相对地图和导航线在自动驾驶场景中是如何工作的?

2018年6月23日，由百度主办、佐思产研、佐智汽车承办的第4期《Hello Apollo，自动驾驶公开课》——“Apollo2.5限定场景低成本技术方案解析”在上海市徐汇区COCOSPACE成功举办，吸引了近300位来自车企、零部件企业、自动驾驶初创企业、高校等的开发者参加。本次公开课邀请了百度自动驾驶事业部的资深工程师们以及Apollo的生态合作伙伴，一起与开发者们交流。

在本次公开课中，杨凡老师演讲的主要内容包括：Apollo开放平台简介、Apollo能力开放简介、Apollo资源开放与研发迭代新模式、Apollo生态阶段性成果介绍。

杨凡，百度自动驾驶事业部资深架构师，

负责产品化解决方案

从2017年4月份宣布Apollo计划，到9月份实现了固定车道的自动驾驶，到2018年1月份完成了2.0的完整模块点亮，到2.5实现了限定场景的低成本解决方案。

Apollo会在2018年、2019年一步一步的规划达到L4、L5级别。Apollo社区在Github已经有9000位活跃的开发者，有2000以上的开发者已经fork了代码，正在完成自己的自动驾驶开发。所有的开发者贡献的代码行数已经超过了20万行，是世界上最活跃的自动驾驶社区。

Apollo2.5满足了开发者们的以下四个需求：

开发者需要的更多场景；

完成场景的基础上，需要更低的门槛；

需要更强有力的工具；

需要支持更多的车型。

Apollo2.5对更多场景通过视觉进行支持，Apollo2.5点亮了高速公路场景，实现了限定场景的低成本化；Apollo2.5通过使用相对地图，解除了高精度地图对开发者的壁垒；通过完整的车端和离线工具链支持，可以让开发者方便调试系统；最后将和开发者一起实现更多车型。

首先是基于视觉的支持，就是camera。Apollo2.0以前是基于lidar做的，lidar有自己的优势，有精确的3D能力，对定位有非常好的效果，但是它的缺点也是很明显的。Lidar即便用最好的64线，有效感知距离不会达到百米，一般是六七十米的状态。对于各种各样的干扰来说，它其实是不够稳定可靠的。更重要的是激光雷达的确有点贵，一般几十万，供货周期长，而且对于雨雪天气这种比较复杂的场景有一定的局限性。

Apollo2.5提供的是基于视觉的解决方案，Camera的好处之一是雨雪天气可用；另外一个好处，Camera已经在众多领域应用广泛，成本是相对低，技术方案也比较成熟。Camera分辨率相对高，视距可以达到一两百米，它的劣势在于是被动的感知能力，所以它依赖光照，最明显是夜间效果很不好。

Apollo 2.5的初衷，是选择一个最有效、解决多场景，成本又最低的解决方案。首先使用相对少的传感器组合，来完成低成本的自动驾驶，通过这个方案可以点亮高速场景，在高速场景下，不依赖于高精地图。

基于这个逻辑，明确Apollo 2.5要实现的目标，首先输入是Camera图像和毫米波雷达，图像这部分分解比较复杂一些。首先是预处理，预处理实际上很多操作是ISP之后做的，主要是负责曝光、增益、去马赛克等。另外对于高速这种场景，需要有足够高的频率来更新识别结果，需要实时的识别，一定要限制它的计算资源。

Apollo 2.5提供了低成本的自动驾驶能力，它只用了一个Radar和一个Camera，所以在Co-trained-network达到76fps，通过对最近障碍车的追踪，进行信息的补足，可以完成ACC，最后和Radar完成Sensor Fusion。

那如何把高精度地图的门槛降到大家很容易接受的程度呢？高精图制作成本太高，而且专业性非常强，还有很多法规上的制约，使得开发者很难快速的、大规模进行实验。在限定场景下，其实是可以通过相对地图来解决问题。

从架构层面，相对地图模块是连接高精地图(HD Map)、感知(Perception)模块和规划(Planning)模块的中间层。相对地图模块会实时生成基于车身坐标系的信息，并且输出供规划模块使用的参考线。

相对地图基于车辆坐标系，其原点位于车辆本身。车道线是地图中的重要元素，以确保自动驾驶车辆做出合理的决策并进行安全的轨迹规划。

目前，导航模式可完成加减速、跟车、遇障碍物减速停车或在车道宽度允许的情形下对障碍物绕行等功能，后续版本的导航模式将会进一步完善以支持多车道行驶、交通标志和红绿灯检测等。

在相对地图中，车道线数据是通过基于摄像头的车道感知而生成的，并且包含基于云端的导航线（Navigation Line）。下图阐释了导航线是如何生成的。

导航线在自动驾驶中扮演着多种角色。第一,导航线作为出发点与目的地的连接线，可以保证车辆不会偏离；第二，导航线可以生成Referenceline用于驾驶决策；第三，为高精地图提供载体；第四，导航线是相对地图的重要组成部分。

导航线有以下特点：

1. 导航线是按照驾驶员驾驶路径设计，所以安全性和舒适性是有保障的；

2. 更重要的是，基于驾驶数据，导航线可以自动生成，大大降低了开发成本；

3. 可以与视觉感知系统配合生成基本的地图信息，可以适用于比较简单的驾驶场景，比如高速公路、乡村道路等；

4. 导航线可以与高精地图兼容，生成复杂的驾驶场景，例如城市道路。

下面我们举例说明，相对地图和导航线在自动驾驶场景中是如何工作的。

1. 在如下图highlight区域部署自动驾驶场景；

2. 在实现真正的自动驾驶之前，我们需要采集导航线，经过驾驶员对驾驶路径的采集，后期可以转换成为导航线（如下图绿色线条）；

3.需要实现从A→B的自动行驶；

4. 按照传统地图（百度地图or谷歌地图）导航，生成的轨迹1（蓝色线条）；

5. 在接到导航需求时，系统会选择一条最匹配的导航线（黄色标线）用来导航；

6.系统为决策模块提供多条导航线，可以实现变道功能。

通过使用这种方法，我们可以创建一个与高精地图数据格式相匹配的相对地图，并基于事先录制好的人工驾驶轨迹和摄像头的感知进行车道检测。

在行驶过程中，相对地图数据的计算和更新频率为10Hz，相对地图数据来源一是基于视觉感知的车道标识，二是基于云端的导航线，而且相对地图支持以下三种自动驾驶场景：

模式1，仅依靠视觉感知的车道标识

适用场景：

1、定位缺失；

2、只有来自感知系统的车道线识别；

3、车道保持与自适应巡航。

在基于参考线录制模式时，会依赖录制的参考线与实时摄像头信息生成的Relative Map行驶，此时需要GPS定位。当GPS失效时（比如通过某个隧道），系统将自动切换为基于纯摄像头模式，此时只依赖实时摄像头生成的车道线信息行驶。只要有车线可以辨别，车会沿着车道中心线一直开（Lane Keeping）。如果车道线不可辨别，需要人来接管。

相对地图模式2，依靠视觉感知与云端导航线

适用场景：

1、感知系统检测的车道标识

2、能从云端获取导航线

3、高速道路或者车道线不清晰的乡村道路

此条件下，导航线与感知系统结合生成地图数据，用于车辆决策。

相对地图模式3，依靠视觉感知、云端导航线以及高精地图

适用场景：

1、车道标识不是来自于感知系统检测，而是基于历史驾驶数据以及高精地图生成；

2、能从云端获取导航线

3、城市道路

此条件下，导航线结合高精地图，能实现城市道路的规划决策。

相较来讲，相对地图的精度较低，仅限于某些用途。但它却有着不容忽视的优势，成本更低，周转更快，并且制作起来更容易，还可以实现实时更新。

DreamView是比较常用的工具，是一个综合调试工具，在车上它是一个中心，可以精确看到关于车辆的自动驾驶情况，它可以监控所有组件的工作状况，当在车下的时候，可以通过线下或者云端vwin 器使用，是非常有效的工具，它可以帮开发者“看到”所有可视化的一切。