Apollo自动驾驶入门-地图、定位、感知、预测、规划、控制 ...

本文首要先容了自动驾驶的几大模块，经过阅读本篇文章，可以对自动驾驶有一个简单的熟悉。首要参考了:Apollo自动驾驶入门课程。

高精舆图

无人驾驶利用的舆图分歧于汽车导航所利用的舆图。由于无人驾驶对于本身位置需要自我感知，是以其利用的舆图精度更高。 无人驾驶车不可以像人类一样，简单而又快速识别路上的各类交通标志及能够碰到的交通管束等，是以需要高精度的舆图来帮助它。高精度舆图包括着大量的驾驶帮助信息，包括门路网的切确三维表征、语义信息等。手机导航的舆图精度只要米级的精度，这个精度偶然辰对无人驾驶来说完全不够用，甚至能够偏离门路中心，与其他车辆相撞。而一般的高精度舆图都是厘米级此外精度。 高精度舆图帮助定位车辆。车辆将自己感知到的信息与高精度舆图相比力，从而判定本身的位置。 高精度舆图也可以帮助来感知。任何传感器的探测间隔都是有限的，且有能够遭到障碍物阻挡。但高精度舆图可以提早获晓得路的状态，大概按照高精度舆图集合资本寻觅某一地标，即为感爱好地区（ROI）。ROI可以帮助我们进步检测切确度和速度。 高精度舆图可以提早计划大致的行车线路，从而帮助软件计划途径。同时高精度舆图上的各类交通标志、速度限制等也可以帮助计划模块找到最优途径的挑选。

定位

定位就是让无人驾驶车明白本身的位置。手机的GPS精度不够，而且在地道、山林等情况下表示更差，能够定位误差在3~10米。常用方式是操纵车辆传感器探测的信息在融合处置以后，与高精度舆图停止对照，从而获得本身的位置。为了停止对照，需要在汽车坐标系和舆图坐标系之间转换数据。定位供给了很多中方式，如GNSS、RTK、惯性导航、激光雷达定位，视觉定位等等。

GNSS RTK定位

GNSS，全球导航卫星系统。该系统由太空中的卫星、空中的控制站以及接收器组成。以下图所示。接收器并不间接丈量你与卫星之间的间隔，它首先丈量信号的飞翔时候，也即卫星传布到接收器需要多长时候。光速c*时候t=间隔d。但由于光速c很大，即使时候t只要少许的误差也会在间隔计较中形成庞大的误差。是以，每颗卫星都装备了高精度的原子钟。同时为了进一步地减小误差，可以利用实时活动定位（RTK）。

RTK在空中有很多基站，每个基站都晓得自己切确的“空中实况”位置，每个基站也经过卫星来丈量本身的位置。两者之间的不同即为卫星丈量的误差，然后将这个误差传递给其他的接收器，从而调剂本身的位置计较。在RTK的帮助下，可以将卫星导航系统的定位误差限制在10cm之内。但仍存在修建物障碍辛信号传布的题目。同时卫星导航系统的更新频次不高，大约为10Hz或每秒更新10次。是以也需要其他的定位方式来补充。

惯性导航定位

操纵初始加速度和速度以及汽车的初始位置来计较车辆现在的状态。加速度可以由加速度计来计较。三轴加速度计按照车辆的坐标系记录丈量成果，然后经过三轴陀螺仪将这些丈量值转换为全局坐标系。三轴陀螺仪的三个内部平衡环一向在扭转，但三轴陀螺仪的扭转轴始终牢固在天下坐标系中。经过丈量扭转轴和三个内部平衡环的相对位置来计较车辆在座标系中的位置。加速度计和陀螺仪配合组成了惯性导航（IMU）的首要组成部件。 IMU的一个重要特征是它更新频次高，可到达1000Hz。但IMU一样有弱点，其丈量的活动误差会随着时候的增加而增加。是以我们只能操纵IMU在很短的时候范围内停止定位。将IMU与GPS连系起来，IMU填补GPS更新频次低的弱点，GPS改正了IMU累计的 活动误差。 但是IMU+GPS照旧不能顺应一切场景，例如地道。

激光雷达定位

激光雷达可以经过丈量数据婚配高精度舆图，从而获知车辆的切确位置。有很多算法可用于婚配点云，例如ICP(迭代比来点法)、滤波算法（包括直方图滤波，卡尔曼滤波等）。 关于激光雷达及卡尔曼滤波，可以参看我之前写的其他文章： 卡尔曼滤波道理详解 激光雷达系统道理及相关先容 激光雷达方程推导与激光器参数目标 激光器对人眼平安的评价(MPE与NOHD计较) 激光雷达的优点在于其妥当性。在大大都情况下，激光雷达在具有高精度舆图的条件下，都可以正肯定位。同时其首要弱点在于难以构建高精度舆图并使其连结最新。

视觉定位

经过摄像头的图像实现定位明显是困难的，但将摄像头图像与来自其他传感器的数据相连系可以实现正肯定位车辆。特别是经过车道线的图像来判定车辆在门路上的位置。 视觉定位的优点在于图像数据很轻易获得，弱点在于缺少三维信息和对三维舆图的依靠。

感知

感知包括：

• Detection 检测 找出物体在情况中的位置；
• Classification 分类 明白工具是什么；
• Tracking 跟踪 跟踪特定的物体；
• segmentation 语义朋分 将每个图像中的像素与语义种别停止婚配。

检测与分类

汽车在路上行驶进程中能够会碰到很多静态障碍物和静态障碍物，例如树木、行人、灵活车等。 汽车在检测物体后，对物体停止分类，以便肯定本身下一步的活动状态。无人驾驶一般利用CNN来检测碰到的物体，再送入另一个CNN中对工具停止检测和分类。常用的还有R-CNN及其变体Fast R-CNN和Faster R-CNN。YOLO和SSD是具有类似形式的分歧系统结构。

跟踪

跟踪在检测失利时是相当重要的。当在检测物体时，某工具被其他工具遮挡了一部分，检测算法能够会失利。追踪即可以处理这个题目，追踪可以保存身份，将之前帧中检测到的一切工具与当前帧检测到的工具停止婚配，从而肯定前后两帧类似度最高的工具，从而肯定身份。这样在某工具被障碍物遮挡时，也可以经过跟踪肯定该工具，从而为本身的下一步活动供给信息。

朋分

语义朋分用于肯定尽能够具体地领会情况，并肯定车辆可驾驶的地区。语义朋分依靠于全卷积收集FCN。收集合的每一层都是卷积层。卷积以后的信息比原始输入信息的巨细小很多，为了使得输入输出的巨细不异，对中心输出层停止上采样处置，直到终极输出的巨细与原始输出图像的巨细相婚配。

猜测

无人车需要猜测路上很多静态障碍物的行为，以便我们的无人车可以做出最好的决议。 猜测要务实时性和正确性。猜测方式分为基于模子的猜测（Model-Based）和数据驱动猜测(Data-Driven)。基于模子的猜测比力直观，数据驱动猜测与深度进修有关，一般数据量越大越正确。 经过天生一条途径来猜测一个物体的行为，对其他物体也这样猜测天生一段途径，这些配合构成了在一段时候内的猜测途径。在每一个时候段内，我们会为每一辆车辆重新计较他们所新天生的途径。从而为无人车在计划阶段做出决议供给需要的信息。 为了更好的猜测，我们也需要晓得障碍物的状态，包括速度、朝向、加速度以及之前时候间隔的状态信息。以便更好地做出猜测。 车道猜测，猜测车辆会挑选哪个车道，可以经过计较每个车道序列的几率停止挑选。

计划

计划的首要目标时天生免碰撞和舒适的可行轨迹。 天生的轨迹由一系列的点组成。每个点都有一个关联速度以及一个指示何时应到达阿谁点的时候戳。

途径计划

途径计划的方针是找到舆图上从A到B的最好途径，其输入包括三个：

• 舆图，舆图数据包括公路网和实时交通讯息；
• 车辆在舆图上的位置；
• 目标地

有这三个方针，途径计划模块便会供给最好的途径。

轨迹天生

天生的轨迹包括2D平面的位置+时候。 天生的轨迹该当满足： 1. 无障碍物（不碰撞）； 2. 斟酌乘客的舒适性； 3. 可履行性，例如车子没法实现立即掉头； 4. 正当。

明显，一般车子在行驶进程中，满足以上4个条件的轨迹仍有很多。可以采用本钱函数来进一步地挑选轨迹，给轨迹分派本钱。例如以为偏离门路中心，加速度增大，超速等行为会增大本钱，从而天生本钱最低的轨迹。

Frenet坐标

我们所熟知的笛卡尔坐标系只能描写车辆位置而没法描写门路，判定不了门路与车辆的相对位置。

纵坐标暗示在门路中的行驶间隔；横坐标暗示汽车偏离中心线的间隔。

途径速度解耦计划

• 途径速度解耦计划包括途径计划和速度计划。途径计划负责天生候选曲线，包括本钱函数，本钱函数包括平滑度、平安性与车道中心的偏离。
• 速度计划包括天生速度曲线，对应途径点。

天生途径： 1. 将门路分红单元格； 2. 对于单元格中的点随机采样； 3. 在单元格中拔取点毗连建立候选途径； 4. 构建多个途径并挑选本钱最低的途径。

ST 图

“ST图”这一工具可以帮助我们设想和挑选速度曲线。

S暗示车辆纵向位移，T代表时候，斜率代表速度。ST图说了然在分歧时候的位置。 为了简化速度曲线的构建，可以将ST图分别红为一个个小网格。同时以为在小网格内的车辆速度是稳定的，也即斜率是一定的。这样的方式在一定水平上可以简化速度曲线的构建，保持速度曲线的近似度。

假定在$t_0$和$t_1$时候之间，某车阻挡了$S_0$到$S_1$之间的路段，那末表现在ST图上，速度曲线不能与$t_0$和$t_1$时候之间，$S_0$到$S_1$之间的路段所构成的矩形框订交。以下图所示。

上述的途径计划和速度计划都基于离散化。但轨迹并不服滑，利用二次计划（Quadratic Programmming）使得拟合曲线平滑，天生平滑的轨迹。

天生途径的优化，Lattice计划

Lattice计划将横向维度和纵向维度分离隔，将三维题目转换为两个二维题目：具偶然候戳的纵向轨迹（ST轨迹）；相对于纵向轨迹的横向偏移（SL轨迹）。 Lattice计划别离建立ST和SL轨迹，然后将他们合并。为天生纵向和横向的二维轨迹，将初始车辆状态投射到ST坐标系和SL坐标系中去。在天生ST、SL轨迹以后，投射到笛卡尔坐标系中，完成轨迹的天生。

控制

控制需要保证可行性、平稳性以及确保到达每一个天生途径点。在百度的Apollo框架中，控制首要采用的是PID、LQR以及MPC。 控制输入包括： - 方针轨迹（计划模块） - 车辆状态（车辆位置等）

PID控制

简单但有用。PID依靠实时丈量误差。

线性二次调理器（LQR）

基于模子的控制器。利用车辆状态来使误差最小化。 apollo利用LQR停止横向控制，拔取的状态变量有

• 横向误差（cte）
• 横向误差的变化率($\dot {cte}$)
• 朝向误差($\theta$)
• 朝向误差的变化率($\dot \theta$)

也即令：

三个控制输入包括：转向（steering）、加速（throttle）、制动（brake） 也即：

将上述写成状态空间的表达形式为：

也即

在误差最小化的同时希望控制输入尽能够小，是以控制误差总和与控制输入作为系统的本钱综合。 可以界说以下二次项：

写成松散的矩阵形式：

其中Q和R别离代表x和u的权重调集。 u一般可以经过x来暗示。

模子猜测控制（MPC）

模子猜测控制可以拜见我的另一篇博客文章：mpc模子猜测控制道理详解。 优点：更切确（由于斟酌了车辆的物理模子）。 弱点：加倍复杂，加倍难以实现。

结语

本文首要参考了Apollo自动驾驶入门课，文章中的图片部分也来自课程，若有侵权，请联系我删除。 假如感觉我写的不错，请给我一个免费的赞，若有毛病，也接待向我反应。