综述：生成自动驾驶的高精地图技术（1）

文章：High-Definition Map Generation Technologies for Autonomous Driving

作者：Zhibin Bao, Sabir Hossain, Haoxiang Lang, Xianke Lin

编译：点云PCL

来源：arXiv 2022

本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。内容如有错误欢迎评论留言，未经作者允许请勿转载，欢迎各位同学积极分享和交流。

摘要

在过去几年中，自动驾驶一直是最受欢迎和最具挑战性的话题之一，在实现完全自动驾驶的道路上，研究人员利用了各种传感器，如激光雷达、摄像头、惯性测量单元（IMU）和GPS，并开发了用于自主驾驶应用的智能算法，如目标检测、目标分割、避障和路径规划。近年来，高精（HD）地图引起了研究者们的广泛关注。由于高精地图定位精度高、信息量大，能够成为自动驾驶的关键模块之一，从百度阿波罗（Baidu Apollo）、英伟达（NVIDIA）和汤姆（TomTom）等大型组织到个人研究人员，研究者们已经为不同场景和目的创建了各种高精地图用于自动驾驶。有必要回顾高精地图生成的最新方法，本文回顾了最近利用二维和三维地图生成高精地图生成技术，介绍了高精地图的概念及其在自动驾驶中的作用，并对高精地图生成技术进行了详细概述，还将讨论当前高精地图生成技术的局限性，以推动未来的研究。

介绍

高精地图包含自动驾驶所需的道路/环境的所有关键静态特性（例如：道路、建筑物、交通灯和道路标记），包括由于遮挡而无法由传感器检测到的对象，近年来，用于自动驾驶的高精地图以其高精度和丰富的几何和语义信息而著称，它与车辆定位功能紧密相连，并不断与不同的传感器交互，包括激光雷达、雷达和摄像头，以构建自动驾驶系统的感知模块，这种交互最终支持自动驾驶车辆的任务和运动规划，如图1所示。

图1：自动驾驶系统架构：高精地图包含关于道路/环境的静态信息和属性，包括由于遮挡而无法被感知模块检测到的对象，根据道路特征定位车辆自身位姿，环境与感知模块提供车辆自身周围的实时环境信息，HD-map和perception模块协同工作，最终支持自主任务和运动规划模块，包括导航、运动制导和稳定性控制

在自动驾驶市场中，没有唯一标准高精地图结构，然而，市场上有一些常用的高精地图结构，如导航数据标准（NDS）、动态地图平台（DMP）、高精实时地图和TomTom，大多数结构共享类似的三层数据结构。表一显示了TomTom、HERE和Lanelet（Bertha Drive）定义的三层结构化高清地图。

本文将采用这里的术语来指代这三个地图层，如图2所示：

• 第一层“道路模型”定义道路特征，例如拓扑、行驶方向、高程、坡度/坡道、规则、路缘/边界和交叉口，它用于导航。
• 第二层车道模型定义了车道级别的特征，例如道路类型、线、道路宽度、停车区域和速度限制，该层作为感知模块，用于自动驾驶，根据实时交通或环境做出决策。
• 第三层定位模型，在高精地图中定位车辆自身运动，该层包含路边设施，例如建筑物、交通信号、标志和路面标记，这些功能有助于自动驾驶车辆快速定位，尤其是在功能丰富的城市地区，上述机构制作的高精地图精确且需要不断更新，然而，它们仅用于商业化目的，而不是开源。单个研究人员很难使用上述结构构建高精地图。

图2：此处定义的高精地图结构：高精道路由拓扑、行驶方向、十字路口、坡度、坡道、规则、边界和隧道组成，HD车道由车道级特征组成，例如边界、类型、线和宽度。高精地图的定位包括道路设施，如交通灯和交通标志

因此，本文将回顾非商业化高精地图生成方法，这些方法可能有助于研究人员创建自定义的高精地图，并开发新的高精地图生成方法。

高精地图数据采集

数据采集是生成高精地图的第一步。数据采集使用移动地图系统（MMS）完成，MMS是一种装有地图传感器的移动车辆，包括GNSS（全球导航卫星系统）、IMU、LiDAR、摄像头和雷达，用于收集地理空间数据，商业化的高精地图提供商采用众包技术收集数据，以构建和维护高精地图。Level5与Lyft合作在加利福尼亚州的一条固定路线上发出20辆自动驾驶汽车，以收集由170000个场景、一张带有15242个标记元素的语义高精地图以及该地区的高精鸟瞰图组成的数据集。TomTom通过多源方法收集数据，包括车辆、GPS跟踪、社区输入、政府来源和车辆传感器数据，利用了全球400多辆绘图采集车、政府数据、卫星图像和社区输入，不断获取最新的道路信息。通过众包收集数据可以在很短的时间内获取大量最新的道路和交通数据，众包数据还包含不同的环境，包括城市、城镇和农村地区，然而，由于多个移动地图系统的高成本和数据收集的时间成本，该方法不是单个研究人员的最佳解决方案。此外，还有大量开源数据，如卫星图像、KITTI数据集、Level5 Lyft数据集和nuScenes数据集，供研究人员测试和生成高精地图，这些数据集包含2D和3D真实世界的交通数据，包括图像、3D点云和IMU/GPS数据，这些数据已经进行了组织和标记，表二总结了数据收集方法和比较。

点云地图生成

一旦收集到足够的传感器数据，通常会对其进行融合和排序以生成初始地图，主要用于精确的定位，初始地图主要使用3D激光传感器生成，也可以与其他传感器融合，如IMU、GPS、里程计和视觉里程计，以便在高精地图中进行更精确的状态估计，惯导和GPS传感器提供方向和位置信息，更新厘米精度范围内的地图位置，这些点云地图具有很高的精度，可以帮助车辆在三维空间进行精确的厘米级运动运动和定位，之后，在从地图中获得点云配准后，将从点云地图创建矢量地图。点云配准需要多步骤过程，如图3所示，将多个重叠的点云对齐，以生成详细而准确的地图，矢量地图包含车道、人行道、十字路口、道路、十字路口、交通标志和红绿灯相关的信息。这一关键特征后来被用于检测交通标志和信号灯、路线规划、全局规划和局部路径规划，毫无疑问，点云地图生成是高精地图的一个重要组成部分，它可以定义为HD地图的基本地图层。

A

建图技术

地图生成技术可分为在线地图和离线地图，使用卫星信息或激光雷达和相机存储的数据将离线生成地图，另一方面，使用在线地图中的轻量级模块在设备上生成地图，除了地图形成类型外，地图绘制技术还可以通过使用传感器或传感器的融合方式进行分类，以下测绘技术需要基于激光的传感器，因为它们在远距离显示出良好的精度，目前，所有有前途的测绘技术都将激光雷达作为主要传感器，用于测绘和完成高清晰度的地图。另一方面，有一些方法仅使用视觉传感器来构建点云地图，用于三维模型生成的点云配准技术。具体方法有：

1） 基于分割的点云配准

SegMap是一种基于点云分段特征提取的建图解决方案，该方法通过重建具有可区分性的局部特征来生成点云地图，其轨迹结果表明，与LOAM（激光里程计和地图）结合使用时，使得建图的性能得到了增强，构建的地图显示召回率为6%，里程漂移率为50%，因此，由于数据驱动的线段描述子提供了较少的粗略数据，因此在定位方面有了改进，为SegMap描述子训练一个简单的、完全连通的网络，然后从语义信息重建后面的建图。同样，使用两阶段算法来改善建图的误差，它是使用一种与仅使用激光雷达的算法相结合的分段匹配算法来执行的，此外，引入了基于RANSAC的几何增强，以减少生成的地图和在线地图之间的错误匹配。

2） 仅基于激光雷达的点云建图

通过改进现有的构建点云关键点的方法和LOAM迭代姿态优化方法，对小视场和不规则采样的激光雷达已经实现了良好的精度和效率，整体建图架构如图4所示，引入了一种快速回环技术来修复激光雷达里程计和建图中的长期的累计偏移，另一方面，小视场的分散式多激光雷达平台用于使用扩展卡尔曼滤波器进行稳健建图，此外，还有一种技术，机器人在不同高度安装激光雷达，以生成点云。

图4 常见的激光雷达建图流程

3） 与里程计融合的点云配准

在室内或者有屏蔽的场景下GPS不可用或断开连接时，使用融合里程计就很方便，迭代最近点（ICP）方法使用6-DOF信息匹配给定点云中最近邻的几何信息，这种方法的主要缺点是它容易停留在局部极小值上，需要一个完美的起点，可能导致误差增加，并与实际环境不一致。NDTMap生成是从点云转换而来的连续可微概率密度。NDTMap的概率密度包含一组正态分布，它是一个体素栅格，其中每个点根据其坐标指定给一个体素，将点云划分为体素点云，然后对合并的体素进行过滤，以减少地图中的噪声，减少计算量，因此，NDT建图遵循以下步骤：

• 根据点云输入数据构建体素网格

• 估计初始位姿

• 优化初始位姿

• 根据NDT估计和初始估计之间的平移变化进行状态估计,从位置的导数计算速度和加速度。如果初始位姿中未使用里程计则从每次NDT更新中得出状态估计，最初的位姿来自基于运动模型的速度和加速度更新，当引入里程计时，位置更新基于里程计数据，特别是速度模型和方向更新。

4） GPS融合点云配准

全球导航卫星系统（GNSS）将绝对位置作为约束条件纳入基于图形的建图中，以统一点云数据与坐标系。因此，点云中的体素使用绝对3D坐标信息进行标记，LIO-SAM中还使用基于激光雷达的里程计进行精确的姿势估计和地图绘制。

5） INS融合点云配准

在不使用任何传感器的情况下，根据每次NDT更新计算车辆状态和偏航，使用速度和加速度推导出基于运动模型的初始位姿，IMU提供二次模型的更新的平移量和方向，Autoware的NDT建图技术还为地图提供IMU和里程计融合，类似地，DLIO方法通过使用松耦合融合和姿势图优化实现精确建图和高速的状态估计。通过集成IMU提供IMU偏差来校正后续的线加速度和角速度值，从而提高可靠性。FAST-LIO和FAST-LIO2是激光雷达惯性里程计系统，用于快速准确的测绘地图，该系统采用紧耦合迭代EKF（扩展卡尔曼滤波器）将IMU与激光雷达特征点进行融合，FAST-LIO2使用了一种新的技术，增量kdTree，它提供了增量更新和动态重新平衡来维持和更新地图。

6） 视觉传感器融合的点云配准

R2-LIVE和R3-LIVE算法利用激光、惯性导航系统和视觉传感器的融合，实现精确的地图绘制和状态估计，R2-LIVE使用基于卡尔曼滤波器的迭代里程计和因子图优化来确认准确的状态估计，R3-LIVE是两个独立模块的组合：激光雷达IMU里程计和视觉IMU里程计，其中全局地图通过激光雷达和IMU实现精确的几何测量，与IMU融合的视觉传感器将贴图纹理投影到全局地图中，类似的两个子模块LIO和VIO也用于FAST-LIVO中稳健而精确的建图。类似地，LVI-SAM使用与R3-LIVE类似的两个子模块进行设计，根据LVI-SAM视觉惯性系统利用激光雷达惯性计算来协助初始化，视觉传感器提供深度信息，以提高视觉惯性系统的精度。图5显示了使用现有建图算法生成的地图，有一些可用的技术可以融合多个传感器来创建完整的地图，视觉里程计（IMU和摄像头）、GPS和激光雷达数据被组合成一个超节点，以获得优化的地图。

图5：地图可视化：(a) LeGO-LOAM (b) NDT Mapping (Autoware ), (c) LIO-SAM , (d) FAST-LIO, (e) LVI-SAM, (f) R3-LIVE

图6 显示了使用不同方法从在线建图获得的轨迹路径。图6（a）是建图传感器数据的完整路径。图6（a）显示了记录数据中的完整里程计数据。图6（b）和图6（c）是全局路径中局部的放大版本。该地面真实路径是通过RTK-GPS和IMU数据的融合获得的，分数表明R3-LIVE的结果基本遵循真值路径（即RTK-GPS里程计）

总结

在这篇综述中，分析了最近用于自动驾驶的高精地图生成技术，将高精地图的基本结构概括为三个层次：道路模式，车道线模式，定位模式。

文章将分成三个部分：

（1）比较用于生成高精地图的数据采集，介绍三维点云生成技术。

（2）高精地图的特征提取方法，包括道路网络、道路标记线和杆状物体，并讨论了这些方法的局限性。(待更新)

（3）介绍支持高精地图的框架，包括Lanelet2、OpenDRIVE和Apollo，还提供了一些用于在三个框架之间转换地图格式的有用工具。(待更新)