高精度地图,从入门到入行

分享到:

今年美国一辆特斯拉MODEL S在开启了自动驾驶的模式下发生车祸,导致驾驶员死亡,这也是自动驾驶技术应用以来第一起己知的导致死亡的车祸。

1

据事后的事故分析,当时这辆特斯拉MODEL S自动驾驶处于开启状态,车辆行驶在一条双向、有中央隔离带的公路上,此时一辆对向行驶的拖挂车在特斯拉MODEL S前方左拐。在逆光的影响下,特斯拉MODEL S的传感器都没有成功的检测出前面出现的是一辆拐弯的拖挂车,从而导致车辆直接相撞。由此可见,单纯的使用雷达,摄像头,Lidar这类传感器感知是有一定的局限性,探测的范围是有限的,一旦感知错误,没有发现目标,或者发现得不及时,悲剧就有可能发生了。

那么假如在车上安装的传感器的所能感知的范围之外,也就是常说的超视距范围外,如果有一张辅助的高精度地图呢。

我们可以提前500米就知道前方有个路口,而且是个三岔路口,并且知道这个路口的形状,有两条车道,甚至有可能知道,这个路口经常有大型拖挂车通过,知道以上这些信息后,自动驾驶车辆的决策系统就在靠近路口的时候要求车辆需要提前减速,并且知道靠左行驶会更安全,所以也可以提前变换到左车道来,在结合道路的航向以及当时时间和天气,车辆也可以适当的调整摄像头的曝光参数以降低逆光的影响,等等,也许有了这些信息,这一类的事故就可以避免。

那么我们这里提到的高精度地图,又究竟是什么呢?
所谓的高精度地图,实际上是和我们现在已经普及的普通导航电子地图做比较来说的。

而所谓的高精度,实际上一方面是说高精度电子地图的绝对坐标精度更高,所谓绝对坐标精度指的是地图上的某个目标和真实的外部世界的事物之间的精度。另一方面,高精度地图所含有的道路交通信息元素更丰富和细致。

2

普通的导航电子地图的绝对坐标精度大约在10米左右,由于是辅助驾驶员做导航使用,外加上GPS设备的定位精度也在10米左右,所以这样的精度对整体来说影响不大。
而应用在自动驾驶领域的高精度地图就不行了,自动驾驶汽车需要精确的知道自己在路的什么位子,往往车辆离马路牙子和旁边的车道也就几十厘米左右,所以高精度地图的绝对精度一般都会在亚米级,也就是1米以内的精度,而且横向的相对精度(比如,车道和车道,车道和车道线的相对位置精度)往往还要更高。并且高精度地图不仅有高精度的坐标,同时还有准确的道路形状,并且每个车道的坡度,曲率,航向,高程,侧倾的数据也都含有。
普通的导航电子地图会描绘出道路,而高精度地图不仅会描绘道路,更会描绘出一条道路上有多少条车道,会真实的反应出道路的实际样式,比如真实道路在某些地方变宽了,那么高精度地图中的道路数据也是变宽了,而某些地方因为汇合了而变窄了,高精度地图也是一样。
另外,每条车道和车道之间的车道线是什么样子的,是虚线,是实现还是双黄线,线的颜色,道路的隔离带,隔离带的材质,马路牙子什么样子,什么材质,甚至道路上的箭头,文字的内容,所在位置都会有描述。
而且,为了自动驾驶的考虑,诸如每条车道的限速,推荐速度也需要一并提供。而像人行横道,道路沿线的看板,隔离带,限速标志,红绿灯,路边的电话停等等,这类我们通常统称为交通参与物的绝对地理坐标,物理尺寸以及他们的特质特性等也都会出现在高精度数据中。

除此以外,普通的导航电子地图和高精度地图的一大区别在于,普通的导航电子地图是面向驾驶员,供驾驶员使用的地图数据,而高精度地图是面向机器的供自动驾驶汽车使用的地图数据。

普通的导航系统基于普通的导航电子地图提供基础道路导航功能,包括由A地到B地的路径规划,车辆和道路的定位匹配,用于查询目的地的POI检索,在结合地图显示和道路引导的功能等,而作为驾驶员的人类是具有提取信息、关联信息、过滤信息、视觉判断的能力,结合导航系统提供的这些相对粗略的信息就足够完成日常的导航和驾驶的需要。

可是作为自动驾驶车辆来说,无法完成诸如联想,解意,信息整合等工作,也许有一天人工智能足以匹敌人脑,但目前还远达不到人脑的高度,所以必须提供精细的地图信息。因此高精度地图就需要具备辅助完成实现高精度的定位位置功能,道路级和车道级的规划能力,以及车道级的引导能力。相反现在的高精度地图,因为所含盖的信息量太过丰富了,如果给驾驶员直接使用,反而会带来干扰。
在这里还要顺路提一下,介于普通的导航电子地图和高精度地图之间,还有一种应用在ADAS(主动安全场景)的地图。这种地图的的精度一般在1-5米左右,它是在普通的导航电子地图的基础上进行了扩充,比如在道路上补充了一些坡度,曲率,航向的一些辅助信息,另外也涵盖了车道数量,车道宽度的信息,并且道路的精度和形状信息更加的准确。只是这些信息的精度都和高精度地图有一个数量级的差别。这种地图在自动驾驶车辆的感知传感器足够丰富的时候也是能支持自动驾驶而使用的,而他的大部分应用场景主要是为了主动安全使用的。

下一次,我们将会在ADAS和自动驾驶两个层面分开介绍如何来使用高精度地图。

继续阅读
LoRa/Sigfox/NB-IoT各领风骚 LPWAN满足IoT省电需求

资通讯产业下一阶段的发展重点之一为物联网,将会有许多新创团队锁定物联网,以智能城市为主题推出各种产品与应用,将资通讯领域发展推向另一高峰。 物联网发展下,以智能城市做为主轴,相关的应用尽管变化莫测,但依然都需要无线网络做为底层机制。 此外,为了满足物联网装置省电、长距离传输数据的应用场景需求,低功耗广域网(Low Power Wide Area Network, LPWAN)因此而生。

为什么说明年是人工智能元年?而2017年却不是呢?

人工智能,它有个广为人知的名字--AI,已经成为一个我们多年来津津乐道的话题。然而,那些追踪其进展的人最近指出,2017年的人工智能发展比之前几年都要迅速许多。这个热门话题已经进入了媒体、公司董事会甚至政府内部的视野。

商汤联合本田布局全球汽车AI 自动驾驶研发驶入快车道

12月7日, 日本著名汽车公司本田与中国领先的人工智能公司商汤科技联合宣布:两家公司签订长期合作协议,共同深耕自动驾驶技术,加速智能汽车的研发进程。双方将基于本田的车辆控制技术系统,融合商汤科技领先的视觉算法和开发平台,共同发力适合乘用车场景的L4级自动驾驶方案。此外,本田未来还将与商汤科技在机器人方面展开合作。

台湾使用路面水传感器实现智能防洪预警

日前,台湾经济水利署启动了智慧防汛网计划,计划于今年斥资1.1亿元在台南进行试点,在易淹水热点区域安装270个路面与移动机具的淹水传感器,可即时掌握正确的淹水讯息,从而让相关部门第一时间作出防洪决策。等4年试办期满后,将逐步在台湾主要或易淹水道路安装,届时结合手机APP,可提供各路口与道路的精确淹水即时信息,让居民在自家提前作防洪措施,或开车时避开积淹水路段。

美国用Apple Watch传感器研究心脏病

11月30日,美国斯坦福大学医学院宣布与美国高科技巨头苹果公司合作,利用苹果手表内置传感器监测用户心律,在此基础上探索是否能对房颤等心脏病进行预警。斯坦福大学医学院在当天发布的新闻稿中说,它将使用苹果手表搭载的传感器来收集心律异常数据。苹果手表底部的传感器,可以利用每秒闪烁数百次的绿色LED灯和光电二极管,监测通过手腕的血液流量,它会从用户手腕上4个不同点收集信号。