自動駕駛車輛通常都是預(yù)先建立地圖，然后利用此圖進(jìn)行定位，所以真正的、完整的、G貴的SLAM只發(fā)生在D一次采集并生成地圖之后，后續(xù)就是如何用這些地圖進(jìn)行定位導(dǎo)航的問題。另一方面，自動駕駛用的地圖和機(jī)器人的地圖。

低速自動駕駛車輛的地圖

乘用車，大家也了解，一年半載的肯定沒法實(shí)際上路，上了路還有一系列的法律法規(guī)問題，還有一堆的世（shi）界（shi）難（ju）題（keng）等著各位工程師去解決（tian keng）呢，所以這會兒我們也不需要多么著急（反正有更著急的人在）。

而對于低速車來說，相對安全，避不了障大不了先停在原地讓人先過，還顯得文明禮讓（我家的產(chǎn)品避障完全沒問題�。。�。這兩年各種配送、清掃、挖礦之類的自動駕駛低速車會慢慢的抬頭，大家應(yīng)該會漸漸看到一些功能和價(jià)格都能夠接受的產(chǎn)品。而我自己是做SLAM的，所以主要談?wù)勥@類車上的SLAM問題。

和學(xué)術(shù)界平時(shí)說的SLAM不同，自動駕駛車輛通常都是預(yù)先建立地圖，然后利用此圖進(jìn)行定位，所以真正的、完整的、G貴的SLAM只發(fā)生在D一次采集并生成地圖之后，后續(xù)就是如何用這些地圖進(jìn)行定位導(dǎo)航的問題。另一方面，自動駕駛用的地圖和機(jī)器人的地圖，對，就是你平時(shí)見到的那種，ROS里的黑白灰圖，也會有點(diǎn)差別。

ROS里的占據(jù)柵格地圖，我喜歡叫它黑白灰圖

機(jī)器人用的柵格地圖，很顯然，主要表達(dá)何處有障礙物，何處是可通行的區(qū)域，此外就沒有了。它具有基礎(chǔ)的導(dǎo)航與定位功能，精度也不錯(cuò)（厘米級），制作起來十分簡單，基本可以讓機(jī)器人自動生成。對于送餐掃地的室內(nèi)機(jī)器人來說，這種地圖基本就夠用了。但是為什么自動駕駛不用這種圖呢？它和G精地圖有哪些差別呢？

一條很明顯的區(qū)別是：在室內(nèi)，機(jī)器人可以去任意可以通過的地方，不會有太多阻攔。而對于自動駕駛來說，每條路都有對應(yīng)的交通規(guī)則：有些地方只能靠右行駛，有些地方不能停車，十字路口還有復(fù)雜的通行規(guī)則。

智行者科技無人清掃消毒車蝸小白

室內(nèi)機(jī)器人可以利用柵格地圖進(jìn)行導(dǎo)航，但在室外可不能在十字路口上橫沖直撞。所以，在導(dǎo)航層面，室內(nèi)與室外的機(jī)器人出現(xiàn)了明顯的區(qū)別。室內(nèi)的導(dǎo)航可以基于柵格來實(shí)現(xiàn)諸如A*那樣的算法，但室外基本要依賴事先畫好的車道。如果你希望你的外賣機(jī)器人既能在室內(nèi)取貨，又要跑到馬路上送到2公里外面的客戶家中，那么就得同時(shí)考慮這兩種地圖的使用方法了。所以你看，低速車輛是界于傳統(tǒng)移動機(jī)器人與乘用車之間的產(chǎn)物，它的地圖比兩邊現(xiàn)成產(chǎn)品都要復(fù)雜。

我們會用不同的術(shù)語來描述地圖的構(gòu)建階段。大體來說，從一無所有的采集過程開始，我們會碰到兩個(gè)大階段：

1、SLAM階段：解決從原始傳感器數(shù)據(jù)開始，構(gòu)建某種基礎(chǔ)地圖的過程（一般是三維點(diǎn)云或二維圖像、柵格）；

2、標(biāo)注階段：在SLAM結(jié)果基礎(chǔ)上進(jìn)行人為標(biāo)注，實(shí)現(xiàn)更精細(xì)的交通規(guī)則控制。

SLAM階段往往是自動的，而標(biāo)注階段目前還主要是人工的，出色體現(xiàn)了“人工智能”相合作的過程。目前乘用車G精地圖生產(chǎn)主要成本是在標(biāo)注階段，通常是一群人在在電腦前加班加點(diǎn)地趕著各種工程排期。顯然，這個(gè)標(biāo)注過程的好壞直接影響地圖質(zhì)量，一旦標(biāo)錯(cuò)就等著觀賞車輛各種怪異行為吧。

然而，我們也沒法完全實(shí)現(xiàn)標(biāo)注過程的自動化，因?yàn)楹芏嗳藶橐?guī)則并不體現(xiàn)在場景數(shù)據(jù)里。比如公園里的草坪，物流車大概不能走上去，而灑水車大概就應(yīng)該在草坪上行走，而我們無法通過點(diǎn)云或圖像識別出此類規(guī)則，給此類地圖帶來了很大的人工工作量。

比如下面這個(gè)點(diǎn)云圖，雖然結(jié)構(gòu)上看不出來，但實(shí)際上中間一圈是一個(gè)草坪，正常情況下車輛是不能進(jìn)去的。所以，只能通過人工來標(biāo)注車輛的行駛區(qū)域，才能讓小車正確地導(dǎo)航。

標(biāo)注過程通常是一些非常繁瑣的步驟，而且因?yàn)榉爆嵥�以價(jià)格還挺G。根據(jù)2019年的《G精地圖產(chǎn)業(yè)發(fā)展現(xiàn)狀及趨勢》，一公里G精地圖的成本費(fèi)用還在幾千至幾萬元。采集車雖然貴但畢竟只有幾臺，計(jì)算機(jī)開一下程序也只需要一些電費(fèi)，所以成本主要還是在標(biāo)注上面。這里的商業(yè)化道路還是挺困難的，然而也沒什么辦法（攤手）。

問題低速車輛的SLAM

由于我個(gè)人是做SLAM的，咱們還是把主題回到SLAM上來。目前室外車輛的SLAM還是以多線激光為主。雖然激光SLAM原理上比較成熟，然而實(shí)際結(jié)合其他傳感器來SLAM，還是有一些問題的。學(xué)術(shù)界的論文總喜歡挑好看的結(jié)果來發(fā)表，而現(xiàn)實(shí)問題往往是骯臟的、動態(tài)的、復(fù)雜的，這一點(diǎn)，沒解決過實(shí)際問題的人可能感受不深。

低速車輛如果真正應(yīng)用，那么地圖構(gòu)建時(shí)間就不能太長。如果我們在意地圖質(zhì)量的話，標(biāo)注工作基本是省不了的，所以對SLAM端的要求就可以總結(jié)為：自動化、G可靠性，以及對復(fù)雜環(huán)境的適應(yīng)能力（不需要現(xiàn)場人員調(diào)參）。這件事情看似簡單，但實(shí)際用來總有各種各樣的問題。

激光SLAM

激光SLAM的基本原理就是點(diǎn)云拼接，有些地方也叫注冊、配準(zhǔn)，等等。可以利用柱狀物等特征信息來拼接，也可以直接用點(diǎn)來拼接，總之這方面各種方法大同小異，區(qū)別不大。激光SLAM的開源項(xiàng)目也有很多，感興趣同學(xué)可以看看LOAM/Lego-Loam等經(jīng)典的方案。

Lego-LOAM  Demo圖

當(dāng)然，論文上的圖片肯定是美麗的，實(shí)際當(dāng)中也肯定是會遇到問題的。如果只靠激光配準(zhǔn)就可以把地圖生成出來，那這邊SLAM也就沒什么難度可言了。我們不妨來看看激光SLAM有什么實(shí)際問題。

1、點(diǎn)云拼接是個(gè)類似于里程計(jì)的過程，它們計(jì)算的是局部點(diǎn)云之間的相對運(yùn)動關(guān)系。這個(gè)運(yùn)動誤差會逐漸累計(jì)，直到地圖出現(xiàn)嚴(yán)重變形。其中，G度上的變形會比較明顯，你會發(fā)現(xiàn)地圖一端可能會“翹起”或“下沉”。

激光SLAM的累計(jì)誤差使得地圖G度出現(xiàn)錯(cuò)誤，兩側(cè)對不上

2、點(diǎn)云拼接的結(jié)果依賴于現(xiàn)場的實(shí)際三維結(jié)構(gòu)。在結(jié)構(gòu)化道路中，基本可以期待地圖由中間的馬路與兩側(cè)的路牙、樹木、護(hù)欄組成；但在非結(jié)構(gòu)化道路中，很難對場景結(jié)構(gòu)有一個(gè)先驗(yàn)的知識。它可以是普通馬路，也可能是人來人往的商業(yè)街，也可能是萬眾聚會的廣場……總之，你很容易看到激光失效的場景。

激光匹配在廣場或單側(cè)臺階等場景下會導(dǎo)致失效，原本直線前進(jìn)的軌跡會出現(xiàn)扭曲情形，并使得遠(yuǎn)處物體模糊

3、更常見的就是來回路段由于匹配失誤導(dǎo)致地圖出現(xiàn)重影，有些論文也稱為“鬼影”。這種現(xiàn)象出現(xiàn)的原因，是兩個(gè)激光點(diǎn)云看到了同樣的結(jié)構(gòu)，但由于距離較遠(yuǎn)，匹配算法沒法將它們完整匹配起來。

4、后，純粹由激光匹配得到的地圖，沒有現(xiàn)實(shí)世界物理位置信息。如果缺少物理世界信息，那么你沒法按照點(diǎn)云圖把車輛導(dǎo)航到指定位置；如果有兩個(gè)激光點(diǎn)云時(shí)，也很難把它們出色地拼接起來。

所以，我們需要處理激光與其他傳感器的組合。在點(diǎn)云失效時(shí)，嘗試用其他傳感器進(jìn)行補(bǔ)償；在點(diǎn)云出現(xiàn)累計(jì)誤差時(shí)，用其他傳感器來進(jìn)行修復(fù)。

激光SLAM和GPS組合

室外自動駕駛車輛通常有一個(gè)GPS接收器，指示其物理世界位置。結(jié)合GPS信號，我們就可以構(gòu)建帶有物理世界經(jīng)緯度的地圖。這個(gè)物理坐標(biāo)在某些業(yè)務(wù)中是很重要的，因?yàn)檐囕v很可能需要導(dǎo)航到另一個(gè)真實(shí)世界的建筑物中。相對的，純室內(nèi)的小車就不需要這種坐標(biāo)，因?yàn)樗鼈冎辉谝婚g或幾間屋里導(dǎo)航，而不必關(guān)心這間屋子在真實(shí)世界當(dāng)中什么位置。

智行者科技無人清掃消毒車蝸小白

GPS的一大特點(diǎn)就是“看天吃飯”。信號好的時(shí)候它可以到達(dá)厘米級定位，可以直接使用差分GPS+IMU的結(jié)果來進(jìn)行組合導(dǎo)航。這種做法在如今的無人車、無人機(jī)里還很常見。對于天天在G速公路上奔跑的乘用車來說，J大部分情況下可以以GPS為主導(dǎo)；但是，對于園區(qū)里運(yùn)營的小車，進(jìn)個(gè)樹林穿個(gè)夾層都是稀松平常的，GPS“信號不好”比“信號良好”更加常見。你能夠接受無人車因?yàn)椤靶盘柌缓谩卑肼窉佸^的情況嗎？

在公園、景區(qū)的道路上，小車會經(jīng)常穿梭于樹林、橋梁之中。這些地形上GPS很有可能出現(xiàn)大范圍不可用的情形

GPS噪聲是個(gè)很有意思的模型。通常GPS接收器根據(jù)自身接收情況，會給出一個(gè)信號強(qiáng)弱的判斷。然而，由于著名的多徑效應(yīng)，GPS也可能給出一個(gè)信號很強(qiáng)，但位置錯(cuò)誤的數(shù)據(jù)。這就要求SLAM算法對各種信號下的GPS都有穩(wěn)定的表現(xiàn)。在GPS好時(shí)，應(yīng)該聽從GPS的軌跡走向；在GPS不好的區(qū)域，能夠正確識別并改進(jìn)。

GPS信號良好的路段例子。左側(cè)：點(diǎn)云地圖；右側(cè)：軌跡圖。軌跡圖中紅色為優(yōu)化后軌跡，藍(lán)色為GPS軌跡。由于GPS全程良好，優(yōu)化軌跡與GPS重合。

GPS信號不佳的例子�？梢钥吹接覀�(cè)藍(lán)色軌跡在無規(guī)律跳動，但是點(diǎn)云仍需要正常構(gòu)建。

GPS信號的不確定還會帶來一些實(shí)際的問題。例如，如果車輛開機(jī)時(shí)GPS信號不好，那么車輛如何確定自身的物理位置？它應(yīng)該是開到一個(gè)開闊區(qū)域，等待GPS信號變好，還是以一種“不確定物理位置，但有相對位置”的狀態(tài)開始運(yùn)行？

假設(shè)如此，那么運(yùn)行一段時(shí)間后GPS信號變?yōu)檎�常，定位信息�?yīng)該直接跳到GPS指向的物理位置嗎？這種跳變會不會對控制產(chǎn)生不良的影響？另一方面，在建圖時(shí)，我們通常需要按照物理位置來區(qū)分不同的地圖，例如公園北側(cè)和南側(cè)很可能使用兩個(gè)不同的地圖。如果GPS信號不好，車輛應(yīng)該如何確定使用哪一張地圖？這些問題都需要一個(gè)實(shí)際的解決方案。

GPS的處理方式是室內(nèi)外車輛SLAM的一個(gè)很大的不同點(diǎn)。這會讓SLAM的邏輯變得更加復(fù)雜。我們需要結(jié)合其他的傳感器位置來判斷GPS信號的有效性，這往往要用到一些全局軌跡的估計(jì)方法，而像卡爾曼濾波器這樣有時(shí)間順序的算法會受到干擾。

另外，如果我們還使用了基于位置的回環(huán)檢測算法，那么它會明顯受到GPS信號好壞的影響。一旦GPS信號變差，激光SLAM的性質(zhì)就變?yōu)橐粋�(gè)里程計(jì)，其累計(jì)誤差變大之后，基于位置的回環(huán)檢測算法就很可能失效。

激光SLAM的退化特性

激光SLAM存在各種失效情況，有些你甚至很難事先預(yù)料到，例如：

在廣場、機(jī)場等開闊區(qū)域，即使是多線激光，也只能看到幾圈地面上的點(diǎn)云。僅使用地面點(diǎn)云進(jìn)行匹配，很可能在水平面上發(fā)生隨機(jī)移動。

在長隧道、單側(cè)墻、橋梁等場地中，激光匹配會存在一個(gè)方向上的額外自由度。也就是說，沿著隧道前進(jìn)時(shí)，獲取到的激光點(diǎn)云是一樣的，使得匹配算法無法準(zhǔn)確估計(jì)這個(gè)方向上的運(yùn)動。類似地，如果機(jī)器繞著一個(gè)圈柱形物體運(yùn)動時(shí)，也會發(fā)生這種情況。

在一些異形建筑面前，激光可能發(fā)生意想不到的失效情形。

這些結(jié)果被稱為激光的“退化”，也就是說，本來能夠估計(jì)6自由度的激光匹配算法，由于場景結(jié)構(gòu)的限制，某幾個(gè)自由度上的運(yùn)動無法估計(jì)。這時(shí)，就需要建圖算法來降低激光軌跡的權(quán)重，利用其他軌跡來補(bǔ)償激光的失效了。

位于長沙的梅溪湖藝術(shù)中心是令我印象深刻的地方（雖然我本人并沒有去過現(xiàn)場）。但在這個(gè)區(qū)域的中心，激光匹配就會非常不穩(wěn)定，給出一些錯(cuò)誤的結(jié)果

大型地圖的拼接與回環(huán)檢測

室外SLAM的另一個(gè)特點(diǎn)是：室內(nèi)地圖通常有一個(gè)面積限制，例如大多家居面積都在200平方米以內(nèi)；而室外地圖可能達(dá)到幾十萬平米，乘用車甚至可以建立城市公路級別的地圖。

智行者科技無人乘用車星驥系列

對于掃地機(jī)這些家用機(jī)器人，我們允許它自由地在室內(nèi)探索，因?yàn)槭覂?nèi)面積畢竟是有限的；而對于室外車輛，如果自由探索的話，很可能沿著一個(gè)方向出去就回不來了。這就要求室外G精地圖有一個(gè)事先的采集過程。

目前各家公司對G精地圖的采集方式并不一樣。乘用車通常需要駕駛員在采集區(qū)域內(nèi)行駛固定圈數(shù)，然后把數(shù)據(jù)帶回?cái)?shù)據(jù)中心進(jìn)行解算。乘用車的數(shù)據(jù)量非常大，一般幾十GB至TB級別水平，其解算也需要大量計(jì)算資源。

而對于低速車，它們運(yùn)動范圍受業(yè)務(wù)和電池限制，通常在幾十公里以內(nèi)，適配時(shí)間在一兩天以內(nèi)。而對更大的區(qū)域，往往進(jìn)行分塊、分區(qū)的建圖方式。

對于較大的地圖，通常使用分段采集、建圖、拼接的方式

低速車輛由于業(yè)務(wù)變更較快，對地圖的構(gòu)建時(shí)間和靈活性有一定的要求。例如，清掃車這一周可能在東區(qū)運(yùn)行，下一周就可能在西區(qū)運(yùn)行�；蛘�，可能要求在以往的清掃區(qū)域基礎(chǔ)上添加一塊新的區(qū)域。這種需求一方面要求地圖能夠以更快的速度進(jìn)行構(gòu)建，一方面也要求地圖能夠快速地進(jìn)行拼接與合并。同時(shí)，由于場景的客觀通行限制，低速車輛有時(shí)候并不能“繞場景一整圈”，而需要一段一段地采集數(shù)據(jù)。

在這個(gè)數(shù)據(jù)中，我們先采集了橫向的道路，然后分別采集兩次縱向道路，后進(jìn)行合并

地圖合并算法可以自由設(shè)計(jì)。我們可以把兩個(gè)局部地圖視為固定不變的點(diǎn)云，然后使用簡單的ICP進(jìn)行剛性拼接。如果局部地圖本身沒有畸變，這種做法的效果也挺不錯(cuò)。但是，如果拼接地圖存在多個(gè)重疊區(qū)域，這種剛性拼接就可能導(dǎo)致“拼對了頭但拼錯(cuò)了尾”的情況。所以，我們更傾向于借助類回環(huán)檢測與Pose Graph的方法，對兩條軌跡進(jìn)行融合而非剛性拼接。

團(tuán)隊(duì)溝通和其他問題

當(dāng)然，現(xiàn)實(shí)當(dāng)中還會存在算法之外的問題。畢竟大多數(shù)地方只有幾位算法工程師，而數(shù)據(jù)則來自全國各地成千上萬臺運(yùn)營的小車。終端的運(yùn)營人員也好，采集人員也好，大部分并不具備地圖定位的相關(guān)知識，往往不理解“怎樣才是科學(xué)的采圖軌跡”。這種溝通問題是我們?nèi)粘９ぷ髦幸姷降亩嗟膯栴}。

智行者科技無人物流配送車

由于場景的復(fù)雜性，建圖算法不可能保證100%的成功率。如果碰到一個(gè)全程缺少GPS的開闊、弱紋理、G動態(tài)場景，任何算法都無法完全保障。這聽著像是在抬杠，但是很遺憾的是，現(xiàn)實(shí)當(dāng)中某些大型車庫、大型車站內(nèi)部、G樓間商業(yè)街正屬于此類場景。這些場景中容易出現(xiàn)的問題是由于GPS的缺失，地圖累計(jì)誤差過大，出現(xiàn)錯(cuò)位或重影的情況。在這些情況中，我們就只能借助人工的方式來輔助建圖了。

在地圖出現(xiàn)明顯錯(cuò)位情況下，我們利用可視化軟件，對融合軌跡進(jìn)行人工干預(yù)，修復(fù)累計(jì)誤差，使地圖回到正確的情況

小結(jié)

以上我們談?wù)摿艘徊糠值退僮詣玉{駛車輛在建圖中碰到的實(shí)際問題。對于建圖算法的開發(fā)人員來說，能夠足不出戶看到全國各地的地圖，也是一件令人欣慰的事情。相信很多人也會享受這一過程，參與到地圖構(gòu)建算法研發(fā)的過程中來吧。

雖然非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)很多，但是在發(fā)現(xiàn)問題中去享受解決問題的快感，是一件能讓人很爽的事情，我將永遠(yuǎn)樂此不疲。