Apollo開(kāi)放全長(zhǎng)380km點(diǎn)云數(shù)據(jù)集,助推厘米級(jí)精度定位實(shí)現(xiàn)

作為全球最大最活躍的自動(dòng)駕駛開(kāi)放平臺(tái)，Apollo不斷創(chuàng)新，持續(xù)拓展著自動(dòng)駕駛行業(yè)邊界。在聚焦賦能量產(chǎn)的Apollo5.0重磅面世之后，日前，Apollo在“數(shù)據(jù)開(kāi)放”的大道上再次實(shí)現(xiàn)飛躍，向開(kāi)發(fā)者開(kāi)放一組總里程達(dá) 380km 的點(diǎn)云數(shù)據(jù)集，并在該數(shù)據(jù)集上驗(yàn)證了基于深度學(xué)習(xí)的激光點(diǎn)云自定位算法帶來(lái)的“厘米級(jí)定位精度”的實(shí)現(xiàn)。

據(jù)了解，針對(duì)自動(dòng)駕駛中的自定位問(wèn)題，百度提出了一套基于深度學(xué)習(xí)的激光點(diǎn)云自定位算法。該算法使用不同類(lèi)型的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)傳統(tǒng)方法中的各功能模塊進(jìn)行替代。

同時(shí)，為了驗(yàn)證算法的有效性，百度在 Apollo 平臺(tái)開(kāi)放了一組總計(jì)約 380km 的數(shù)據(jù)集，該數(shù)據(jù)集包含了制圖、訓(xùn)練、測(cè)試三個(gè)子集，涵蓋了城市道路，園區(qū)內(nèi)部道路以及高速公路等多種場(chǎng)景，地圖和測(cè)試集之間的最長(zhǎng)時(shí)間跨度達(dá)一年。

通過(guò)點(diǎn)云數(shù)據(jù)集進(jìn)行驗(yàn)證的基于深度學(xué)習(xí)的激光點(diǎn)云自定位算法以及相關(guān)技術(shù)出自論文《L3-Net:Towards Learning based LiDAR Localization for Autonomous Driving》，這篇論文收錄在今年 6 月份在美國(guó)洛杉磯長(zhǎng)灘市舉行的國(guó)際頂會(huì) CVPR 2019里。

根據(jù)論文內(nèi)容，此項(xiàng)技術(shù)方案的領(lǐng)先性主要有：

提出了全球范圍內(nèi)首個(gè)基于深度學(xué)習(xí)的自動(dòng)駕駛自定位技術(shù)解決方案，可以準(zhǔn)確地估計(jì)車(chē)輛的位置和姿態(tài)，實(shí)現(xiàn)了厘米級(jí)精度的定位效果。

使用不同的網(wǎng)絡(luò)結(jié)構(gòu)拆解取代傳統(tǒng)激光點(diǎn)云定位的技術(shù)流程，并將其串聯(lián)起來(lái)統(tǒng)一訓(xùn)練，使網(wǎng)絡(luò)能夠以"端到端"的方式完成在線(xiàn)激光點(diǎn)云定位任務(wù)。

▲傳統(tǒng)激光點(diǎn)云定位技術(shù)

定位作為自動(dòng)駕駛的基礎(chǔ)模塊之一，一直是行業(yè)研發(fā)熱點(diǎn)?，F(xiàn)有的傳統(tǒng)激光點(diǎn)云定位技術(shù)包含了特征提取、特征匹配和時(shí)序優(yōu)化等模塊（如上圖所示）。整個(gè)算法的輸入包括實(shí)時(shí)在線(xiàn)激光點(diǎn)云、定位地圖以及來(lái)自慣性傳感器的初始預(yù)測(cè)的定位位置和姿態(tài)，最后的輸出則是定位算法優(yōu)化之后的位姿結(jié)果。

盡管上述方案已經(jīng)取得了目前最佳的定位效果，但是這類(lèi)人工設(shè)計(jì)的算法在進(jìn)行特征提取和匹配時(shí)，對(duì)環(huán)境的變化非常敏感。導(dǎo)致在動(dòng)態(tài)變化的環(huán)境中無(wú)法最智能地捕捉環(huán)境中不變的信息（例如，地標(biāo)、路牌等），從而無(wú)法實(shí)現(xiàn)對(duì)自身位置的高精度高魯棒性的估計(jì)。這意味著，由于環(huán)境變化的劇烈程度，實(shí)際應(yīng)用中需要經(jīng)常對(duì)定位地圖進(jìn)行更新，成本也將上升。

與傳統(tǒng)方案不同的是，基于深度學(xué)習(xí)的激光定位系統(tǒng)在模塊上有了改變，它需要一個(gè)預(yù)先建立的激光點(diǎn)云定位地圖、在線(xiàn)激光點(diǎn)云以及慣性傳感器的預(yù)測(cè)位姿作為輸入。其中預(yù)建的激光點(diǎn)云定位地圖是通過(guò)離線(xiàn)制圖算法對(duì)多次采集的同一區(qū)域的點(diǎn)云數(shù)據(jù)進(jìn)行融合，并使用點(diǎn)云識(shí)別算法剔除動(dòng)態(tài)地物得到。在線(xiàn)點(diǎn)云是由自動(dòng)駕駛車(chē)輛上安裝的激光雷達(dá)設(shè)備在行駛過(guò)程中采集獲得，而預(yù)測(cè)位姿則由上一幀定位結(jié)果加上慣性傳感器或者車(chē)輛運(yùn)動(dòng)模型估計(jì)的增量運(yùn)動(dòng)來(lái)進(jìn)行遞推。這個(gè)定位框架通過(guò)最小化在線(xiàn)點(diǎn)云和地圖的匹配距離，優(yōu)化預(yù)測(cè)位姿從而獲得定位結(jié)果。

▲基于深度學(xué)習(xí)的無(wú)人車(chē)激光自定位技術(shù)：L3-Net

百度提出的方案如上圖所示。對(duì)傳統(tǒng)方法中各個(gè)流程使用不同類(lèi)型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改造，進(jìn)而實(shí)現(xiàn)了開(kāi)創(chuàng)性的基于深度學(xué)習(xí)的無(wú)人車(chē)激光自定位技術(shù)：L3-Net。與傳統(tǒng)方法流程相比，L3-Net 使用PointNet 網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)特征提取，再使用3D CNNs 網(wǎng)絡(luò)進(jìn)行特征匹配和優(yōu)化，最終使用RNNs 網(wǎng)絡(luò)完成時(shí)序上的平滑。

L3-Net實(shí)質(zhì)上是基于學(xué)習(xí)的激光自定位網(wǎng)絡(luò)架構(gòu)。如下圖所示，該網(wǎng)絡(luò)通過(guò)兩個(gè)階段進(jìn)行訓(xùn)練，第一階段訓(xùn)練只包含了黑色箭頭部分，包括關(guān)鍵點(diǎn)選擇、特征提取以及基于 3D CNNs 的特征匹配；第二階段訓(xùn)練包含了青色箭頭的部分，這一階段訓(xùn)練包含了用于時(shí)序平滑的 RNNs 網(wǎng)絡(luò)。

▲基于學(xué)習(xí)的激光自定位網(wǎng)絡(luò)架構(gòu) L3-Net算法流程

目前，點(diǎn)云定位數(shù)據(jù)集面向所有開(kāi)發(fā)者開(kāi)放，通過(guò)以下操作即可獲取相關(guān)數(shù)據(jù)。

進(jìn)入Apollo首頁(yè)，并點(diǎn)擊【開(kāi)放平臺(tái)】中的【數(shù)據(jù)平臺(tái)】，或直接訪(fǎng)問(wèn)數(shù)據(jù)開(kāi)放平臺(tái)地址：http://data.apollo.auto/?locale=zh-cn&lang=en。找到【標(biāo)注數(shù)據(jù)】欄目下的【阿波羅加州南灣點(diǎn)云定位數(shù)據(jù)集】即可。

點(diǎn)擊進(jìn)入數(shù)據(jù)集詳情頁(yè)，選擇右上角【查看使用手冊(cè)】，可以查看詳細(xì)的數(shù)據(jù)集說(shuō)明和使用說(shuō)明。

如上圖所示，點(diǎn)擊【樣例數(shù)據(jù)】可以下載少量的樣例數(shù)據(jù)，用于具體理解數(shù)據(jù)格式。點(diǎn)擊【申請(qǐng)使用】，則可以申請(qǐng)獲得在云端使用數(shù)據(jù)集中大量數(shù)據(jù)的資格。

自2017年百度推出Apollo開(kāi)放平臺(tái)以來(lái)，Apollo一直秉承“開(kāi)放能力 共享資源 加速創(chuàng)新 持續(xù)共贏(yíng)”的理念和精神，為開(kāi)發(fā)者們提供無(wú)門(mén)檻的自動(dòng)駕駛開(kāi)放平臺(tái)，無(wú)論是數(shù)據(jù)平臺(tái)、感知平臺(tái)、安全平臺(tái)還是解決方案，Apollo開(kāi)放平臺(tái)將一直為有需要的小伙伴敞開(kāi)。未來(lái)，Apollo期待與更多開(kāi)發(fā)者攜手同行。