自動駕駛車輛需要準(zhǔn)確且穩(wěn)健的定位和地圖構(gòu)建算法，以在城市環(huán)境中安全可靠地導(dǎo)航。本文提出了一種基于LiDAR傳感器的離線地圖構(gòu)建和在線定位的新型傳感器融合方案，所提出的方法利用了四個LiDAR傳感器，地圖構(gòu)建和定位算法基于KISS-ICP，具有實時性能和高精度。介紹了一種生成語義地圖的方法，用于駕駛?cè)蝿?wù)，如路徑規(guī)劃。所呈現(xiàn)的方案已集成到基于ROS 2的Autoware軟件棧中，為自動駕駛應(yīng)用提供了穩(wěn)健而靈活的環(huán)境。展示了該方案在給定的研究車輛和實際自動駕駛應(yīng)用中優(yōu)于最先進(jìn)的方法。

穩(wěn)健而準(zhǔn)確的定位在城市自動駕駛領(lǐng)域起著核心作用，特別是在周圍建筑物高聳的城市區(qū)域，需要具有不僅依賴全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）的定位系統(tǒng)，這就是同步定位與地圖構(gòu)建（SLAM）問題發(fā)揮作用的地方，解決SLAM任務(wù)的首選傳感器是LiDAR傳感器，在自動駕駛的背景中得到了廣泛應(yīng)用，規(guī)劃軌跡并在這些地圖環(huán)境中行駛需要額外的語義地圖，包括車道信息。

激光雷達(dá)相關(guān)工作

LiDAR SLAM: 過去幾年中，LiDAR SLAM方法在不同的方法中展現(xiàn)了令人信服的結(jié)果。一些表現(xiàn)最佳的算法包括LOAM、MULLS和CT-ICP。KISS-ICP算法是一種迭代最近點（ICP）方法，側(cè)重于易于適應(yīng)。它保證可以在多種應(yīng)用和用例中立即有效地工作，并且是為實時和實際應(yīng)用而開發(fā)的。然而KISS-ICP是一種針對LiDAR測距算法，因此不提供循環(huán)閉合或后端優(yōu)化。

多LiDAR定位：一些工作已經(jīng)處理了多LiDAR系統(tǒng)及其附加挑戰(zhàn)。與單一LiDAR的主要區(qū)別在于傳感器時鐘的空間校準(zhǔn)和時間同步至關(guān)重要，M-LOAM是LOAM的擴(kuò)展，它添加了多LiDAR支持，還具有在線校準(zhǔn)的能力。其他方案側(cè)重于LiDAR-LiDAR校準(zhǔn)，這對于融合來自不同傳感器的點云至關(guān)重要。

自動駕駛車輛（AVs）的地圖制作：除了3D點云地圖外，大多數(shù)自動駕駛軟件堆棧都基于提供語義信息的高精（HD）地圖。一個挑戰(zhàn)是在規(guī)模上生成這些地圖并保持其更新。使用車載傳感器數(shù)據(jù)和航拍圖像的自動化方法的回顧可以在[14]中找到。語義地圖的方法可以是基于深度學(xué)習(xí)的，也可以是基于傳統(tǒng)算法的，Lanelet2是一種廣泛使用的車道級地圖格式。

車輛配置

用于實現(xiàn)這項工作的自動研究車輛EDGAR（圖1）具有四個LiDAR，其中包括兩個Innovusion Falcon Kinetic，用于前后的遠(yuǎn)距離，以及兩個Ouster OS1-128，傾斜20度放置在車輛兩側(cè)，以覆蓋車輛周圍的近中距離。

圖1：用于研究的車輛EDGAR

圖2顯示了LiDAR的視場（FOV），相對較多的LiDAR數(shù)量是作為整體車輛概念的一部分選擇的，以在城市和擁擠區(qū)域中安全駕駛，避免與許多近距離的物體（如行人）發(fā)生碰撞。

圖2：EDGAR LiDAR的鳥瞰視角中的視場

因此定位模塊必須融合LiDAR數(shù)據(jù)，以實現(xiàn)可靠且穩(wěn)健的定位，在具有GNSS覆蓋范圍的區(qū)域進(jìn)行參考定位時，可以使用RTK校正的差分GNSS系統(tǒng)。表I列出了相關(guān)的硬件組件。

整體流程如圖3所示。在對原始數(shù)據(jù)進(jìn)行預(yù)處理后，我們離線構(gòu)建了一個3D點云地圖和語義地圖，并將其參照GNSS軌跡，在線使用點云地圖通過掃描配準(zhǔn)來定位車輛，一個擴(kuò)展卡爾曼濾波器（EKF）融合了所有信息并輸出高頻自身狀態(tài)，該流程集成到基于Autoware1軟件棧的自定義ROS2環(huán)境中。

圖3：介紹的多激光雷達(dá)定位和建圖方案概述

傳感器融合

傳感器融合策略對流程的性能至關(guān)重要。在處理點云之前，會應(yīng)用預(yù)處理步驟，如體素濾波，以減少數(shù)據(jù)量。此外，必須進(jìn)行去畸變校正，以減少LiDAR掃描的運動模糊。許多問題源于傳感器數(shù)據(jù)的空間校準(zhǔn)或時間同步的不準(zhǔn)確性。為了最小化這些問題，我們?yōu)槊總€LiDAR掃描運行單獨的配準(zhǔn)，而不是在配準(zhǔn)之前融合所有點云。首先將每個掃描轉(zhuǎn)換成一個聯(lián)合框架，然后與地圖匹配，通過這種方式，我們無需關(guān)心單個掃描之間的時間差異，也可以輕松補(bǔ)償校準(zhǔn)誤差。

地圖構(gòu)建

地圖構(gòu)建流程包括3D點云地圖和語義地圖方法，用于提取車道級別的信息。

點云地圖：為選擇地圖方法，評估了先前提到的SLAM算法，由于非典型的LiDAR配置和上述一些挑戰(zhàn)，一些LiDAR SLAM算法未能創(chuàng)建一致的地圖，這里采用分離幀掃描配準(zhǔn)的KISS-ICP在地圖創(chuàng)建方面表現(xiàn)出穩(wěn)健的行為，地圖經(jīng)過交互式SLAM后處理。該框架允許在軌跡沿途的個別姿勢基礎(chǔ)上執(zhí)行回環(huán)閉合和圖優(yōu)化。

語義地圖：路徑和行為規(guī)劃需要語義地圖，語義地圖流程的目標(biāo)是盡可能自動化，然而仍然需要手動語義地圖流程來糾正錯誤標(biāo)記的部分并生成地面實況數(shù)據(jù)，對于手動語義地圖，使用Vector Map Builder2。通過標(biāo)記車道邊界等手動標(biāo)注點云地圖，正在開發(fā)自動語義地圖流程以實現(xiàn)更好的可擴(kuò)展性。點云地圖經(jīng)過基于強(qiáng)度的過濾，以提取白色道路標(biāo)線。使用沿駕駛軌跡的滑動窗口方法檢測路沿帶。這兩個基本的道路邊界元素在先驗語義地圖中融合，在沒有線和路沿帶的情況下，語義信息用于提取道路邊界。因此在構(gòu)建點云地圖之前，通過將LiDAR掃描投影到分段的2D攝像機(jī)圖像中，為它們涂上語義標(biāo)簽。由于多LiDAR設(shè)置，先進(jìn)的3D LiDAR分割算法效果不佳。然后，將被分割為道路的區(qū)域邊界與現(xiàn)有的語義車道地圖融合。自動語義地圖流程在圖4中可視化。

圖4：從激光雷達(dá)點云和語義圖像中提取語義街道圖

地理參考：由于在地圖構(gòu)建過程中未使用GNSS，因此必須對地圖進(jìn)行地理參考以允許在定位期間使用GNSS，經(jīng)過UTM投影到本地笛卡爾坐標(biāo)后，使用Umeyama算法粗略對齊軌跡，手動選擇每個軌跡的一定數(shù)量的對應(yīng)控制點。基于這些點云使用linear rubber sheet transformation 來匹配軌跡。然后將這些變換應(yīng)用于地圖。投影到全球坐標(biāo)提供了地理參考的地圖，這還使得可以使用來自O(shè)penStreetMap的信息對語義地圖進(jìn)行自動豐富和評估。請注意，linear rubber sheet變換僅在2D中起作用。

在線定位 

根據(jù)地圖構(gòu)建的結(jié)果，定位也基于KISS-ICP，因此該算法已經(jīng)被擴(kuò)展。在定位模式中，標(biāo)準(zhǔn)實現(xiàn)中使用的局部地圖被先前創(chuàng)建的點云地圖替換，以實現(xiàn)可靠的無漂移定位。此外算法可以使用外部狀態(tài)估計器的估計值對點云配準(zhǔn)的初始姿勢進(jìn)行估計。基于Autoware實施了一個基于擴(kuò)展卡爾曼濾波器（EKF）的方案，用于融合LiDAR配準(zhǔn)、GNSS、IMU、輪速信息和車輛動力學(xué)模型的假設(shè)。

結(jié)果

所提出的流程使得能夠創(chuàng)建用于自動駕駛的準(zhǔn)確且詳細(xì)的高精晰度地圖，由KISS-ICP離線創(chuàng)建的地圖顯示出在配準(zhǔn)的點云幀之間具有高一致性。然而在整個軌跡的長度上積累了大量的漂移。在交互式SLAM中的后處理可以顯著減小絕對位置誤差（APE）。在我們的示例中（圖5），APE的均方根誤差（RMSE）從12.7米減小到3.6米。

圖5：KISS-ICP軌跡的APE（a）和通過交互式SLAM后處理的軌跡（b）

這使得可以利用GNSS的絕對位置，結(jié)合LiDAR配準(zhǔn)的相對估計用于定位。圖6顯示了使用所提出的流程生成的點云地圖。

圖6：在TUM Campus Garching生成的點云地圖的局部截圖

討論 

盡管在創(chuàng)建地圖和定位方面取得了良好的結(jié)果，并且在定位方面采用了強(qiáng)大的方法，但我們的流程仍然存在缺點。單個LiDAR傳感器的配準(zhǔn)可以補(bǔ)償同步和外參校準(zhǔn)誤差，但它會導(dǎo)致軌跡嘈雜，因為姿勢會在校準(zhǔn)不良的傳感器幀之間跳躍，附加的計算要求將需要更詳細(xì)地研究。我們的地理參考依賴于參考軌跡，這需要可靠的GNSS信號，結(jié)果的精度直接取決于外部位置信號的標(biāo)準(zhǔn)差。此外語義信息提取的性能強(qiáng)烈依賴于所選擇的場景，由于缺乏標(biāo)記數(shù)據(jù)，目前無法對真實世界數(shù)據(jù)進(jìn)行全面的量化，該流程僅在TUM校園周圍的有限環(huán)境中進(jìn)行了測試，為更好地評估整個流程的穩(wěn)健性，有必要對各種真實世界場景進(jìn)行評估。

在這項工作中，我們提出了一種用于AV多LiDAR建圖和定位的流程，與最先進(jìn)的SLAM算法相比，我們對傳感器融合和分離的LiDAR配準(zhǔn)的方法已經(jīng)證明是有效的，通過對點云地圖進(jìn)行后處理進(jìn)一步改善了結(jié)果并將其與全球參考坐標(biāo)系關(guān)聯(lián)起來。展示了如何合并不同的數(shù)據(jù)源以向地圖添加語義層，在靜態(tài)地圖中使用多模態(tài)定位，即使在GNSS受阻的城市道路交通中，也能實現(xiàn)可靠的定位。為了提高方法的穩(wěn)健性和準(zhǔn)確性，將開發(fā)一種在線多LiDAR校準(zhǔn)方法，此外，需要進(jìn)行更全面的評估，以充分量化我們的方法。