作者 |?Aimee知圈 |?進“汽車操作系統社群”請加微信13636581676，備注系統自動駕駛過程中往往需要對所駕駛的環境進行比較精確而完整的表示，通常會采用網格圖的方式進行信息表示，網格圖是將車輛環境劃分為多個單元格，這些不同子單元格是以離散單元的方式表示的。這些圖譜中的每一個單元格都代表一個位置點，各個單元格都包含相應的位置數據信息。當感知端從不同的傳感器中推斷出網格細胞的狀態后，網格圖中的映射就對應到了傳感器數據融合后間接表示的位置形式。常用的網格圖分為二維或者三維兩種表示形式，存儲在各個單元中的信息類型以及單元的大小和形狀也有所不同，網格圖可以參考固定的全局坐標系或基于車輛的局部坐標系，并且可以在操作過程中在線生成，也可以在后處理步驟中離線生成。其過程可以通過自車的運動估計來確定，占用柵格圖的生成主要使用距離測量傳感器(例如激光雷達或毫米波雷達傳感器)完成。此外，通過基于相機數據的生成網格圖的方式也正在探索中。移動對象在網格地圖的構造中起著特殊的作用，特別是如果隨著時間的推移對可以對測量結果進行過濾。另外，關于實際應用的重要問題也包含有效的存儲器管理。如下將詳細介紹如何生成網格圖。

航位推算法計算自車運動關系為了產生一致的柵格圖，必須考慮車輛的運動。為了生成二維網格圖，還必須估計車輛的姿態(位置和方向)，使用GNSS可以估算車輛的絕對位置。該方法的缺點在于，不能保證接收一致性并且精度波動很大，因此，對于許多應用而言，建議在網格圖和全局坐標系之間建立一定的關系，也即使用航位推算來完成建圖。下圖中示出了在兩個時間點t1，t2(t2＞ t1)處的車輛姿態。在時間t 1處，在網格圖的坐標系中車輛姿態表示為p1=[x1，y1，ψ1] T。此處，x和y對應于車輛位置，ψ對應于車輛的方位角(亦或稱為偏航角)。現在的目標是將在時間t2進行的測量輸入到網格圖中。因此，必須確定在時間t2的車輛姿態p2，其中，車速v和偏航率yawrate是可測量的。另外，假設在每個時間點，車輛均沿著航向角ψ的方向上運動，即車輛位置的變化可以表示如下左邊等式，而車輛在位置點2的姿態可以通過如下右邊等式計算出來：假設在時間間隔[t1，t2]內，車輛以恒定速度、恒定偏航角速度在圓形路徑上行駛，其中。在這種情況下，等式中的積分可以通過如下等式計算得到：當沿著直線行駛時，其偏航角速度，位置p2計算如下：通常通過測量輪速并分別通過偏航率傳感器來估計橫擺角速度ψ，高速情況下，汽車滿足線性關系，車輛的航向角近似于偏航角正比例函數。實際的運動方向由航向角v給出，該方向值v與偏航角ψ有所不同，其差異項用動態側滑角表示。如果已知車輛的側滑角和側滑率，則不可以再利用橫擺率來近似航向角。根據網格圖的預期用途，可以采用各種方法來估計自車位置。只要不發生對側滑角估計產生負面影響的極端駕駛操作(如濕滑路面急速打方向盤)，就可以使用航位推算來構建具有較高精度的柵格地圖。但是，由于自車運動估計中的誤差是累加的，導致其生成的網格圖相對于實際車輛環境表現出失真，該失真通常隨行進距離而增加。因此，這些柵格圖主要適合于在有限的空間區域內，例如僅幾百m的路段內的車輛環境的表示。另一個應用是周圍環境的地圖繪制，車輛在該環境中反復通過一個點，例如在停車場。重新進入先前映射的區域時，柵格地圖中的會產生干擾性失真。另一種類似情況是在估計車輛姿態時使用高精度GPS測量來支持車載傳感器探測過程。此外，定位和映射(SLAM)算法可以將來自環境檢測傳感器的測量結果包括在自車運動估計中。

生成網格地圖的算法對于許多先進的駕駛員輔助系統，有關車輛環境中可行使區域free space的信息預測是進行自動駕駛控制的前提條件，這里的可行使區域是指車輛可以行駛而不會發生碰撞的區域，占用柵格地圖提供了詳細描述障礙物占據車輛環境的哪個區域的可能性。在這種情況下，經典的占用柵格圖尤其適合于描繪靜態或緩慢變化的環境。1、基于雷達(激光或毫米波雷達)的格柵圖生成測量距離的傳感器最適合生成占用柵格圖，因為它們可以直接推斷各個單元的占用狀態，基本概念可以根據以下簡化示例進行說明。上圖示意性地說明了多光束激光雷達傳感器對二維占用柵格圖的可行使區域探測。激光雷達的光束被障礙物反射后，假定位于傳感器和反射點之間的像元是自由的(如白色)，這就可以推斷出相應單元格的占用情況(以黑色顯示)，且此測量過程中不提供有關其他單元格的信息(顯示為灰色)。這種模型也被稱為反向傳感器模型，且假定在一定時間內其單元格的占用狀態不會隨時間變化，但是通常來說，它要復雜得多。因為傳感器測量固有地受到不確定性的困擾，因此，僅僅靠測量值不可能對單元的占用率做出明確的表述。為每個細胞單元計算出占用概率p(o)，其中o表示單元被占用的事件。對立事件的概率(自由像元)對應于互補概率。概率逆傳感器模型是基于傳感器測量值將某個單元可能被占用的情況進行概率統計。下圖顯示了一個示例的概率逆傳感器模型，該模型基于使用激光雷達的單波束距離測量。其中，左側部分顯示了占用概率p(o)與傳感器的距離r的關系，各個單元彼此獨立建模，反射點區域中的像元接收到的概率大于0.5。相反，傳感器和反射點之間的單元的占用概率低于0.5。該區域通常稱為自由空間，逆傳感器模型的相應部分通常稱為自由空間函數。逆傳感器模型考慮了傳感器的測量精度以及網格圖中車輛姿態估計的不確定性。因此，除了包含反射點的像元外，其他多個像元也被分配了更高的占用概率。在此示例中，假定越靠近傳感器的自由空間，其是否被暫用的概率的確定性就越大，這說明錯誤測量的可能性隨著與傳感器的距離的增加而增加。同時在計算過程中還應該考慮對三維車輛環境的二維建模可能導致結果測量的不確定性。例如，當障礙物由于其合適的大小或在車輛恰當的俯仰狀態下才能位于LIDAR光束探測范圍內時，就會導致對于障礙物的探測結果魯棒性降低，這也是自由空間安全性降低的另一個原因。航向角方向上的建模類似地執行，上圖中的右手部分示出了反向傳感器模型的鳥瞰圖。在逆傳感器模型的此示例中，每個LIDAR光束都是單獨建模的，由于該映射算法基于由許多獨立光束組成的完整LIDAR測量來計算占用概率，因此這種建模影響了映射算法集成。反向傳感器模型設計的基本目標是在保持較小復雜度和計算量的同時，盡可能精確地重建傳感器的特性，當然，一些方法還應用機器學習算法來推導逆傳感器模型。毫米波雷達的反向傳感器模型的不同之處在于，RADAR反射也可能會穿過物體。因此，雷達傳感器的自由空間功能更加復雜。對于毫米波雷達而言，方位分量的不確定性通常比對激光雷達傳感器更大。此外，RADAR測量通常以網格圖的形式存在，以傳感器為參考并以極坐標構造。由于不同雷達傳感器的特性不同，相應的反向傳感器型號也會有很大差異。可以創建一個簡單的傳感器模型，將來自RADAR的強度測量值輸入為柵格地圖中的位置，而無需使用自由空間功能。然而，這導致占用率較大幅度增加的情況。2、基于攝像機數據生成網格圖相機數據也可以用于生成三維網格圖，立體相機可在傳感器的近距離檢測范圍內提供近距離的距離測量，單目攝像機不提供任何三維信息。根據針孔相機模型，在三維空間中為圖像的每個像素分配光束。然而，在某些假設下，可以推斷出圖像像素與二維網格圖的坐標之間的變換。假定車輛所在的行駛表面是平坦的，并且該表面上方的攝像頭高度是恒定的，并且車輛沒有進行任何俯仰或側傾運動。這些假設合在一起就是平坦世界的假設。為了計算變換，必須在網格地圖坐標中知道相機的三維姿態坐標。該姿勢是由車輛姿勢和外部攝像機校準產生的。然后最終允許從相對于相機的三維空間轉換為相機圖像中的像素。總而言之，稱為反向透視映射(IPM)的此過程允許將二維路面上的每個點分配給一個圖像像素，只要前者位于相機的檢測范圍內即可。IPM使攝像機數據可以引入網格地圖中。示例是灰色調或視頻圖像中分類的對象。上圖顯示了IPM應用于生成網格圖的示例。在此，一個單元的占用概率與存在道路標記的概率相對應。分類算法檢測道路標記，然后根據合適的反向傳感器模型將其引入到柵格地圖中。

基于貝葉斯濾波器的融合如果尚無關于單元格占用的信息，則將占用概率假定為p(o)=0.5，并設定該值為每個單元格的初始值。如果一個單元存在多個信息源，則將信息合并。根據反向傳感器的型號，前面的例子中如果測量激光雷達發出的每個波束都被單獨處理，則會發生信息合并的這種情況。這也取決于應用，通常情況是將多個連續的測量值合并到占用柵格圖中。基于如上假設，多個測量值zi可以使用靜態二進制貝葉斯濾波器進行合并：假設如下兩種條件概率，其中測量值z1，z2是獨立的，假設初始概率假定值為p(o)=0.5,則合并后的概率表示如下：其中合并規則如下：占用概率會增加以前的占用概率，占用概率對應于中性元素，并且組合順序無效。使用組合規則，可以將來自不同傳感器或時間點的測量結果相互組合，但是，實際實現網格圖的一個重要假設是各個單元具有獨立性。單元之間的依賴關系實際上存在，原則上可以解決，但是它們極大地增加了創建網格圖所需的計算量。1)網格映射過程下圖顯示了所提出的逆傳感器模型的映射算法的序列計劃。在此示例中，激光雷達測量由多個單獨的光束組成。如果在時間ti進行輸入的測量，則首先估算在時間ti的柵格圖中的傳感器姿態。隨后，將每個光束zh分別合并到網格圖中。首先根據逆傳感器模型計算每個受影響單元格的占用概率p(o|zh)，然后將其與占用概率p(o|zh-1,…,z1)相結合，z1是先前激光雷達光束的結果。對于每個像元，可將來自前一時間步長的占用概率用作當前像元的假設預測值。如下圖表示了一種利用逆傳感器模型生成的占用網格圖，該傳感器為多波束激光雷達產生。2)實踐過程中的格柵占用解析車輛隨時間變化是格柵占用情況變化的基本事實，二維網格圖和二維反向傳感器模型僅描述了三維車輛環境的一部分，而在某些特定的三維環境情況中這可能會導致矛盾，因為周圍環境的海拔輪廓也會影響網格圖，例如，某個時間點在交通標志或橋梁下方進行LIDAR傳感器的多光束檢測時，其檢測到的對象在隨后的時間點可能被該對象反射回來。逆傳感器模型的示例未解決如何對不產生反射的光束進行建模。在這種情況下，逆向傳感器模型通常會假設光束所穿過單元格的自由空間達到設定的最大距離。但是，此類單元的自由空間概率低于反射和傳感器之間的單元，因為尤其是在街道環境中，比如測量波束反射到黑色的亞光表面或光滑的表面(例如以銳角撞擊的護欄)上時，LIDAR光束可能撞擊物體而無需測量反射。3)如何進行運動物體的網格表示在許多應用中，顯式的使用網格圖來檢測動態對象。應用靜態二進制貝葉斯濾波器的前提條件是假設單元格不改變其占用狀態，對于幾乎同時記錄的單個LIDAR光束的組合，由于單元在如此短的時間間隔內不會改變其占用或空閑狀態，因此該濾波器算法中的假設在計算期間始終是成立的。而對于較長的時間間隔，該車輛環境的動態對象存在違反了相應的假設約束。從本質上講，在動態對象檢測中，可以通過相對簡單的動態對象分割方法加以區分，從而從靜態環境中識別它們。一種簡便方法是引入記憶因子，在該情況下，對單元格占用率的推斷不僅取決于空間，還取決于時間條件。因此，隨著測量值的增加，在加權計算過程中需要利用較新的度量值代替比較舊的度量值，對于單元格占用概率的推斷就不太確定。同時通過確定單元格占用概率的時間一致性來完成此操作，將始終被占用或空閑的單元分配給靜態環境，將占用概率波動很大的單元格標記為動態占用區域。尤其針對在前一時刻被檢測為空閑的區域中在下一時刻發生占用的情況通常被視為檢測到動態對象。網格圖的生成通常用作軌跡跟蹤算法的預處理，更精細的系統體系結構需要建立網格圖和跟蹤算法之間的依賴關系。

總結自動駕駛系統開發過程中往往需要對駕駛環境進行定性描述，也需要在軌跡規劃過程中對軌跡形狀點，潛在風險目標等進行定量描述，比如針對比較常用的可行使區域的定義就需要定義比較對環境障礙物進行打點，然后依次畫圖構建相關的行駛邊緣來構建駕駛安全框架。這一過程就需要在開發前期對環境進行有效的建模，通常采用的方式是通過定義網格的形式進行障礙物建模的，而網格定義過程中需要充分考慮到傳感器探測過程可能帶來的失真。同時，在探測過程中需要充分考慮目標是移動的還是靜止的，對于移動的物體需要進行提前分割，對于分割后的運動物體進行單獨的目標跟蹤估計。

總結

以上是生活随笔為你收集整理的网格合并之后物体的位置改变了_基于网格映射对自动驾驶环境信息表示方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。