前文提到兩種基本的關(guān)于優(yōu)化自動駕駛常規(guī)定位策略的方法，其中基于GPS的傳統(tǒng)定位系統(tǒng)可以達到初級自動駕駛定位效果，其定位精度可以達到米級，一般應(yīng)用在對于精度要求不太高的輔助駕駛功能中，比如隧道限速，彎道限速等。而針對更高級別的自動駕駛功能需要提供更高精度的定位策略，甚至高達厘米級，如需要進行精準(zhǔn)的車道限速，車道線信息識別等，傳統(tǒng)的定位策略就無法滿足檢測要求。故此，誕生了基于激光雷達的高精度定位策略，考慮到價格因素，該方案也未被大量廣泛的應(yīng)用。
在實際應(yīng)用過程中，需要通過不斷地對比分析實現(xiàn)定位策略優(yōu)化，本文將進一步討論另外兩種定位優(yōu)化策略。
基于視覺方案的傳感器定位策略主要是利用攝像頭搭載到車輛前端或側(cè)端檢測環(huán)境信息，以便計算車輛運動。大致原理是通過對輸入的視頻流進行一定的處理，利用視頻之間的變換矩陣（實際是記錄每一個車身姿態(tài)）來復(fù)現(xiàn)車輛運行軌跡。一個典型的基于視覺傳感器的定位步驟如下：
從以上圖中可以看出，視覺估計基礎(chǔ)算法的第一步是進行場景探測生成圖像序列，第二步是對圖像序列進行特征點提取，第三步是將提取的特征點與先驗的圖像信息進行幀匹配，第四步是根據(jù)匹配圖像進行運動向量估計，也即計算出i幀圖像與i-1幀圖像之間的變化量，這里我們用變換矩陣T來表示，第五步是使用視覺分析中常用的光流跟蹤法對局部軌跡特征進行估計和更新。
然而在實際操作過程中，針對運動向量估計的方法包含了兩種不同的硬件方案，即單目攝像頭方案和多目攝像頭方案。原則上單目視覺方案是沒有辦法探知到實際的深度信息的，從下圖中即可看出：當(dāng)不同遠(yuǎn)近的三個物體分別由攝像頭A進行探測時，其發(fā)射到攝像機圖像平面的點是在同一個位置，這樣來說，實際是無法完全由A相機來分辨三個物體遠(yuǎn)近的。然而，此情況對于攝像機B來說卻是投射到不同的相機平面坐標(biāo)系中，這樣便可以很輕松的通過幾何關(guān)系找出三個物體的遠(yuǎn)近信息。這就是通過雙目（甚至多目）攝像機檢測深度信息的原理。
然而，針對搭載到車輛端的單目攝像機，其車輛的運動會導(dǎo)致攝像頭并未處于靜止?fàn)顟B(tài)，其運動特性對于環(huán)境中同一個點的探測便成為類似B相機觀測的圖像數(shù)據(jù)類型。這樣對于環(huán)境目標(biāo)的深度信息便可以大致的探測出來了。
對于視覺傳感器的估計方法中針對不同的視覺傳感器配置，會產(chǎn)生完全不同的視覺分析結(jié)果，下面分別就單目攝像頭配置和雙目攝像頭配置對環(huán)境探測產(chǎn)生的不同影響進行對比分析。具體的單目視覺估計方案的關(guān)鍵步驟是利用攝像機移動探測到的視頻序列進行運動向量估計，其估計方法如下：1）檢測并存儲第一幀數(shù)據(jù)，這里稱之為關(guān)鍵幀intraframe，這里表示為fi-1；2）檢測下一幀數(shù)據(jù)，并將關(guān)鍵幀fi-1和當(dāng)前幀fi均進行特征點提?。?/section>3）以關(guān)鍵幀fi-1為基準(zhǔn)，將當(dāng)前幀和關(guān)鍵幀進行特征點匹配得到匹配后的運動向量值M=（x，y，t）；其中（x，y）表示平移向量，t表示旋轉(zhuǎn)向量；4）接下來其他N幀數(shù)據(jù)分別以前一幀數(shù)據(jù)作為參照進行運動向量估計，即；
5）由于每次數(shù)據(jù)均是參照前一幀進行估計，可能形成較大的估計誤差，故需要設(shè)置一定的代價函數(shù)cost值，當(dāng)cost值在一定程度上大于設(shè)置閾值時，認(rèn)為估計不精準(zhǔn)，需要重新插入關(guān)鍵幀，進行重新估計； 單目攝像頭檢測方案中，均需要保證攝像頭的相對運動才能從變化的視頻序列中估計出車輛運動信息，然而這樣的探測方案對于車輛所處的絕對位置是未知的。因此相對運動和三維結(jié)構(gòu)都必須遵從二維數(shù)據(jù)的計算規(guī)則。一般情況下，第一幀和第二幀姿態(tài)之間的距離通常設(shè)置為固定值，以建立初始的三維結(jié)構(gòu)。當(dāng)檢測到下一幀圖像數(shù)據(jù)時，利用初始化的三維結(jié)構(gòu)信息可以確定相對于前兩幀的尺度信息和姿態(tài)信息。如下圖所示：
雙目攝像頭估計也是通過檢測連續(xù)的圖像之間位置信息來估計運動向量，然而，這里的連續(xù)圖像是包含立體信息的圖像，因為針對同一個環(huán)境點信息檢測，并不需要依靠攝像機的運動來實現(xiàn)，而是完全可由兩個相機之間的相對位置（或運動）來實現(xiàn)檢測。這樣對于先驗的絕對位置信息就有比較清晰地提前檢測。1、首先需要對雙目相機進行標(biāo)定，得到兩個相機的內(nèi)外參數(shù)、單應(yīng)矩陣。2、根據(jù)標(biāo)定結(jié)果對原始圖像校正，校正后的兩張圖像位于同一平面且互相平行。4、根據(jù)匹配結(jié)果計算每個像素的深度，從而獲得深度圖。
上圖為雙目的典型工作流程圖。雙目最后輸出的是一張深度圖，用顏色深淺來代表距離。
這里需要注意雙目雖然不需要識別目標(biāo)，但是雙目需要級化分割（Segmentation），且雙目最關(guān)鍵的環(huán)節(jié)在立體匹配。立體匹配過程如果存在錯誤的估計點將會對深度圖象輸出產(chǎn)生致命的影響，從而無法準(zhǔn)確估計出圖像幀之間的變換矩陣，也就無法準(zhǔn)確估計出車輛當(dāng)前的實際運行軌跡。解決這一問題的具體方法是采用魯棒性較高的估計器，他可以容忍一定的錯誤點匹配。如上所述，單目和雙目攝像機均可實現(xiàn)對自車信息的運動狀態(tài)估計，但是他們卻有如下不同：1） 對單目估計來說，要想獲得距離信息，必須先識別目標(biāo)，然后對目標(biāo)進行框圖邊界分割，分割并識別后是估算距離，且單目估算距離主要是根據(jù)像素大小，這種方法準(zhǔn)確度不高。如下圖所示：由于距離因素，行人3和行人2的像素大小是非常接近的，但行人2和行人3與車輛距離距離差別很大，但是在單目看來，距離是完全一樣的。
2） 雙目相對于單目來說在運動估計上則是通過兩個攝像頭內(nèi)外參數(shù)標(biāo)定通過一定的公式（如下圖）實現(xiàn)距離測量，而非通過單個攝像頭運動位置來估算運動軌跡。準(zhǔn)確度比單目要高得多。
3） 雙目可以在不識別目標(biāo)類型的情況獲得深度（距離）數(shù)據(jù)。即針對目標(biāo)距離測量時，雙目估計可以直接把目標(biāo)當(dāng)成一個識別點不用考慮其像素值大?。ㄈ缟蠄D）。
4) 雙目需要對每一個像素點都做立體匹配，運算量很大，故雙目估計對于中央處理器要求更高，其設(shè)備運行成本也越高。自動駕駛定位中常常要求車輛具備智能輪速傳感器，其功能是采集的車輪轉(zhuǎn)動齒數(shù)測量車輪轉(zhuǎn)速，同時利用車輪偏向角測量整車航向角，而輪式編碼器則可以將相應(yīng)收集到的車輪向及輪速轉(zhuǎn)化為車輪相對于地面的位移，也即車輛的行駛位移。并利用在規(guī)定時間內(nèi)已知的輪胎航向角和車速信息來確定當(dāng)前車輛的具體位置，實際是該方案實現(xiàn)了一種里程計數(shù)器。行業(yè)內(nèi)有使用了阿克曼轉(zhuǎn)向來提供一種比較精確地航向分析及里程計數(shù)定位方案，表示如下圖：
其中α是內(nèi)測車輪轉(zhuǎn)角，β是外側(cè)車輪轉(zhuǎn)角，K為輪距，L為縱向軸距。
然而，這種基于里程計數(shù)的方式實際是一種隨著時間推移逐步進行增量積分的方式，積分就意味著不可避免的誤差積累，這些誤差包含兩類：系統(tǒng)誤差和非系統(tǒng)誤差。1） 系統(tǒng)誤差：車輪直徑、軸距、質(zhì)心與標(biāo)稱值誤差，編碼器分辨率、采樣頻率不足等；2） 非系統(tǒng)誤差：路面不平坦、濕滑，車輪滑移等；以上誤差累積分析中，軸距小的車輛比軸距打的車輛更容易出現(xiàn)定位誤差。航向角度誤差積累到一定程度后會造成較大的位置誤差，而位置誤差積累就會造成運動軌跡的誤差積累，最終測量的車輛實際運行軌跡將會不準(zhǔn)確，對于整車定位來說將導(dǎo)致置信度降低，甚至不可用。這里舉個比較簡單的例子說明一種誤差積累會造成對ADAS功能怎樣的性能影響。比如AEB會根據(jù)輪速智能輪速傳感器輸入的輪速及輪向來判定當(dāng)前車身姿態(tài)及運行位移，同時通過前雷達測定的前方車輛相對位移及相對速度預(yù)估潛在碰撞時間TTC，從而選擇合適的制動時機。但是打滑狀態(tài)下，AEB對于測量的距離及航向可能不準(zhǔn)，這就造成無法準(zhǔn)確判斷出前方危險，造成功能漏觸發(fā)。為了減少以上里程計數(shù)誤差對定位產(chǎn)生的誤差影響，可以采用如下的方案進行優(yōu)化：1） 為了優(yōu)化編碼器性能，提高采樣頻率及分辨率，可以增加兩個基本旋轉(zhuǎn)式編碼器拖車；2） 為了提高測量精度，可以對車輛進行精確校準(zhǔn)；3） 增加參照物，比如利用兩個編碼機器作為互相參照以提供相應(yīng)的相對位置坐標(biāo)以作為對方的參考；4） 內(nèi)部位置誤差修正，這種方式需要車輛定時對內(nèi)部測量誤差進行修正，其參考數(shù)據(jù)是來自于外部參照物提供的絕對位置坐標(biāo)；通過以上四章我們了解到，不同的傳感器方案可以分別實現(xiàn)不同的車輛路徑追蹤及定位系統(tǒng)，并各自具備自己的優(yōu)缺點，事實上，由于每一種傳感器都有其各自的優(yōu)缺點，在無人駕駛車輛中，必須來自多個傳感器的數(shù)據(jù)結(jié)合起來才可以提高可靠性和安全性。故為了達到最優(yōu)的定位效果，我們可以采用如下的多傳感器融合定位方式實現(xiàn)精準(zhǔn)定位（如下圖）。
備注：本文為焉知原創(chuàng)稿件
|
