高速场景下自动驾驶车辆定位方法综述

文章：A Survey of Localization Methods for Autonomous Vehicles in Highway Scenarios

作者：Johann Laconte , Abderrahim Kasmi , Romuald Aufrère , Maxime Vaidis and Roland Chapuis

编译：点云PCL

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

对于高速公路上的自动驾驶车辆，首要也是最重要的任务之一是车辆的定位问题。为此，车辆需要能够考虑来自多个传感器的信息，并将其与来自道路地图的数据进行融合。高速公路上的定位问题可以归纳为三个主要模块，首先是要推断车辆当前行驶的道路，事实上，全球卫星导航系统本身不够精确，无法推断出这些信息，因此需要一个滤波步骤，或者说是精细化定位的步骤，第二步是估计车辆在其车道上的位置，最后是评估车辆当前行驶的车道，最后两个部分对于安全驾驶是十分必要的，因为超车等动作需要关于车辆当前定位的精确信息。在本综述中，我们介绍了高速公路场景中自动驾驶车辆定位方法的分类，并介绍了定位过程的每个主要组成部分，并讨论了相关最新方法的优缺点。

基本介绍

高速公路上的定位方法可以细分为更小的模块，即

• 道路级定位（RLL）：车辆行驶的道路；
• 自车车道级定位（ELL）：车辆在车道上的横向和纵向位置；
• 车道级定位（LLL）：道路内主车道的位置（即车辆行驶的车道）。

对于RLL，使用数字地图（例如Google、OpenSteetMap（OSM））进行此任务，全球导航卫星系统（GNSS）接收器用于检索地理坐标（即纬度、经度和高度），并执行地图匹配程序，以将自车车辆的位置与正确的道路匹配，然而获得的定位精度约为米，事实上，根据联邦航空局GPS性能分析报告，标准GPS设备的精度在3米以内，置信度为95%，这对于大多数需要更精确定位的自动驾驶车辆来说是不够的。对于某些应用，如车道保持，仅知道车辆行驶的道路是不够的，这些系统必须被告知主车道在道路中的位置，以提供足够的机动指令并保持车辆的安全，此外，自动驾驶车辆应用需要更精确的定位，这可以通过估计车辆在自车车道中的横向和纵向位置来实现。

A

道路级定位

车辆上无处不在的定位设备使驾驶员能够知道车辆在公路上的位置，然而由于这些定位设备固有的不精确性，这种估计具有一定的噪声，为了解决这个问题，需要一个精细化定位的程序，将车辆位置与来自地图的道路网络相匹配，这种技术称为地图匹配。地图匹配不仅能够识别车辆的物理位置，而且在有良好的空间道路网络数据的情况下还能提高定位精度。这意味着道路级定位知识由地图匹配算法确定，RLL也是一些应用程序的必备组件。

由于道路级定位（RLL）的重要性，自20世纪90年代全球定位系统（GPS）出现以来，地图匹配一直是持续研究的主题，地图匹配技术可分为两类，即在线模式和离线模式。在联机模式下，地图匹配过程以流方式执行，这意味着对于每个点pi，将执行地图匹配，因此，该程序必须能够实时运行。相反，离线地图匹配等待直到轨迹Tr完成，以便整体执行地图匹配。对于自动驾驶来说，将重点关注在线地图匹配，并将现有的地图匹配方法分为两类，即（1）确定性模型和（2）概率模型。如图1所示

图1.地图匹配分类，将技术分为两个主要部分：即确定性方法和概率方法。

确定性模型方法

在这些方法中，地图匹配返回几何或拓扑上最接近轨迹的链接，在理想情况下，车辆轨迹与最近的道路网络拓扑匹配，因此，在该模型中，主要关注的是如何定义轨迹和道路之间的接近度。

1. 几何匹配的方法：这是最常见和常用的方法，这些方法可以总结为为点对点、点对曲线或曲线对曲线。最基本的方法，即所谓的点到点，将每个位置样本匹配到地图中最近的节点。“点到曲线”方法将每个位置采样投影到几何距离最近的道路。最后，曲线到曲线方法将车辆轨迹匹配到道路网络中最接近的几何路段。表1.展示了四种地图匹配方法的性能，准确度表示正确匹配样本的百分，每个间隔描述了从最差到最佳的性能范围。
2. 基于形状的方法：基于形状的方法是假设给定一对起点和终点，并考虑历史地图匹配结果，该方法将找到车辆行驶的最相似轨迹，最后，算法将根据评分函数确定最佳路线。基于形状的方法的主要缺点是历史数据的稀疏性和差异性，从这个意义上讲，历史数据可能不会覆盖所有新查询的轨迹，这可能会导致错误的地图匹配结果。

概率模型的方法

尽管位置数据是必要的，但不能将其作为车辆路径的唯一预测器，事实上，使用确定性度量将该噪声路径与最近的道路进行直接匹配，最终可能导致非正常的路径，包括可能违反直觉的驾驶行为，因此，地图匹配算法必须考虑给定路径相对于车辆动力学的合理性，从这个意义上讲，引入了概率推理，综合考虑了路径的合理性和车辆的动态状态。

1. 隐马尔可夫模型（HMM）：用于地图匹配的隐马尔可夫模型（HMM）已经成为与跟踪问题相关的众多研究的主题，地图匹配的体系结构使其适合于对道路网络拓扑进行建模，业界已经产生了几十种使用地图匹配的HMM方法。
2. 条件随机场（CRF）：与HMM不同，条件随机场（CRF）是一种不受马尔可夫独立性假设限制的概率框架,理论上，CRF模拟了两个以上状态之间的高阶相互作用,换言之，它可以对当前状态下的观测与其前身之间的交互进行建模,也就是说，从理论角度来看，现有的CRF可用于相邻状态之间的一阶依赖关系。
3. 权重图：除时间和速度限制外，考虑道路网络的空间几何和拓扑结构，其中一种技术被称为加权图技术，通过加权候选图执行匹配过程，这种加权图技术过程总结为三个步骤：（1）候选准备：在这一步骤中，对候选图进行初始化。与大多数地图匹配技术类似，根据估计位置（GNSS位置）的测量半径选择候选地图。（2） 空间和时间分析：该步骤由两部分组成。首先，与HMMBase方法类似，向每个候选发射观测概率和转移概率。这两个概率是从考虑位置和候选位置之间的距离以及道路拓扑的评分函数中推断出来的。第二部分是时间分析，其中将车辆速度与每个候选路径上的典型速度约束进行比较，时空分析的目的是对图中的边进行加权。（3） 结果匹配：在最后一步中，根据构建的加权图推断路径。
4. 粒子滤波器：考虑到在车辆在转弯期间，道路上车辆位置的后验分布为非高斯分布，因此需要非线性滤波方法来解决这个问题。为了解决这一问题使用了基于粒子滤波的方法，最初，通过融合传感器信息来估计车辆状态，粒子滤波器已在地图匹配过程之前用作支持。通常，粒子过滤器的结构如下，在初始阶段，对Np粒子进行采样，这些粒子代表车辆定位的不同假设，它们都接收相同的权重。对于每个粒子，一旦接收到新的观测，其相关权重将根据其存在的可能性进行更新，之后，重新采样阶段开始：权重较低的粒子可能会被擦除，权重较高的粒子将用于车辆模型，以便为下一个周期的粒子提供候选，因此，属于这一类别的所有方法共享相同的策略，它们只是在粒子加权函数的定义上有所不同，然而，这些方法的一个主要缺点是，它们采用的车辆动力学模型不适用于采样率低的数据。
5. 多重假设技术：多种假设技术方法都是针对飞机和导弹等军用飞机的跟踪，顾名思义，多重假设技术在地图匹配过程中持有一组候选或假设，假设集通常基于简单的几何度量进行初始化，随后，随着进一步的观察结果的接收，这组假设不断进行更新。

道路级定位的总结

尽管地图匹配已经发展了二十多年，但还没有一种解决方案可以处理所有场景，据我们所知，关于地图匹配方法的评级，目前还没有达成共识，事实上，大多数作者都使用自己的数据集，然而，根据文献综述大多数地图匹配算法的精度达到95%左右，事实上，地图匹配算法开发的主要瓶颈是在一个公开接受的数据集上缺乏一致的协议，因此，算法之间的比较仍然是一个开放的问题。在这种背景下，我们提出了一种不同类型的比较，考虑到地图匹配的最基本方面，即不确定性证明、匹配中断、完整性指标和运行时间不确定性证明是地图匹配算法考虑来自原始数据的固有不确定性的能力；

• 匹配中断描述了地图匹配算法在全球卫星导航系统数据中断时提出解决方案的能力；
• 完整性指标是对地图匹配算法输出有效性的信任指标，可用于模糊情况；以及
• 框架的运行时间：为了在自动驾驶车辆中使用，地图匹配算法必须满足实时性要求。

基于这些标准，根据之前的分析对每种方法进行了评级，并在表2中报告了评估结果，地图匹配算法在不确定性证明、匹配中断、完整性指示器和运行时间方面的总结。

B

自车车道级定位（ELL）

对于某些应用，如车道保持，仅了解车辆行驶的道路是不够的，这些功能必须被告知主车道在道路中的位置，以提供足够的机动指令并保持车辆安全，此外，自动驾驶车辆应用需要更精确的定位，该定位可以通过了解车辆在自车车道中的横向和纵向位置进行转换。例如，超车操作需要完美地了解自车车辆相对于车道标记的横向位置，以确定车辆是否应超车避开障碍物。下面总结并说明了车道位置检测算法系统在其研究中的主要目标，这些系统的特征概括如下：

• 车道偏离警告系统：准确估计车辆相对于ego车道标记的位置至关重要
• 自适应巡航控制：车道平滑度等措施对监控工作至关重要。
• 车道保持或居中：目的是将车辆保持在其主车道上或居中，因此，需要对横向位置进行准确无误的估计。
• 换道辅助：必须知道ego车辆在其主车道上的位置，车道变换必须在没有与障碍物碰撞的风险的情况下进行。

基于这些考虑，我们在本节中提出了一种算法技术分类，该分类独立于用于检测ego车道标记的各种模式（例如，摄像机、激光雷达、雷达）。车道标记检测在过去三十年中一直是一个活跃的研究领域，在过去几年中取得了很大的进展，可以将车道标记检测的现有方法分类为模块驱动方案或端到端学习方法。如图2所示

图2.用于自车车道标记检测的算法分类，模型驱动方法将问题分解为独立的子模块，而学习方法基于端到端方法。

模型驱动方法

对模型驱动车道线检测文献的展示了大多数方法共享相同的功能架构，因此，我们将所有遇到的算法之间的共性描述为一个通用系统，该系统的组件分为四个步骤，即预处理步骤，接着是道路标记特征检测，然后是拟合过程，最后是跟踪过程。这些组件的图示如图2（顶部）所示，使用这个通用系统作为框架，根据不同算法的功能部分对其进行比较。表3.展示了车道拟合模型的分类，分为三大类：即参数、半参数和非参数方法。

深度学习方法

基于深度学习的估计车道线的主要挑战之一是需要有一个精确的模型来拟合检测到的特征，不幸的是，由于某些道路场景（即合并、拆分和终止车道）的奇异性，提供涵盖所有道路场景的精确模型是一项复杂的任务，此外，来自传感器数据的固有不确定性无法在模型驱动管道系统中进行数学建模，沿着这些路线，基于端到端学习方法具有为每个功能块抽象数学模型的优势，因此，如果处理得当，深度学习方法是检测车道线的强大有力的工具。表4.摘自在Tusimple进行的精度和F1分数基准测试中表现最佳的深度学习算法统计。

表5.展示了CULane在F1方面进行基准测试的最佳深度学习算法总结。

自车车道级定位的总结

基于模型的方法具有在各种场景中检测自车车道线的强大能力，这些方法的顺序流程允许将ego车道标记检测任务更好地划分为模块，每个模块负责特定的任务，因此整个问题的模块化得到加强，使其能够改进或合并初始设计中不支持的新功能，而无需进行重大修改，无论使用何种方法，都需要模型将检测到的特征与预定义的道路模型相匹配。因此，对于高度复杂的道路场景，这些方法的推广非常复杂且具有挑战性。另一方面，基于神经网络的深度学习方法在车道标记检测方面达到了更好的精度，因为大多数基准测试的优秀方案都是深度学习方法，如表4和表5所示。当模型无法形式化或不可用时，它们表现良好。深度学习方法需要在带标注的数据集上执行学习阶段，该过程在网络部署之前离线执行，然而，在现实应用中，数据数量有限，通常是为特定任务和特定配置（例如，同一城市、同一摄像机）收集的。因此，数据集和验证测试之间的变化会导致获得的准确性下降。此外，深度学习过程非常耗时，并且无法提前预测输出，基于这种范式的方法的主要缺点是，基于网络的算法很难解释，因为它被表示为用户的“黑匣子”，这没有办法说明发生某种错误的原因。

C

车道级别定位（LLL）

全自动驾驶车辆的一个基本方面是其正确评估自车车辆在道路环境中的位姿的能力。在前面的章节中，介绍了完全符合这一基本评估所需的两个组成部分：道路级定位以及自车车道级定位，这对于大多数ADAS应用，对观察到的道路场景的部分理解就足够了，因此，对这两个组件的了解就足以使系统正常运行。然而，在精度和误报率方面的道路理解要求因应用而异，因此，对于某些要求更高级别的智能安全系统，了解车辆行驶的车道至关重要。事实上，知道主车道可以服务于自动导航系统，根据该车道提供最充分的指令，例如，此类信息可以提供更好的超车策略。目前有大量的系统可以帮助自动驾驶车辆获得车道级定位，比如使用全球导航卫星系统接收器来定位道路上的ego车辆，传统的全球导航卫星系统缺乏精度，这可能是由于卫星信号差、精度稀释度高或城市场景中的多径造成的，首先通过惯性测量单元（IMU）等本体感知传感器进行补偿，这些方法称为航位推算，通过将获得的定位与粗略的数字地图相结合来推断主车道的位置，不幸的是，标准GPS设备的精度在3米以内，置信度为95%，这对于某些需要更精确定位的ADA来说是不够的。此外，当道路有多条车道时，问题变得更加复杂。事实上，从航位推算技术获得的定位不足以精确推断车辆行驶的车道。因此，使用进一步的信息来完善这一信息，这些信息可以由视觉传感器或数字地图生成。

在实践中，可以通过根据一些视觉特征（如车道标记或交通标志）定位车辆来实现自主车辆的定位，这些视觉地标可以使用车载传感器检测，也可以存储在数字地图中。关于车道级定位（LLL），目前的文献中有大量解决方案以各种方式解决此问题，有两种技术最适合这项任务，第一种方法依赖于非常精确的地图：这些高精（HD）地图存储地标的准确位置（例如车道标记），因此，系统必须将检测到的地标与地图中存储的地标进行匹配。第二种技术仅依赖于使用车载传感器检测视觉地标，例如车道标记，例如，车道标记系统用于检测道路上的所有车道。然而，由于其他车辆的遮挡，有时不可能检测到道路上的所有车道标记。我们将这些方法分为两类，即地图辅助方法和地标方法。

地图辅助方法

为了减少传感器相关性，数字地图可以存储有关道路的上下文信息，存储的信息量取决于道路网络上显示的精度和细节的规模。从这个意义上讲，自动驾驶车辆系统常用的三种地图比例尺，即：

• 宏观地图以公制精度表示道路网络。这些地图用于路线规划问题和高引导例程。它们提供用户元信息，例如速度限制或给定道路上的车道数。使用回旋曲线对道路网络进行平滑，这可以提供道路形状的一般直观信息。
• 微型地图对应于最精确的地图。这些地图精确到厘米，用密集的信息表示道路网络，通常，激光雷达用于收集最丰富信息，这些地图的根本好处是信息丰富，但也是最大的缺点，事实上，信息密度使得在试图隔离感兴趣点的同时处理这些地图变得困难，保持这些地图的更新是一项艰巨的任务。
• 中尺度地图是上述两种地图之间的权衡。地图必须提供足够的环境细节，而不会给用户带来不必要的信息。因此，与宏观地图相比，这种地图具有更精确的信息，同时不会像微尺度地图那样为自身带来精确信息。

在智能交通系统的背景下，中尺度地图是最常用的（例如Lanelets地图），因为它们是智能车辆最合适的比例，因为它携带准确的信息而不会过于密集，此外，与微尺度地图相比，中尺度地图具有易于维护的优点，因此，地图供应商目前正在大力满足这些要求。

Landmark方法

在这些方法中，从图像中提取相关的道路级别特征,一旦这些特征被提取出来，它们将被输入一个高级融合框架，该框架将评估车辆行驶的车道数和车道数。在这种情况下，可以使用车道变化信息和车道标记检测器估计了属于车道的概率。

车道级定位的总结

从广义上讲，车道级定位是一个有意义的概念，可以与两个不同的问题相关。这两种模式导致了相同的估计需求，即车辆在道路上的位置，但方法不同。第一个是关于自主车辆相对于道路的横向位置的估计，该问题的解产生一个实数的横向位置，通常使用地图辅助方法计算。比如lanelevel地图匹配算法用于匹配ego车辆的估计位置，可使用贝叶斯滤波器（如卡尔曼滤波器）和IMU传感器来估计,然后将该估计位置与地图匹配。一般来说，用于此类任务的地图类型是使用车道级地图匹配算法的中尺度地图。然而这种算法在模糊情况下面临更多困难，通常，对于具有多车道的高速公路场景，由于所有车道标记形状相同，因此存在强烈的模糊性，这种范例的第二个限制是使用的地图类型，事实上，这些地图的构建相对复杂，成本高，而且使用起来很困难，因为它们通常不是开源的。第二种范式使用不同的方法来解决LLL问题，属于这组范式的方法将LLL算法表述为一个分类问题，为此，这些方法依赖于道路场景中存在的相关特征，尤其是车道标记和相邻车辆信息，首先检测这些相关特征，然后在基本上基于图形概率模型的高级融合框架中进行融合，即贝叶斯网络或隐马尔可夫模型。这些概率框架能够考虑检测到的相关特征的不确定性，与第一种方法相反，这些方法仅依赖于嵌入大多数自动驾驶汽车中的外部感知传感器，此外，它们不使用昂贵的地图，因此更加灵活。

总结

在本综述中，我们提出了高速公路上自动驾驶车辆定位的最新方法分类，定位任务分为三个部分，即道路级定位（RLL）、自车车道级定位（ELL）和车道级定位。

道路级定位部分旨在找到车辆当前行驶的道路，执行此任务的技术称为地图匹配方法，可分为两类，即确定性模型和概率模型。毫无疑问，确定性模型提供了较低的计算需求，但代价是其精度低于概率模型，事实上，概率方法可以保持多个假设或考虑估计的时间相关性，从而形成更坚实的框架，一旦车辆能够在地图上精确定位自己，其第二个目标就是将自车定位在车道上。

这项任务称为自车车道级定位（ELL），即相对于自车定位自己的任务。解决这个问题有两种主要方法，即模型方法和深度学习方法，在第一种方法中，通过将其分解为子模块来进行估计，这些子模块预处理传感器数据，提取特征，将其与车道标记相匹配，并最终跟踪帧间的检测。这种方法允许良好的故障检测，因为每个模块都足够简单，可以对其进行监控。在深度学习方法中，根据道路数据训练神经网络，以便能够直接提取车道标记。神经网络的固有特性允许更好地考虑场景的上下文，从而获得比模型方法更好的结果。然而，由于同样的性质，深度学习方法的可解释性很低，需要大量的训练集来包含所有可能的道路场景。

最后为车道级定位（LLL）的最后一部分包括查找车辆当前行驶的方向，有两种选择是可能的，一种是相对于整个道路定位机器人，另一种是将问题理解为分类练习，以提取机器人在哪个车道上行驶，第一种解决方案使用地图来帮助定位，但在检测到多条相同车道的情况下会出现歧义。第二种解决方案选择对每条车道进行分类，并从中选择最可能的车道，为此，这些方法利用了从传感器数据和相邻车辆中提取的特征，此外，它们的好处是不使用制作成本高昂的地图。

我们认为，有几个研究方向值得探索：

• 首先，高精地图的使用很有吸引力，因为其固有的定位精度，然而，这些地图不容易构建或维护。事实上，它们需要高计算能力和大量存储，而其质量在很大程度上取决于更新频率，因此，关于此类地图的协作构建和更新的研究可以降低成本，并在全球范围内实现更好的覆盖。
• 第二，深度学习技术也被证明是有用的，尽管缺乏保障，而且他们对扩展数据库的需求很大。因此，旨在减少其数据消耗和监测其输出的工程将导致更安全、更具弹性的系统。最后，经典方法由于其简单性和检测的的稳定性，仍然可以发挥作用，在一个功耗正成为基本考虑因素的世界里，小型弹性系统与复杂系统一样具有吸引力，即使其精度稍低。