1.3　激光雷達在自動駕駛系統和高精度地圖生產過程中的應用

1.3.1　自動駕駛系統的基本架構

當前自動駕駛系統架構和傳統的機器人架構基本一致，自動駕駛汽車在技術層面仍然被理解為“載人輪式機器人”，自動駕駛系統幾乎都可以粗略劃分為感知、定位、規劃和控制4個模塊。圖1-6所示為一個簡單的自動駕駛系統架構。

圖1-6　一個簡單的自動駕駛系統架構

自動駕駛系統的外圍是各種傳感器和車輛底盤，各種傳感器主要對環境、自身定位等數據進行測量，車輛底盤則是自動駕駛系統控制的實體。當然，完善的自動駕駛系統還包括優秀的人機交互、后臺云服務、V2X等部分，以進一步完善產品的功能性和可擴展性。

自動駕駛系統的定位模塊主要用于解決汽車“在哪兒”的問題，與傳統的電子導航相比，自動駕駛對定位精度和可靠性要求更高，在定位精度方面，誤差需要控制在厘米級；在可靠性方面，定位模塊需要在運行設計域（operational design domain，ODD）定義的條件下持續、可靠地輸出定位信息和保持定位精度。傳統的電子導航技術通常基于全球導航衛星系統（global navigation satellite system，GNSS），被廣泛應用于定位領域，具備全天候、無須通信、可移動定位等特點，根據接收器的不同，基于GNSS的定位誤差在數厘米到數米之間。對于自動駕駛系統而言，可以通過結合GNSS和實時動態（real-time kinematic，RTK）載波相位差分技術、慣性導航系統（inertial navigation system，INS）進一步提高定位精度，以達到自動駕駛汽車厘米級定位精度的要求。然而，基于GNSS的定位方法易受環境的影響，在峽谷、隧道、高樓林立的城市道路等環境中，衛星信號的傳輸會受到干擾，從而造成定位精度下降，因此基于GNSS的定位方法難以在自動駕駛領域推廣應用[4]。

在實際的自動駕駛系統設計中，通常采用多種傳感器融合的定位方法，并且以基于高精度地圖（high-definition map，HD Map）的匹配定位為主。高精度地圖包含大量道路語義信息、空間幾何信息和交通規則信息，其精度能夠達到厘米級。由高精度地圖廠商構建的三維高精度城市道路地圖如圖1-7所示。定位模塊配準當前的傳感器測量數據（可以是激光雷達的點云數據，也可以是圖像中的特征點數據，甚至可以是對圖像或者激光雷達數據使用神經網絡分割出來的語義信息）和地圖中的相關數據，這種定位方法將全局定位問題簡化為在預先精心構建的地圖上進行局部定位的問題，大大提升了定位的穩定性和可靠性，但是這種定位方法依賴于預先構建的高精度地圖，這為自動駕駛系統設置了“地理柵欄”，系統通常難以在沒有地圖覆蓋的區域實現理想的高精度定位。定位模塊在融合GNSS數據、慣性測量單元（inertial measurement unit，IMU）數據、車輛自身輪速數據、高精度地圖匹配結果等數據后，結合濾波算法，對車輛在世界坐標系下的位置、姿態、速度乃至加速度做出準確的估計，定位結果最終被輸入系統的感知、規劃和控制等模塊。

圖1-7　三維高精度城市道路地圖

自動駕駛系統的感知模塊可以理解為汽車的“眼睛”，是自動駕駛汽車理解周圍環境的模塊。感知模塊的輸入通常包括定位結果、高精度地圖以及傳感器數據。定位結果的輸入讓感知模塊理解車體坐標系到世界坐標系的變換關系；高精度地圖為感知模塊提供環境的靜態信息，例如提供感興趣區域（region of interest，ROI）以限定和縮小感知范圍；傳感器數據在輸入感知模塊前通常會做時間同步、運動補償、畸變校正等操作，以保證各種傳感器數據的同步性和一致性。如圖1-6所示，感知模塊內部通常包含若干個子任務，如動態目標感知、交通信號燈感知等，具體任務的數量視系統設計和自動駕駛能力而定。動態目標感知又可以細分為檢測、追蹤和預測等模塊，檢測根據具體系統設計可以進一步劃分為如下類型。

● 圖像二維目標檢測：在圖像中檢測目標的像素位置、類別和置信度等，如圖1-8（a）所示。

● 鳥瞰視角二維目標檢測：在鳥瞰視角（bird eye view，BEV）下檢測目標相對于車體坐標系的二維位置、二維邊界、朝向、類別和置信度等，如圖1-8（b）所示。

● 三維目標檢測：在車體坐標系下檢測目標的三維位置、三維輪廓、三維朝向、類別和置信度等，如圖1-8（c）所示。

圖1-8　3種目標檢測

圖像二維目標檢測由于沒有具體的三維位置信息，很難被自動駕駛系統的規劃和控制模塊利用，所以自動駕駛系統通常采用鳥瞰視角二維目標檢測或者三維目標檢測。檢測模塊能夠在單幀數據內提取目標信息，追蹤則負責在多幀數據間穩定地追蹤目標，追蹤模塊通常由各種濾波器［例如卡爾曼濾波器（Kalman filter）、粒子濾波器（particle filter）］構成。需要注意的是，自動駕駛系統追蹤模塊中的濾波器通常不僅對目標的位置和姿態進行狀態估計和追蹤，也會對目標的輪廓、占用面積、角速度、線速度乃至加速度等狀態量進行估計。

預測模塊讀取追蹤模塊的目標列表，結合高精度地圖中的車道拓撲結構，對未來一段時間內各個目標的狀態和行為進行預測，包括目標在未來一段時間內的位置姿態、車輛是否會變道等。最終預測的結果被輸入規劃模塊以影響車輛的決策和行為。

規劃模塊的功能是產生自動駕駛汽車未來一段時間要行駛的路徑，不同的自動駕駛系統有截然不同的規劃模塊設計邏輯，常見的規劃模塊包含以下層次。

● 任務規劃層（mission planning layer）：產生一段從起點到終點的最短可行路徑，這里的路徑是比較粗粒度的，并且僅包含空間關系（起點到終點的幾何路徑），不包含路徑上各個采樣點在時序上的狀態。我們在手機上使用電子導航地圖來導航就是典型的任務規劃應用。

● 行為規劃層（behavior planning layer）：結合路徑信息、定位信息、地圖信息和設定的各種規則（通常為狀態機），計算得到當前的行為決策序列，諸如是否變道、是否停車讓行、車輛的限速等。

● 動作規劃層（motion planning layer）：綜合地圖、定位和感知等信息，計算得到車輛在未來某個較短的時間內的軌跡；軌跡不同于路徑，軌跡準確描述了未來某個時間序列上車輛的各種信息，包括位置、姿態、速度、加速度等信息，也稱動作序列或者狀態序列，是一種更加細粒度的規劃輸出。軌跡能夠直接為控制模塊使用。

自動駕駛系統的控制模塊負責控制車輛嚴格、平滑地按照規劃的軌跡行駛。該模塊結合軌跡信息、定位信息、車輛反饋信息以及車輛動力學模型，計算產生并輸出能夠為車輛底盤使用的控制信號。車輛控制通常被進一步細分為橫向控制和縱向控制，對應各種控制器，例如PID控制器、LQP、模型預測控制（model predictive control，MPC）等?？刂颇K輸出的信號根據具體的車輛底盤而定，橫向輸出信號通常為轉向盤角度或者前輪轉角，縱向輸出信號通常為車輛速度、加速度或者車輪扭矩。最終這些信號通過車輛的總線網絡（如CAN、FlexRay等）傳遞給車輛底盤相應的控制單元，完成對車輛的控制。

雖然自動駕駛系統具體被分為1～5級這5個級別，并且在每個級別下又有具體的ODD工況，但是無論是哪個級別的自動駕駛系統，其架構基本離不開上述討論的部分。在對自動駕駛系統的基本架構有了初步了解之后，下面我們進一步討論激光雷達在自動駕駛系統中的應用。