基于HD-MAP的自动驾驶定位技术

小咪咪 2022-09-12 10:53 196阅读 0赞

# 0. 前言 #

最近公司需要实现基于HD-MAP的自动驾驶定位技术，而这方面之前涉及的较少，自动驾驶这部分的定位技术与SLAM类似，但是缺少了建图的工程，使用HD-MAP的形式来实现车辆的定位（个人感觉类似机器人SLAM当中的初始化+回环定位的问题）。下面是我个人的思考与归纳  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBASGVybWl0X1JhYmJpdA_size_20_color_FFFFFF_t_70_g_se_x_16]

# 1. AVP-SLAM #

从[AVP-SLAM][]自动泊车SLAM中我们发现基础（封闭）的视觉定位模式避不开下面几个步骤

A 首先是IPM( Inverse Perspective Mapping )逆透视变换  
![在这里插入图片描述][17bb52c116c64684afb8f6ff42c09fff.png]  
![在这里插入图片描述][145379114e9240f692e332e306d55e68.png]

B 语义特征提取：使用了CNN网络进行了语义特征的检测\[1\]， U-Net \[2\]进行分割

C 局部地图的构建:根据之前图像IPM的变换关系，可以将这些语义信息映射到三维空间中，并且根据里程计信息，将这些语义特征不断的变换到全局坐标下。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBASGVybWl0X1JhYmJpdA_size_14_color_FFFFFF_t_70_g_se_x_16]

D 回环检测为了解决里程计的漂移的问题，这里使用了语义特征的局部地图不断的ICP全局地图，不断的局部优化。

E：全局优化，优化的残差为  
![在这里插入图片描述][883ba8791c9d495689f5e0bb5e193c47.png]  
F 定位:语义地图中的定位。如下图白色、红色和蓝色的圆点是地图上的停车线、减速带、指路标志。绿点是当前的特征。橙色线是估计的轨迹。通过将当前特征与地图匹配来定位车辆。停车位由停车位的角点和停车线拟合自动生成。

G 停车位的检测:由于停车线和停车位角点是从IPM图像中检测出来的，因此很容易自动检测停车位。角点用于预测停车点的位置。如果停车线与预测的停车位匹配良好，则该预测被认为是正确的。  
![在这里插入图片描述][b21234ea05c74cb7a71669757e88e40a.png]

# 2. Road-SLAM #

## …详情请参照[古月居][Link 1] ##

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBASGVybWl0X1JhYmJpdA_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/2ccf34fe9bfb4b3c9283b75e6d0d707b.png
[AVP-SLAM]: https://arxiv.org/pdf/2007.01813.pdf
[17bb52c116c64684afb8f6ff42c09fff.png]: /images/20220828/aa5c8f52b7554dfdb0b5b210dd8095f3.png
[145379114e9240f692e332e306d55e68.png]: /images/20220828/7169eb03d9ee4b629a7927206ae52d85.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBASGVybWl0X1JhYmJpdA_size_14_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/3ab1ed1b888548c5a9edc11bc7784a80.png
[883ba8791c9d495689f5e0bb5e193c47.png]: /images/20220828/a215f0066ea64e90b792c529e3a07ba2.png
[b21234ea05c74cb7a71669757e88e40a.png]: /images/20220828/462230e0c8774a7e8a617d2eabcdee16.png
[Link 1]: https://www.guyuehome.com/35445