日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

Apollo最新研究成果，城市動態(tài)場景中的LiDAR定位框架系統(tǒng)

2020-03-25 07:52:08·  來源：Apollo阿波羅智能駕駛  
　
原創(chuàng)Apollo地圖定位 前天ICRA（International Conference on Robotics andAutomation）是機器人技術(shù)領(lǐng)域最有影響力的國際學(xué)術(shù)會議之一，每年舉辦一次。當前，作
ICRA（International Conference on Robotics andAutomation）是機器人技術(shù)領(lǐng)域最有影響力的國際學(xué)術(shù)會議之一，每年舉辦一次。當前，作為機器人技術(shù)最受關(guān)注的技術(shù)應(yīng)用——自動駕駛，每年都會有相關(guān)的突破性技術(shù)論文在ICRA中發(fā)表。

當下，不斷變化的出行環(huán)境對自動駕駛定位系統(tǒng)提出了更嚴峻的挑戰(zhàn)，剛剛?cè)〉昧思又軩MV路測MPI第一名好成績的百度Apollo公布了最新研究成果：魯棒LiDAR定位系統(tǒng)[1]。該系統(tǒng)由百度自動駕駛技術(shù)部—地圖定位團隊的工程師和研究員們共同打造，使用LiDAR慣性里程計實現(xiàn)的航位推算，在不斷變化的城市場景中實現(xiàn)魯棒的定位。

本次研究提出了基于激光慣性里程計輔助的激光定位系統(tǒng)，解決了因施工、修路等不斷變化的城市場景中，定位地圖不穩(wěn)定造成的定位系統(tǒng)失效的問題，同時提出了有效的定位地圖更新解決方案。

該系統(tǒng)中，定位框架使用了來自LiDAR全局匹配和LiDAR慣性里程計互補模式的信息，以實現(xiàn)精確和平滑的定位。這項最新的研究成果可以使定位系統(tǒng)更加魯棒和準確，尤其是在動態(tài)變化的城市場景中效果顯著。
 
在過去的一百年里，人類和貨物的運輸發(fā)生了巨大的變化。交通行業(yè)的增長潛力引起了研究者的廣泛關(guān)注，并試圖解決這個復(fù)雜的問題。一些顛覆性的技術(shù)舉措，如共享單車、無人物流、自動駕駛等，也應(yīng)運而生。

為了實現(xiàn)自動駕駛車輛的自主導(dǎo)航，目前普遍流行的方法是精確定位，但精確定位系統(tǒng)不僅復(fù)雜，而且在動態(tài)變化的環(huán)境下也難以實現(xiàn)。以往的實踐表明，使用現(xiàn)有技術(shù)可以克服環(huán)境中的某些特定變化，例如少量的路面修補、水坑、雪堆等，然而基于LiDAR地圖匹配的車輛定位模塊的失效問題，仍然是最具挑戰(zhàn)的問題之一。
 
 
▲上圖在頂部顯示了在線LiDAR數(shù)據(jù)（棕色）和由LiDAR慣性里程計構(gòu)建的Submap。中間部分給出了在定位地圖中標注的由環(huán)境變化檢測模塊估計的每個單元中存在變化的概率。底部顯示了：「A」以及「B」不同時期的現(xiàn)場對比；「C」定位結(jié)果的視覺對比：綠色（有LIO）與紅色（無LIO）與藍色（真值）；「D」放大的環(huán)境變化檢測結(jié)果；「E」通過加入新的LiDAR數(shù)據(jù)更新后的地圖。

在這項工作中，Apollo研究人員結(jié)合LiDAR慣性里程計（LIO）和基于匹配的全局LiDAR定位，在位姿圖優(yōu)化框架中融合了兩個模塊的測量數(shù)據(jù)?？紤]到地圖匹配和里程計方法的互補特征，該框架構(gòu)成了一套可以克服環(huán)境變化和地圖錯誤的魯棒定位系統(tǒng)，同時可以提供精確的全局定位結(jié)果。

基于激光慣性里程計輔助的激光定位系統(tǒng)，由LiDAR慣性里程計（LIO）、LiDAR全局匹配（LGM）、基于位姿圖的融合（PGF）和環(huán)境變化檢測（ECD）四個模塊組成。

LGM是一種全局定位方法，它將在線LiDAR掃描與預(yù)先構(gòu)建的地圖相匹配，并進行3自由度（x，y，偏航）估計。其他3自由度（橫滾、俯仰、高度）可以通過讀取IMU重力測量數(shù)據(jù)和數(shù)字高程模型（DEM）地圖來估計，一旦我們成功地進行水平定位。另外兩個模塊LIO和PGF則根據(jù)求解不同的最大后驗概率（MAP）估計問題而建立。



在定位系統(tǒng)中，LiDAR慣性里程計在一些具有挑戰(zhàn)性的情況下，例如，由于道路建設(shè)或惡劣天氣導(dǎo)致的地圖過期或環(huán)境變化，對提高定位性能起著重要的作用。

LiDAR里程計估算幀之間的相對姿態(tài)，同時幫助構(gòu)建一個稱之為Submap的局部地圖。Submap會根據(jù)LiDAR掃描不斷更新，始終保持最新狀態(tài)。該定位系統(tǒng)充分利用了Submap，平滑了預(yù)估的軌跡，同時保證了系統(tǒng)在極端情況下的可靠性。

系統(tǒng)中LiDAR慣性里程計的實現(xiàn)遵循了W. Hess[2]等人的工作理論，同時采用了一些重要的擴展來幫助提高其精度。

首先，我們采用三維占位網(wǎng)格代替二維占位網(wǎng)格的方法實現(xiàn)了六自由度的全方位里程測量。這個擴展允許它在三維環(huán)境中的應(yīng)用，如停車場結(jié)構(gòu)或天橋，并簡化了下面提到的IMU預(yù)積分。

其次，該系統(tǒng)結(jié)合了慣性信息以提供運動預(yù)測和幀之間的相對約束。更重要的是，慣性信息的加入使我們能夠?qū)σ苿悠脚_引起的LiDAR掃描失真進行運動補償。為了降低計算時間，我們在實現(xiàn)中采用了預(yù)積分方法。

第三，考慮到這些場景中來自車道或路面標記的豐富信息，在占據(jù)柵格配準過程中，我們加入LiDAR反射值，作為對每個網(wǎng)格單元占用概率的補充，并提供了有價值的環(huán)境紋理信息。

最后，我們在求解非線性優(yōu)化問題時，采用由粗到細的方法，在我們占據(jù)柵格的實現(xiàn)中引入多分辨率。這不僅有助于網(wǎng)格配準的收斂，而且可以有效地控制計算復(fù)雜度，實驗結(jié)果驗證了這一點。

我們將LiDAR慣性里程計描述為一個MAP估計問題。給定前一個狀態(tài)，Submap更新到最近的幀，以及量測，狀態(tài)的后驗概率是：
在零均值類高斯概率的假設(shè)下，通過建立目標函數(shù)可以表示為：
 
 
 
SSOP(Sumof Squared Occupancy Probability)和SSID（Sumof Squared Intensity Difference) 分別表示占據(jù)柵格概率和LiDAR反射值的損失。
 
給定LiDAR點云中任意一點，分辨率為i的Submap，以及一個位姿狀態(tài)，可以Submap中找到命中單元格s。通過連續(xù)插入新的LiDAR數(shù)據(jù)，可以持續(xù)更新Submap的占據(jù)概率，該更新問題可以使用二值貝葉斯濾波器的反向測量模型和log Odds解決。該MAP估計對應(yīng)負對數(shù)后驗的最小值，從而轉(zhuǎn)化成一個非線性最小二乘優(yōu)化問題，它可以使用迭代算法（例如Levenberg-Marquardt，Gauss-Newton）最小化，在系統(tǒng)中使用Ceres實現(xiàn)。
雖然LiDAR慣性里程計可以在局部坐標系內(nèi)提供很好的相對約束，但仍然需要全局約束來實現(xiàn)全局定位。LGM模塊為該系統(tǒng)提供了全局線索，在本節(jié)介紹的基于位姿圖的融合框架中，這些互補的局部和全局線索可實現(xiàn)聯(lián)合優(yōu)化。我們將此融合問題描述為一個MAP估計，并假設(shè)均勻先驗分布，將后驗概率分解為：
 
上式的分解可如圖進行可視化解讀：
 

 
在零均值高斯的假設(shè)下，量測的似然分布可定義為：
 

 
在我們的融合框架中，我們維護一個局部狀態(tài)和一個全局狀態(tài)變量，它將轉(zhuǎn)換至全局坐標系。因此定義全局損失殘差為，其中
 
關(guān)于全局殘差中的協(xié)方差寫成，其中，旋轉(zhuǎn)和高度協(xié)方差和分別是常數(shù)對角矩陣，因為LGM模塊僅使用2D直方圖濾波器估計水平定位不確定性，這里引入的估計不確定性對定位系統(tǒng)的性能至關(guān)重要，從而產(chǎn)生自適應(yīng)融合。
 
系統(tǒng)利用新到的LiDAR，不斷地終止舊的Submap并構(gòu)造新的Submap。通過局部坐標系與LIO模塊輸出的Submap相對位姿約束，并保存在滑動窗口的生命周期中。關(guān)于Odometry的殘差可以表示為
，其中：
 
 
 
眾所周知，LGM模塊依賴于預(yù)先構(gòu)建的本地化地圖的新鮮度。我們總是想知道什么時候該更新我們的定位地圖。LIO模塊生成的Submap不僅可以用來預(yù)估幀之間的相對姿態(tài)，還可以用來檢測環(huán)境的變化。這對于定位系統(tǒng)是至關(guān)重要的，特別是考慮到它的商業(yè)部署。因此，研究人員建立了環(huán)境變化檢測（ECD）模塊，一個基于LIO的子模塊。

首先，我們將三維多分辨率Submap投影到地平面上，類似于定位地圖構(gòu)建過程；然后得到與系統(tǒng)預(yù)先構(gòu)建的定位地圖格式相同的2D Submap。給定系統(tǒng)的定位輸出，就可以將Submap覆蓋到預(yù)先構(gòu)建的地圖上，并通過逐單元比較來確定環(huán)境變化的發(fā)生。
令和分別表示Submap和預(yù)建地圖中對應(yīng)單元格的反射值平均值、反射值方差和高度平均值，可以得到
其中，和用于評估單元中存在環(huán)境變化的可能性。我們將每個單元中發(fā)生的變化描述為一個由二值貝葉斯處理的二進制狀態(tài)估計問題。與占據(jù)柵格的更新類似，如果多輛車多次通過同一區(qū)域生成更多Submap，我們可以通過使用一個二值貝葉斯濾波器來相似地更新變化發(fā)生的概率。如果我們將單元內(nèi)發(fā)生的變化表示為二進制狀態(tài)變量，則用于更新二進制貝葉斯濾波器的逆測量模型可以定義為：
其中，γ是一個動態(tài)權(quán)重參數(shù)，用于平衡反射值和高度損失的權(quán)重。通過將Submap中的和歸一化可以進一步定義它們的逆測量模型：
其中分別是和在Submap中的平均值和方差。β和θ是根據(jù)經(jīng)驗設(shè)置的參數(shù)。
 
目前，該定位系統(tǒng)已經(jīng)在實際場景中進行了廣泛的測試，主要使用了兩個數(shù)據(jù)集：內(nèi)部數(shù)據(jù)集和Apollo-SouthBay數(shù)據(jù)集。

Apollo-SouthBay數(shù)據(jù)集收集于美國舊金山灣區(qū)，覆蓋380.5公里的行駛距離。

內(nèi)部數(shù)據(jù)集包括了中國北京各種具有挑戰(zhàn)性的城市場景，特別是有地圖錯誤或環(huán)境變化的場景，如地圖過期（漸進環(huán)境變化），道路施工、封閉車道、交通密集等。

Apollo車輛平臺配備了Velodyne HDL-64E 360度LiDAR和NovAtelPwrPak7D-E1 GNSS RTK接收器，該接收器集成了雙天線和Epson EG320N IMU，并安裝于林肯MKZ車輛中。

評估中使用的位姿真值是使用離線LiDAR SLAM方法生成的，通常表示為大規(guī)模全局最小二乘優(yōu)化問題。

總體而言，在所有指標下，該定位系統(tǒng)都可與[5]相媲美，并且在Apollo-SouthBay數(shù)據(jù)集的大多數(shù)數(shù)據(jù)序列中獲得了更好的最大水平和偏航均方根誤差，特別是在具有挑戰(zhàn)性的場景中展示了新設(shè)計的好處。
 
 
 
  ▲ 使用內(nèi)部數(shù)據(jù)集的定量分析如上表所示

總的來說，通過使用新的LiDAR慣性里程輔助框架，我們的性能比[5]有所提高。為了進一步說明所獲得的好處，下圖顯示了數(shù)據(jù)集中幾個幀的系統(tǒng)輸出示例。
 
在該定位系統(tǒng)中，LIO和PGF模塊運行在CPU上（Intel Xeon 3.5ghzcpu和32gbram），而LGM模塊運行在一個FPGA卡上。LGM、LIO和PGF模塊分別需要44.9ms、79.4ms和2.8ms。需要注意的是，LGM和LIO模塊實際上是并行運行的，因此整個系統(tǒng)平均每幀大約需要82ms從而驗證系統(tǒng)的實時性。
 
在本次ICRA中，Apollo提出了針對自動駕駛應(yīng)用而設(shè)計一個穩(wěn)健的LiDAR定位框架系統(tǒng)。該系統(tǒng)利用基于位姿圖的融合框架，自適應(yīng)地融合了LiDAR慣性里程結(jié)果和LiDAR全局匹配模塊的結(jié)果，特別是針對不斷變化的城市場景中的定位技術(shù)挑戰(zhàn)。

結(jié)果表明，新增加的LiDAR慣性里程計模塊可以有效地輔助定位系統(tǒng)，防止由于LiDAR全局匹配失敗而引起的定位誤差。考慮到道路建設(shè)中的不時變化，Apollo研究人員還提出了一種環(huán)境變化檢測方法，以找出地圖應(yīng)在什么時候和什么部分進行及時更新，從而可靠地支持大型自動駕駛車隊，在擁擠城市街道中的日常運營，這些優(yōu)勢使得我們的系統(tǒng)非常適合商業(yè)化部署。

在探索自動駕駛領(lǐng)域發(fā)展的路上，百度Apollo始終堅持通過獨立自主的科研創(chuàng)新，協(xié)同百度AI生態(tài)體系，通過致力于頂尖的學(xué)術(shù)研究以及深入可行的落地應(yīng)用，加速全球自動駕駛產(chǎn)業(yè)的智能化進程。

參考文獻：
[1] G. Wan, X. Yang, R. Cai, H. Li, Y. Zhou, H. Wang, and S. Song, “Robust and precise vehicle localization based on multi-sensor fusion in diverse city scenes,” in Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), 2018, pp. 4670– 4677. 
[2]W. Hess, D. Kohler, H. Rapp, and D. Andor, “Real-time loop closure in 2D LiDAR SLAM,” in Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), 2016, pp. 1271– 1278.
 

分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25