自动驾驶技术最新进展：自动驾驶系统与高精地图关系

本期，将与大家分享百度Apollo L4级别自动驾驶系统在高精地图方面的进展和相关的内容。话不多说，欢迎各位开发者一起进入进阶课程第6期。

SAE的自动驾驶分级

美国国家交通安全管理局将自动驾驶分为五个等级。SAE（SAE International, Society of Automotive Engineers 国际自动机工程师学会）将自动驾驶分成六个等级，国内广泛接受SAE的六等级分类方法。

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。

高精地图的定义

传统地图的技术不是不精确，而是尚未达到自动驾驶的需求。

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。

导航地图与高精地图的差别

左边是我们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。

右边的图是比较典型的复杂路口，包括人行横道、红绿灯、限速标牌、车道左转右转类型。

我们可以看到图中的路口中间有虚拟的连接线。真实道路中不存在连接线。连接线是为了让车辆更好的去理解环境，并在高精地图上表示出来。通过这一步，在人类构建的交通设施环境下，自动驾驶车辆便能运行。

自动驾驶领域对功能模块的划分

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。

ROS是业界普遍接受的实时操作系统，百度内部也在研发自己的操作系统。

编者注：

在2019CES的Apollo 3.5发布会上，Apollo正式发布首个自动驾驶高性能开源计算框架 Cyber RT。

Apollo Cyber RT系统是 Apollo 开源软件平台层的一部分，作为运行时计算框架，处于实时操作系统 (RTOS) 和应用模块之间。

Apollo Cyber RT作为基础平台，支持流畅高效的运行所有应用模块。

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。

下面让我们来逐一了解高精地图模块与其他模块之间的关系。

视觉与高精地图结合是比较典型的视觉定位方法

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。

目前主流Camera定位的视觉方案，会实时做LocationFeature的提取。在HDMap里面也存储了对应的一些Location相关的特征。经过两个提取特征的比较后可以得到相对准确的定位位置信息。

Camera下有GNSS，雷达也有。有初值之后可以减少搜索的范围，在工程上可以搜到更好的结果。

路边特征/车道线对比

左侧「路边的特征」图片是我们利用粒子滤波提取路边特征的演示。

车辆在初始位置时，Camera可以观测到在它左边有一棵树。这棵树可能是高精地图的Feature，通过Feature我们知道车辆可能的位置。

下一刻，Camera观测到它右边又有一棵树。通过这两个Feature的比对，再通过概率性叠加计算，几次迭代后就可以大概确定车辆所在道路的位置。

道路上的Feature是非常多的，除了树以外，也可能是车道线。

右侧「道路车道线」图片是基于车道线的匹配情况演示。通过Camera、DeepLearning和实时的检测模块，系统能够实时地检测到车道线。

从右图可以看出左边的车道线匹配情况不太好，右边的车道线匹配比较好，这时候能大概的确定我们在右边车道线对应的相关位置。

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。

超距离感知、障碍物感知与红绿灯感知

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的检测。

这样做不仅可以减少感知模块的工作量，而且可以解决DeepLearning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。

高精地图可以帮助车辆做到先验信息/轨迹约束/预测选择

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。

「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。

「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。

自动驾驶车辆联网后，遭受攻击无可避免

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。

安全的维度有很多。驾驶算法的稳定性和对场景的处理能力也属于安全范畴。

今天我们着重讲安全模块与高精地图的关系。

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。

Apollo提供的定位方案基于激光雷达反射值。反射值不准确就会对定位精度有影响，红绿灯对规划决策控制也有很大的影响。

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。

高精地图能在这里面起什么作用？

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。

仿真系统是自动驾驶非常重要的模块

自动驾驶车辆的成本很高。车辆的成本几十万，64线激光雷达的成本在8万美元。

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」，怎样做到「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。

高精地图可将人类经验赋予自动驾驶系统

上图是几个非常典型的、难理解的场景。

第一是在重庆的某地。路网非常复杂，我们目前的技术从算法层面无法理解如此复杂的交通场景。

第二个是雪天。雪天是非常难解的场景，雪天时路上的车道线全部被盖住了，不管是基于视觉还是雷达都无法正常运行。

2018年谷歌IO大会上提出了通过深度学习能够解决雪天的场景。在下雪过程中，激光雷达在扫描到雪花之后会误报出很多障碍物，通过深度学习能够把激光雷达上检测到的雪花障碍物过滤掉，最终得到跟没有下雪的场景一样，但是具体效果怎么样，并没有具体的数据披露。

第三个是复杂的红绿灯，这种红绿灯即使人看到也不知该如何处理。

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。

高精地图可以弥补系统性缺陷

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。

64线激光雷达、Camera和其他传感器，每时每刻都会产生巨量的数据，这些数据不能传回云端，就不能采用互联网的模式：通过云端计算把结果发送给终端。

5G是否能达到数据传输的要求还需要再验证。目前从5G的宣传层面来看，能够达到数据实时传输的效果，但是5G的普及还需要时间。所以我们现在把大量的数据都放在终端。

Apollo的自动驾驶车辆后面有非常大的计算单元。基于英特尔工控机，Apollo把所有的计算都放在车上，这会对计算速度和实时性有很大的影响。

我们希望Apollo的各模块都能达到实时级的响应，但是自动驾驶车辆的计算量太大，想要达到实时级的响应，仍需其他模块的辅助。

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。