相對地圖和導航線在自動駕駛場景中是如何工作的?

2018年6月23日，由百度主辦、佐思產(chǎn)研、佐智汽車承辦的第4期《Hello Apollo，自動駕駛公開課》——“Apollo2.5限定場景低成本技術(shù)方案解析”在上海市徐匯區(qū)COCOSPACE成功舉辦，吸引了近300位來自車企、零部件企業(yè)、自動駕駛初創(chuàng)企業(yè)、高校等的開發(fā)者參加。本次公開課邀請了百度自動駕駛事業(yè)部的資深工程師們以及Apollo的生態(tài)合作伙伴，一起與開發(fā)者們交流。

在本次公開課中，楊凡老師演講的主要內(nèi)容包括：Apollo開放平臺簡介、Apollo能力開放簡介、Apollo資源開放與研發(fā)迭代新模式、Apollo生態(tài)階段性成果介紹。

楊凡，百度自動駕駛事業(yè)部資深架構(gòu)師，

負責產(chǎn)品化解決方案

從2017年4月份宣布Apollo計劃，到9月份實現(xiàn)了固定車道的自動駕駛，到2018年1月份完成了2.0的完整模塊點亮，到2.5實現(xiàn)了限定場景的低成本解決方案。

Apollo會在2018年、2019年一步一步的規(guī)劃達到L4、L5級別。Apollo社區(qū)在Github已經(jīng)有9000位活躍的開發(fā)者，有2000以上的開發(fā)者已經(jīng)fork了代碼，正在完成自己的自動駕駛開發(fā)。所有的開發(fā)者貢獻的代碼行數(shù)已經(jīng)超過了20萬行，是世界上最活躍的自動駕駛社區(qū)。

Apollo2.5滿足了開發(fā)者們的以下四個需求：

開發(fā)者需要的更多場景；

完成場景的基礎上，需要更低的門檻；

需要更強有力的工具；

需要支持更多的車型。

Apollo2.5對更多場景通過視覺進行支持，Apollo2.5點亮了高速公路場景，實現(xiàn)了限定場景的低成本化；Apollo2.5通過使用相對地圖，解除了高精度地圖對開發(fā)者的壁壘；通過完整的車端和離線工具鏈支持，可以讓開發(fā)者方便調(diào)試系統(tǒng)；最后將和開發(fā)者一起實現(xiàn)更多車型。

首先是基于視覺的支持，就是camera。Apollo2.0以前是基于lidar做的，lidar有自己的優(yōu)勢，有精確的3D能力，對定位有非常好的效果，但是它的缺點也是很明顯的。Lidar即便用最好的64線，有效感知距離不會達到百米，一般是六七十米的狀態(tài)。對于各種各樣的干擾來說，它其實是不夠穩(wěn)定可靠的。更重要的是激光雷達的確有點貴，一般幾十萬，供貨周期長，而且對于雨雪天氣這種比較復雜的場景有一定的局限性。

Apollo2.5提供的是基于視覺的解決方案，Camera的好處之一是雨雪天氣可用；另外一個好處，Camera已經(jīng)在眾多領域應用廣泛，成本是相對低，技術(shù)方案也比較成熟。Camera分辨率相對高，視距可以達到一兩百米，它的劣勢在于是被動的感知能力，所以它依賴光照，最明顯是夜間效果很不好。

Apollo 2.5的初衷，是選擇一個最有效、解決多場景，成本又最低的解決方案。首先使用相對少的傳感器組合，來完成低成本的自動駕駛，通過這個方案可以點亮高速場景，在高速場景下，不依賴于高精地圖。

基于這個邏輯，明確Apollo 2.5要實現(xiàn)的目標，首先輸入是Camera圖像和毫米波雷達，圖像這部分分解比較復雜一些。首先是預處理，預處理實際上很多操作是ISP之后做的，主要是負責曝光、增益、去馬賽克等。另外對于高速這種場景，需要有足夠高的頻率來更新識別結(jié)果，需要實時的識別，一定要限制它的計算資源。

Apollo 2.5提供了低成本的自動駕駛能力，它只用了一個Radar和一個Camera，所以在Co-trained-network達到76fps，通過對最近障礙車的追蹤，進行信息的補足，可以完成ACC，最后和Radar完成Sensor Fusion。

那如何把高精度地圖的門檻降到大家很容易接受的程度呢？高精圖制作成本太高，而且專業(yè)性非常強，還有很多法規(guī)上的制約，使得開發(fā)者很難快速的、大規(guī)模進行實驗。在限定場景下，其實是可以通過相對地圖來解決問題。

從架構(gòu)層面，相對地圖模塊是連接高精地圖(HD Map)、感知(Perception)模塊和規(guī)劃(Planning)模塊的中間層。相對地圖模塊會實時生成基于車身坐標系的信息，并且輸出供規(guī)劃模塊使用的參考線。

相對地圖基于車輛坐標系，其原點位于車輛本身。車道線是地圖中的重要元素，以確保自動駕駛車輛做出合理的決策并進行安全的軌跡規(guī)劃。

目前，導航模式可完成加減速、跟車、遇障礙物減速停車或在車道寬度允許的情形下對障礙物繞行等功能，后續(xù)版本的導航模式將會進一步完善以支持多車道行駛、交通標志和紅綠燈檢測等。

在相對地圖中，車道線數(shù)據(jù)是通過基于攝像頭的車道感知而生成的，并且包含基于云端的導航線（Navigation Line）。下圖闡釋了導航線是如何生成的。

導航線在自動駕駛中扮演著多種角色。第一,導航線作為出發(fā)點與目的地的連接線，可以保證車輛不會偏離；第二，導航線可以生成Referenceline用于駕駛決策；第三，為高精地圖提供載體；第四，導航線是相對地圖的重要組成部分。

導航線有以下特點：

1. 導航線是按照駕駛員駕駛路徑設計，所以安全性和舒適性是有保障的；

2. 更重要的是，基于駕駛數(shù)據(jù)，導航線可以自動生成，大大降低了開發(fā)成本；

3. 可以與視覺感知系統(tǒng)配合生成基本的地圖信息，可以適用于比較簡單的駕駛場景，比如高速公路、鄉(xiāng)村道路等；

4. 導航線可以與高精地圖兼容，生成復雜的駕駛場景，例如城市道路。

下面我們舉例說明，相對地圖和導航線在自動駕駛場景中是如何工作的。

1. 在如下圖highlight區(qū)域部署自動駕駛場景；

2. 在實現(xiàn)真正的自動駕駛之前，我們需要采集導航線，經(jīng)過駕駛員對駕駛路徑的采集，后期可以轉(zhuǎn)換成為導航線（如下圖綠色線條）；

3.需要實現(xiàn)從A→B的自動行駛；

4. 按照傳統(tǒng)地圖（百度地圖or谷歌地圖）導航，生成的軌跡1（藍色線條）；

5. 在接到導航需求時，系統(tǒng)會選擇一條最匹配的導航線（黃色標線）用來導航；

6.系統(tǒng)為決策模塊提供多條導航線，可以實現(xiàn)變道功能。

通過使用這種方法，我們可以創(chuàng)建一個與高精地圖數(shù)據(jù)格式相匹配的相對地圖，并基于事先錄制好的人工駕駛軌跡和攝像頭的感知進行車道檢測。

在行駛過程中，相對地圖數(shù)據(jù)的計算和更新頻率為10Hz，相對地圖數(shù)據(jù)來源一是基于視覺感知的車道標識，二是基于云端的導航線，而且相對地圖支持以下三種自動駕駛場景：

模式1，僅依靠視覺感知的車道標識

適用場景：

1、定位缺失；

2、只有來自感知系統(tǒng)的車道線識別；

3、車道保持與自適應巡航。

在基于參考線錄制模式時，會依賴錄制的參考線與實時攝像頭信息生成的Relative Map行駛，此時需要GPS定位。當GPS失效時（比如通過某個隧道），系統(tǒng)將自動切換為基于純攝像頭模式，此時只依賴實時攝像頭生成的車道線信息行駛。只要有車線可以辨別，車會沿著車道中心線一直開（Lane Keeping）。如果車道線不可辨別，需要人來接管。

相對地圖模式2，依靠視覺感知與云端導航線

適用場景：

1、感知系統(tǒng)檢測的車道標識

2、能從云端獲取導航線

3、高速道路或者車道線不清晰的鄉(xiāng)村道路

此條件下，導航線與感知系統(tǒng)結(jié)合生成地圖數(shù)據(jù)，用于車輛決策。

相對地圖模式3，依靠視覺感知、云端導航線以及高精地圖

適用場景：

1、車道標識不是來自于感知系統(tǒng)檢測，而是基于歷史駕駛數(shù)據(jù)以及高精地圖生成；

2、能從云端獲取導航線

3、城市道路

此條件下，導航線結(jié)合高精地圖，能實現(xiàn)城市道路的規(guī)劃決策。

相較來講，相對地圖的精度較低，僅限于某些用途。但它卻有著不容忽視的優(yōu)勢，成本更低，周轉(zhuǎn)更快，并且制作起來更容易，還可以實現(xiàn)實時更新。

DreamView是比較常用的工具，是一個綜合調(diào)試工具，在車上它是一個中心，可以精確看到關(guān)于車輛的自動駕駛情況，它可以監(jiān)控所有組件的工作狀況，當在車下的時候，可以通過線下或者云端模擬器使用，是非常有效的工具，它可以幫開發(fā)者“看到”所有可視化的一切。