自动驾驶_高精地图与车辆协同
目录
整理自视频:https://www.bilibili.com/video/BV137411E7oC?p=7
1 HapMap 综述
1.1 自动驾驶软件结构
1.2 HD MAP介绍
1.3 坐标系/定位/感知/规划
定位主要用GPS-RTK, 差分GPS精度:分米
将汽车的有限性能应用到动态物体的识别当中去,是很有意义的,因为静态的物体信息可以通过HD map提前制作好来获取。
1.4 Apollo HDMAP
- 任何一个点都需要多次的采集,才能得到真实的路面信息。
- 地图数据的采集,主要使用点云数据(如上图,apollo:点云数据易于处理,精度更高;缺点是采集数据成本太高);同时Here宣称他们使用的是摄像头采集数据做高精地图,精度也可达到cm级别。
- 上图中元素识别:如图像中分类的问题,点云的分类问题。
- 高精地图数据量非常大,制作成本很高。
- 高精地图的制作流程,非常像SLAM的流程。SLAM的核心是VO和Optimization.
- 应关注点:VO, LOOP Closing挺重要的:提高精度,加快高精地图的制作。
1.5 高精地图的制作
- 高精地图的制作的自动化程度直接决定了其制作效率!
2 OpenDrive 协议
高精地图 较流行的开源格式
2.1 坐标系
2.2 Road的表示方式
2.3 OpenDrive协议下的高精地图表示方式
- xml格式拓展
- 高精地图商业化: 百度,高德,四维图新
- OpenDrive(压缩的比较狠)在机器人领域应该得比较多,在无人车领域应用的还未普遍推广; Apollo目前在使用OpenDrive时,将其进行拓展,虽然数据会变得繁琐起来,但使用起来会方便很多。
2.4 其他高精地图格式
2.4.1 LaneLet
2.4.2 Apollo OpenDrive
3 点云地图制作
3.1 基本概念
3.1.1 欧拉角
- 欧拉角的局限性:当一个角的值为±90° 时,另外两个角的旋转是一致的。关键词“万向锁”。
3.1.2 四元数
四元数在机器人学中应用广泛,很重要!
3.1.3 相机基本模型
- Z是常系数,上图Pc表示相机坐标系下的空间点坐标
输入: RBG彩色图片x5幅,基于点云制作的已经匹配好的深度图片x5幅,pose数据(R,t)x5条
输出:三维高精地图模型
3.2 代码示例
3.2.1 效果图
4 V2X
5 练习