第8课、高精度地图与自动驾驶的关系
- 在SAE的六等级分类方法中，L0级别是人类驾驶，L1到L3级别是辅助驾驶，L3以上是自动驾驶。
- 在L1—L3辅助驾驶级别，常见的很多车型都已经配备其中的一些功能，比如偏离预警、碰撞预警和自适应巡航等。
- L3级别以上的自动驾驶研发是现在Apollo正在做的事情，百度内部本身分L3和L4。
- L3级别基本上已达到一定程度上的自动驾驶，它不需要车辆驾驶员来关注环境，只需要在紧急情况下接管；L4级别则可在限定区域下完全做到自动驾驶。
- L5级别可能是比较遥远的状态。现在有些厂商宣称L5级别自动驾驶可以做到完全没有人员操控，车辆能处理所有的情况。
- 但这需要依赖于技术能够发展到非常好的阶段，到时候所有的道路情况车辆才能理解和处理。
- 从分类等级里面可以看到，L3级别以下不需要高精地图，但在L3、L4级别，高精地图是标配。
- 发展到L5阶段是否需要高精地图？到目前为止还不确定。在目前的情况下，如果没有高精地图，L3、L4级别的自动驾驶很难实现。
- 用于L3、L4级别自动驾驶的高精地图，对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别，还有道路之间的连接关系，专业术语叫Link。
- 高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道。
- 即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来。
- 第二个特征是实时性。实时性是非常关键的指标，因为自动驾驶完全依赖于车辆对于周围环境的处理，如果实时性达不到要求，可能在车辆行驶过程中会有各种各样的问题及危险。
- 高精地图更类似于自动驾驶的专题组，但国内可能为了称谓方便还是称它为高精地图。高精地图并不是特指精度，它在描述上更加的全面，对实时性的要求更高。
- 经常用到的一些电子导航地图，它的表述形式倾向“有向图”结构，把道路抽象成一条条的边，各边连通关系构成整体上的有向图。这类似百度地图、高德地图、谷歌地图的做法。
- 导航地图只是给驾驶员提方向性的引导。识别标志标牌、入口复杂情况、行人等都是由驾驶员来完成，地图只是引导作用。导航地图是根据人的行为习惯来设计的。
- 高精地图完全为机器设计的。因为对于道路的各种情况、人都能理解，但是对于车辆来说它完全不理解。
- 高精地图可以作为自动驾驶的「大脑」。「大脑」里面最主要是地图、感知、定位、预测、规划、安全。综合处理成自动驾驶车辆能接受的外部信息，并统一运行在实时的操作系统上。
- 车上配备的传感器类似于人的感知系统，用来感知外部环境；自动驾驶车辆会把感知的结果通过「大脑」处理后发送给控制系统。
- HMI人机交互接口前期主要用于内部调试，后期当自动驾驶车辆量产后，需要用户输入目的地等信息。
- 因此，高精地图对于感知、定位、规划、决策、仿真和安全都是不可缺少的。
- 现在主流的自动驾驶的定位方案有两种：一种是基于点云，另一种是基于Camera。其本身都是一种对周围环境的感知。
- 感知后是Feature提取，提取之后可以通过特征匹配最终得到精确结果。
- 自动驾驶车辆在路口“看”到建筑物，然后通过激光雷达能搜到点云的信息，通过点云的特征提取，然后通过复杂的组合变换、视角变换，最终通过跟周围环境的比对能得到比较准确的定位坐标。
- 道路上的Feature是非常多的，除了树以外，也可能是车道线。
- 高精地图里面由定位提供的Feature有很多，例如电线杆、车道线、停止线和人行横道等都能提供很多的约束信息。
- 自动驾驶车辆搭载的传感器类型有很多。但64线激光雷达、Camera和Radar等传感器都有一定局限性。
- 64线激光雷达号称有一百米的检测距离。但实践中超过60米之后，点云本身已非常稀疏，60米外检测的可信度会继续下降。
- 自动驾驶车辆在行驶中如果遭遇洒水车，或者碰到雾霾天气，对激光雷达的检测可信度也会有很大影响。
- Camera的局限更大，在夜间、逆光的情况下很难达到非常好的视觉效果。
- Radar的穿透能力很强，但精度不高。
- 所以基于这些传感器本身的局限性，高精地图能够提供非常大的帮助。
- 开发者可以把高精地图看作是离线的传感器，在高精地图里，道路元素的位置都被标注好了。
- 由于物体的遮挡影响，自动驾驶车辆在某些地方看不到左下侧/比较远的红绿灯。
- 在高精地图里提前标注红绿灯的三维空间位置后，感知模块就可以提前做针对性检测。
- 这样做不仅可以减少感知模块的工作量，而且可以解决Deep Learning 的部分缺陷。识别可能会有些误差，但先验之后可提高识别率。
- 规划、预测和决策也是自动驾驶里非常重要的模块。
- 规划模块完成的工作主要有两个：第一是A点到B点的长距离规划；第二个是短距离规划。
- 自动驾驶车辆在行驶过程中面临动态环境。其中包括道路交通的参与者，比如其他车辆和行人。我们要根据障碍物的实时位置及时地做局部规划。
- 在Apollo源码里有Planning的模块，是用来专门研究规划的。
- 有了以上两个层面的规划之后，还需要预测。预测模块的作用是把其他道路参与者的可能行驶的路径轨迹和行动预测出来。
(1)决策模块主要是根据规划和预测的结果决定自动驾驶车辆是跟车、超车还是在红绿灯灯前停下等决策。
(2)控制模块是把决策结果分解为一系列的控制行动，然后分发给控制模块执行。 - 从以上分析可以看到，规划、预测、决策和控制的每个步骤都与高精地图有密切的关系。
- 高精地图的规划是Lean级别的，传统导航只需知道点到点的信息。对于高精地图而言，规划需要知道从哪个Lean到哪个Lean，是一系列Lean的序列。
- 规划的第二个层次是Planning。
- 在轨迹约束中，经高精地图运算后，自动驾驶车辆避让时会清楚地知道目的地在哪/怎么选，并提供可行的解空间。
- 预测的体系比较复杂，但底层仍依赖于高精地图。
- 例如，自动驾驶车辆看到其他车辆在左转车道上，系统会预测此车辆很大概率上要左转；若是看到其他车辆在右转车道上，系统会预测此车辆很大概率上要右转；看到行人在人行横道上，这时候红绿灯是绿的，系统则预测行人要过马路。
- 以上便是高精地图给规划、预测和决策模块提供先验的知识，高精地图能够让车辆决策更加准确。
- 自动驾驶的主要目标是能够取代人类司机，能够取代的前提是自动驾驶车辆必须足够的安全。
- 自动驾驶车辆有很多传感器，当自动驾驶车辆上路之后，会出现很多质疑的声音。
- 联网的自动驾驶车辆可能被攻击。因为所有的东西一旦联网，就存在各种各样的隐患。
- 自动驾驶车辆可能遭受4个维度的攻击：传感器、操作系统、控制系统和通信系统。
- 传感器是自动驾驶车辆辆上通用的模块，相当于IMU惯性测量单元，它对于磁场是非常敏感，如果我们在车辆周围放一些强磁场，会影响它测量的准确度。
- 轮速器也有风险。车轮变形和损坏都会影响测量精度。
- 激光雷达依赖于激光反射。如果我们在周围环境上加载人工的反射物或假的红绿灯，就会让我们的车直接停下。假的GPS信号和激光也会对系统造成干扰。
- 定位模块依赖于高精地图提供的信息来做运动学的约束；激光雷达依赖高精地图做一些三维点的扫描。
- 针对任何一种攻击，目前来说，还很难有全面有效的方法来防止问题发生。
- 高精地图能提供离线的标准信息。比如说，激光雷达在场景中扫描到物体，通过与高精地图中的信息进行对比匹配。如果结果不一致，我们可以大概率地认为此地有问题，这就是通过多传感器的融合来解决安全问题。
- 实际情况中，开发者很难把所有的策略迭代都放在车上去测试，所以需要非常强大的仿真系统。
- 仿真的主要问题是「真实」
- Apollo的仿真系统主要是基于高精地图/真实场景来构建。仿真场景回放后，和真实上路的实际情况相比，可以基本保证Gap不会很大。
- 在实际测试的过程中，Apollo的测试人员也会录一些Bag，记录实测中遇到的一些问题，并放到仿真系统里去做测试。
- 高精地图为仿真地图提供了最底层的基础结构，能让仿真系统更好的去模拟真实道路的场景。
- 没有高精地图的高可靠性，L3/L4自动驾驶无法落地。
- 高精地图是静态的Perception。机器理解不了，我们可以把人理解的经验赋予给驾驶系统，相当于把人的经验传授给它。
- 自动驾驶需要非常复杂的计算系统，4G的传输速度并不能满足现阶段自动驾驶的海量数据传输需求。
- 举个例子，高精地图告诉感知/控制模块，在你的双向通行的车道中有栅栏隔离，对向车道的车不可能过来，系统就可以放弃检测对向车道上的障碍物，有效地降低系统负担。
- 传感器有局限，但高精地图给自动驾驶提供了超视觉、超过传感器边界的远距离感知。