产性的挑战。
此后就是系统集成度方面,大家可能在一些模型当中,都会用过天宝或者国产思南这样的设备,大家可以发现这些设备都是基于传统的GNSS导航系统,它们会有一些问题,比如尺寸大,没有办法和现在的车载电子电器架构结合。
现在我们已经看到一个明确趋势,是要将组合导航系统进化为一个芯片模组方案,才可以融合车端电子架构设计,为自动驾驶服务。这方面千寻已经和高通、ST等伙伴进行合作,基于芯片方案来开发高精度定位,来保证自动驾驶能够用上高精度的定位。而且像这些厂商提供的产品,目前已经被广泛应用于车机、T-BOX等产品中了。
另外要指出一点,高通和ST他们也有符合功能安全ASIL-B级别的产品,也就是基于这样的产品,搭载千寻高精度定位可以直接应用于L3级别以上的自动驾驶系统当中。
最后一个挑战,就是成本。因为大家也知道传统测绘级的差分网络,运营成本非常高。我们想把成本做一个分类,成本是由三部分组成:终端硬件,终端软件,高精度服务。终端硬件如果是现在的GNSS方案是可以不需要额外成本的;高精度服务方面,因为整体基准站网投入稳定之后,它就是全年比较稳定的维护费用,自动驾驶的车辆数量上升之后,就可以均摊差分站网运营成本。所以随着时间的推移,以及数量的增加,大家也可以看到服务价格有明显的下降。
另外终端软件这块,高精度定位所要的一些算法,比相对定位传感器所用算法占用的系统资源大大降低,所以它实际上是能够解决一部分系统资源占用问题,然后换来的收益是什么?实际上可以提高整体定位可用性,低成本实现V2X精准定位,缩小高精度地图查询区域,节省系统算力。
另外在现在自动驾驶分级已经引入一个非常重要的概念,叫ODD,其实GNSS定位就是判断车辆是否行驶在ODD中的一个非常重要的输入。基于一个非常合理的成本,能得到的收益其实挺大的,这就是为什么我们向大家推荐高精度定位。
最后介绍千寻在自动驾驶的市场和产品布局。目前我们面向三个市场,一个是以乘用车为主,但是商用车和智能机器也是我们很重要的应用场景,因为商用车和智能机器的应用会比乘用车不可预判的场景更少一些,智能机器和商用车的自动驾驶功能实现也会比乘用车更早一些。
市场布局方面,我们不只在车端提供高精度定位方案,还会给路端、场端同样提供高精度定位的保障。像路端我们给高精度地图做地图数据的纠偏,我们累计下来的一些数据可以帮助大家去做一个全国范围内的定位质量分析。后续有了V2X之后,其实V2X时钟同步,以及在整体智能网联做大规模路测,都是千寻能帮大家做的事情。
另外就是场端,更多是像红绿灯等场端设备,这些设备数据如何精确传输到平台上,并且能够匹配到动态的高精度地图数据当中去,高精度卫星定位也能起到非常重要的作用。
高精度定位产品要服务汽车级需达到什么样的要求?首先是精准。不是在一个地方或者某一个区域精准,而是为了要服务于汽车级量产应用,需要覆盖全场景、全天候、全国各地的精准服务能力。其次是可靠性。可靠性又可以拆分为:服务的可用性、连续性、完好性。第三是安全。安全也分为功能安全、信息安全,信息安全又包括链路安全、数据安全等多方面。
今天的分享就到这里,谢谢大家!
提问:谢谢您的分享,您刚刚分享中讲到一个高精度后处理服务,我想问一下这个,你们对于用户端使用的设备还有场景有什么特殊需求吗?另外关于这个服务你们已经开放给客户使用了吗?
宋子未:你的第一问题,我们对于组合终端导航有一定需求,目前已经可以支持系列产品,此外还有一些千寻自己选择过的合作伙伴的产品。因为它有两个要求,一方面是如果组合导航产品的性能不够好,其后处理结果也不会好;另外数据格式要跟我们平台算法做一定匹配,如果你有相应需求,楼下有千寻的同学可以对接一下。第二个,我们其实这个产品已经对外提供服务了,像高德,还有中海庭,都是我们的客户,目前已经累计处理了三百多万的地图处理数据。
提问:刚才你提到停车场的应用,据我所知很多地下停车场没有GPS信号,你们在这边是怎么做处理的?
宋子未:首先要说一下,技术不能超越它的限制来提供服务,停车场场景,目前是卫星定位所不能够覆盖的,因此地下停车场还没有在千寻所服务范围之内。
提问:主要就是想问一下,咱们除了为汽车厂家提供定位,还有为一些自动驾驶或者高精度地图提供服务,还有没有其他的模式?我觉得咱们自研芯片或者是建设一些基站,是一个投资非常大的业务,我们还有没有其他的投资模式介绍一下。
宋子未:先澄清一下,我们目前并没有自研芯片,我们是选择汽车行业的既有芯片厂商,将我们的定位算法以及服务嵌入到芯片当中为客户服务,所以在这中间我们并没有涉及到芯片层面的一些开发工作,只有算法的开发。
第二点,您讲到商业模式,目前我们其实有两大块业务,汽车智能驾驶是千寻比较重要的一个方向,但千寻也同时服务于传统的测绘行业。差分定位技术不是一个新兴的技术,而是在测绘行业已经被广泛应用的,比如像建筑、精准农业,比如无人机农药喷洒,还有电网巡检,包括桥梁、危房形变的检测,刚才没有展开,因为跟今天论坛主题关系不大。
提问:刚才您的PPT里面,2019年单频RTK技术,我不知道是量产落地还是和相应合作伙伴在推进?和高通和ST的解决方案,定位精度大概在什么级别?特别是在V2X应用上的进度标准上,是不是已经全部满足?
宋子未:先回答一下您第二个问题。现在和ST及高通的合作,我们自己测试下来,如果使用单频RTK技术在空旷环境下相对比较稳定,能够达到20厘米到50厘米之间的精度,但是在城市复杂场景下还是有一些难度。像V2X比较严的话是1.5米的要求,在大部分城市场景里是能够满足的。除非是非常密集的城市环境,以及高架下的场景,还会超出1.5米以外,因为这块确实是卫星定位不能克服的技术瓶颈。但是在这两个特殊场景之外的其他场景,1.5米是可以保证的。
您第一个问题,单频RTK的量产,我们有产品已经在试生产阶段,在今年至少有两到三个车型会用单频RTK技术投入市场。
提问:关于基站,刚才您提到在全国有很多,我想到一个问题,5G通讯现在也非常热,它也要建很多基站,包括我们差分信号也是需要无线通讯实现,你们有没有打算,以后在建千寻基站同时,把5G基站同时搭建起来,或者联合在一起搭建?
宋子未:首先我们不是一个移动通讯运营商,我们只是差分地基增强的一个服务商,所以我们在做整体的差分参考站网建设,我们更多考虑能够比较理想观测到卫星数据,比如附近不能有比较重大的遮挡,环境不能有比较大的形变或者是位置偏移。选址过程当中,并不是照移动通讯基站来看的。一个我们不是干无线通讯的,第二个选址也不会考虑其他,目前千寻还只是一个做差分地基增强的公司。
(注:以上内容由佐思整理自CICV2019自动驾驶地图与高精度定位分会场速记稿,未经发言人审阅。)
「近期活动」
2019车联网与汽车智能终端标准讨论会(2019年6月18日 深圳)
2019中国汽车互联与车路协同大会(2019年7月5日 深圳科兴科学园)
2019深圳国际未来汽车及技术展暨2019汽车新四化与汽车电子论坛(2019年12月19-21日 深圳)
会务联系人:符先生 15810027571(同微信) 踪天怡:18221109836 (同微信)
「佐思研究年报及季报」
主机厂自动驾驶策略研究 | 汽车视觉产业研究 | 低速自动驾驶产业研究 | 商用车自动驾驶产业研究 | 新兴造车企业布局及智能网联功能对比分析 | 汽车MLCC研究报告 | 汽车分时租赁研究报告 | 5G自动驾驶专题研究 | 汽车仿真研究 | 高精度地图产业研究 | 域控制器研究 | 自动泊车与自主泊车研究 | 激光雷达研究 | 毫米波雷达研究 | 处理器和计算机芯片研究 | 红外技术及在夜视和DMS研究 | 中国毫米波雷达市场分析 | 汽车功率半导体研究 | HUD行业研究与供应商竞争力分析报告 | ADAS与自动驾驶Tier1研究 | 商用车自动驾驶研究 | 乘用车摄像头季报
联系人: 符兆国 15810027571 | 张亚菲 13716037793 (同微信)
「佐思研究月报及周报」
车联网月报 | ADAS/智能汽车月报 | 智能网联汽车测试月报 | 汽车座舱电子月报 | 汽车视觉和汽车雷达月报 | 电池、电机、电控月报 | 新能源汽车市场与基础设施月报 | 智能网联与新能源汽车周报
联系人: 韩 跃 15810133447 (同微信)