*禾多科技技术总监骆沛
近日，由SAE Intenational（国际自动机工程师学会）主办的SAE 2018汽车智能与网联技术国际学术会议在昆山落下帷幕。30多位来自中美日欧的顶尖技术专家、学者相聚于这场国际性技术交流盛会，发表汽车智能网联领域的学术进步和新技术应用探索成果。其中，禾多科技技术总监骆沛博士发表了题为《面向量产的自动驾驶高精度定位》的主旨演讲，主要介绍了自动驾驶常用的定位方法，并分析了它们各自的优势和局限性。同时，结合禾多科技面向量产的高精地图+高精度定位的技术方案，深度解析了研发过程中遇到的技术难题和解决方法。
以下是骆沛的演讲全文，雷锋网新智驾在不改变原意的基础上，整理如下：
在自动驾驶系统中，高精定位发挥着重要作用，一方面帮助自动驾驶系统更好地使用高精地图提供的信息，为自动驾驶系统的路径规划和车辆控制提供准确的车辆位置和姿态；同时可以辅助感知系统，得到更加准确的检测和跟踪结果。
目前常用的高精定位方案有以下4种。
GNSS/RTK & IMU定位
此方案优点是：当GPS接入RTK之后，可以提供非常精确、高频、稳定的位置和姿态结果，一般情况下，可以达到10cm的位置精度和小于0.1度的航向角精度。
该方案的缺点也非常明显。第一，成本非常高；第二，依赖GPS，在有遮挡的环境里，GPS信号可能会出现跳变；第三，依赖RTK，而RTK须在有基站的地方才可运行；最后，严重依赖IMU，因为定位的综合结果中包括姿态，与IMU的精度息息相关。
反射值地图和高度值地图
除了硬件方案之外，也有基于软件的定位方案，比如基于反射值地图和高度图的方案。该方案需要预先构建地图，首先把激光雷达数据用算法进行拼接得到点云地图，再将三维的点云地图投影到二维平面上生成特征图像。当车辆运行时，通过用实时的三维点云跟特征图像进行匹配，实现车辆定位。
此方案优点是精度和鲁棒性高：一般水平定位精度可以达到10cm左右；在激光被障碍物遮挡的情况下，也可以正常工作。缺点也同样不少，首先，只能输出车辆的x、y信息，所以只可得到二维平面上的定位结果；第二，需要预先对激光雷达的反射值进行标定，但由于目前激光雷达生产工艺的原因，即使用同一款激光雷达在不同实地做标定，标定结果也会存在很大偏差，因此可能会限制此方法的扩展性；第三，该方案依赖高线束激光雷达，如果采用4线或8线激光雷达，就会失去精度和鲁棒性高的优势。
3D定位
除了二维的全局定位算法，还有三维的激光匹配算法。该方法与反射值地图的方案相比，有两个不同点。首先，三维定位方法输出的定位结果包含6个自由度；其次，除了跟地图匹配进行全局定位之外，该方法还支持激光里程计，可输出相对定位结果。
同样该方法也存在一些限制。首先，若进行全局定位，需预先构建地图；第二，需要非量产的高线束激光雷达才能稳定工作。
视觉方案
前三种是基于激光雷达的方案，此外，基于视觉方案也是一个研究热点。纯视觉方案成本低，精度高，信息量大，但算法的鲁棒性低于激光雷达的方案。
雷锋网新智驾了解到，目前部分以L4级无人车运营为目标的初创公司，定位方案在硬件上大多使用高线束激光雷达和高精度的GPS/IMU。一方面，此硬件配置成本高，非车规，而且激光雷达安装在车顶，美观性差。另一方面，从高精地图的应用来看，公司需要使用高精度设备采集、更新三维点云地图，这给扩展和维护带来了很大困难。另外，自建地图很难与第三方地图兼容。所以，此类定位方案离量产还有比较长的路要走。
高精地图的三大特点包括，精度高、信息丰富、实时更新。
精度高：地图精度分为绝对精度和相对精度。绝对精度为分米级，相对精度能达到厘米级。自动驾驶领域，人们更关注的是相对精度。
信息丰富：除了常见的车道线、路标和交通标志外，高精地图还包括路肩、灯杆、树木以及高架桥等信息。
及时更新： 高精地图要求及时更新。
如今高精地图主要有两种表现形式：语义地图和定位地图。
语义地图：常见于图商，是传统导航地图的一种扩展。图商将原始的传感器信息，经过半自动或者人工处理，转换成语义元素。因此，语义地图没有任何传感器的原始数据，只有抽象的语义信息。
定位地图：多见于互联网公司和自动驾驶初创企业。除语义信息外，还包含用于高精度定位的原始传感器数据和部分低层级特征，比如原始点云或图像的特征点等。
在高精定位中，高精地图能带来三方面的帮助。一是为定位提供特征，此特征可是语义、几何、或外观的；二是为定位提供先验信息，例如人们通过高精地图知晓何地出现动态障碍物和干扰定位的元素；三是提升定位在特殊情况下的鲁棒性，例如恶劣天气和光照环境。
反言之，高精定位也能为高精地图提供帮助。
高精地图、高精定位和感知三者相辅相成。假如具备高精地图和感知结果，就可为定位提供先验信息；假如具备高精地图和定位结果，就可把地图元素投影到车体坐标系中，为感知提供先验信息；假如具备定位和感知结果，就可把感知元素反向投影回地图坐标系，将感知元素与地图已有元素进行比对。
面向量产的高精定位方案
针对高速公路自动驾驶场景，禾多科技根据对定位的需求把场景分为三大类：
没有高精地图的高速公路主路。此情况如同人类开车，并不需要车辆绝对的位置和姿态，只需提供准确的车道线并知晓自身车辆的相对运动，车辆就可以保持较好的行驶状态。
自动驾驶系统中的控制规划和感知是工作在车辆的局部坐标系内，与人类开车行为不谋而合。因此，定位只要保证平滑性和相对运动的准确性就可满足自动驾驶的需求。
其中，保证平滑性的目的是为了服务于控制规划，如果定位出现些许抖动，车辆控制可能会表现出方向盘抖动以及车辆走S形的情况；而相对运动的准确性则为控制规划和感知两者服务，对控制规划而言，相对运动为车辆控制提供准确反馈；对感知而言，准确的相对运动是估算其它障碍物的速度和位置的前提。
实际车道线检测结果如何呢？
现实中，单个车道线检测方面表现良好，但相邻车道的车道线检测的准确性表现较差，例如车辆在变道、超车、经过匝道时，系统稳定性将受到极大挑战。假如此时能够接入高精地图，结果将得到明显改善。
有高精地图的高速公路主路。该情况下，能进行准确的车道级定位。就可以从地图中得知车辆周围环境信息，并能够做到更精准的导航控制。
另外，还可实现更好的感知。一是地图能明确ROI（region of interest），降低计算量，得到更为准确障碍物结果；二是运用地图数据修正错误的感知结果，例如用地图数据修正不佳地车道线检测结果。
有高精地图的高速公路匝道。
从上图的左侧图中可以看出，匝道地方有大量高架桥，高架桥形成的遮挡会干扰GPS信号，造成GPS位置的跳变。从右侧的图中可以看到，匝道道路的曲率一般较大，对车道线的感知构成很大挑战。曾有报道称，Tesla车辆在匝道出现问题，比如撞上护栏。
所以，在车道线和GPS定位的可靠性较低的情况下，需要有一种更可靠的定位方式。比如采用视觉特征的定位地图来解决匝道问题，具体是将视觉定位、车道线定位、GPS/IMU融合在一起，得到较稳定的定位结果，从而解决匝道定位问题。
高速公路除外，面向“最后一公里”的智能代客泊车，同样是禾多科技聚焦的另一自动驾驶应用场景。
现如今，常见的低速L4级方案多用于泊车、接驳和运输场景。其中的技术解决方案都是在车端安装大量的传感器，并通过车端算法来解决车辆定位和感知问题。然而，量产化的方案对车辆上的传感器有严格的要求，对传感器的成本和计算单元都有所限制。
基于此限制，禾多科技提出了车端与场端结合的方案，通过降低车端传感器配置，将大量的计算转移到智能场端，从而满足量产化的需求。
最后，禾多科技L4级代客泊车解决方案HoloParking系统主要包含4个模块：终端用户的APP、云端大数据服务模块、车端模块和HoloParking的后台场端模块。在场端模块中通过多传感器融合算法来为车端模块提供准确的定位，感知和路径规划等信息，以满足车端L4级自动驾驶的需求。
雷锋网推荐阅读：
正在生成分享图...
卢洁萍