智能网联汽车概论 课件 第五章 智能网联汽车高精度地图技术.pptx

第5章 智能网联汽车高精度地图技术 概述随着导航电子地图的普及，使用车载、手机等导航软件进行出行规划以及实时路况信息获取，已成为一种不可逆转的趋势。目前使用的普通导航电子地图在精度上无法满足车道级别的路径规划和导航。智能导航不仅在精度上要求更高，在地图内容、地图更新频率等方面对导航电子地图都提出了更高的要求。地图精度需要达到亚米级别，地图内容包含道路中的各种要素以及地图数据的现势性。因此，研究高精度地图技术以适应智能导航的需求，对人员出行、道路交通、行车安全等方面具有重要意义。 5.1高精度地图的定义及其价值 高精度地图分层架构高精度地图也称为高分辨率地图（High Definition Map，HD Map）或高度自动驾驶地图（Highly Automated Driving Map，HAD Map）。通俗来讲，高精度地图是比普通导航地图精度更高、数据维度更广的地图，其精度更高体现在地图精度精确到厘米级，数据维度更广体现在地图数据除道路信息之外还包括与交通相关的周围静态信息。普通导航地图与高精度地图示例如图5-1与图5-2所示。图5-2 高精度地图示例图5-1 普通导航地图示例 高精度地图主要由静态数据和动态数据构成，其中静态数据包括道路层、车道层、交通设施层等图层信息;动态数据包括实时路况层、交通事件层等图层信息。高精度地图的分层架构如图 5-3所示。图5-3 高精度地图的分层架构高精度地图分层架构 高精度地图作为普通导航地图的延伸，在精度、使用对象、时效性及数据维度等方面与普通导航地图的不同如表5-1所示。?高精度地图分层架构普通导航地图高精度地图精度米级厘米级使用对象人类驾驶员机器时效性静态数据：更新要求一般在月度或季度级别；动态数据：不做要求。静态数据：一般要求周级或天级更新；动态数据：要求车道及路况或交通事件等信息实时更新。数据维度只记录道路级别的数据，如道路等级、几何形状、坡度、曲率、方向等增加了车道及车道线类型、宽度等展性，更有诸如护栏、路沿、交通标志牌、信号灯和路灯等详细信息。表5-1 高精度地图与普通导航地图的区别 1. 辅助环境感知传感器作为自动驾驶的“眼睛”,有其局限性，如易受恶劣天气的影响等。高精度地图可以对传感器无法探测或探测精度不够的部分进行补充，实现实时状况的监测及外部信息的反馈，进而获取当前位置精准的交通状况。通过对高精度地图模型的提取，可以将汽车周边的道路、交通设施、基础设施等元素和元素之间的拓扑结构提取出来。图5-4 高精度地图在自动驾驶中的主要功能?高精度地图对自动驾驶的价值 高精度地图对自动驾驶的价值2. 辅助定位由于存在各种定位误差，地图上的移动汽车并不能与周围环境始终保持正确的位置关系，在汽车行驶过程中，利用地图匹配可精确定位汽车在车道上的具体位置，从而提高汽车定位的精度。3. 辅助路径规划高精度地图的路径规划导航能力则提高到了车道级，在人行横道、低速限制或减速带等区域，高精度地图可使汽车能够提前查看并预先减速。对于汽车行驶附近的障碍物，缩小路径选择范围，以便选择最佳避障方案。4. 辅助控制高精度地图是对物理环境道路信息的精准还原，可为汽车加减速、并道和转弯等驾驶决策控制提供关键道路信息。而且，高精度地图能给汽车提供超视距的信息，并与其他传感器形成互补，辅助系统对汽车进行控制。高精度地图为汽车提供了精准的预判信息具有提前辅助其控制系统选择合适的行驶策略等功能， 5.2 高精度地图关键技术 道路元素图像处理 为满足自动驾驶汽车对环境感知的需求，高精度地图的制作需要运用图像处理将道路上的各种道路元素进行识别，进行语义标注。在进行识别之前，由于光线、雨水、车速等环境影响，可能引人噪声或使图像失真。因此，首先需要对图像进行降噪和增强等提高图像质量的预处理。然后，利用这些道路元素提取其特征，再进行识别并进行分类，完成标注。常用的图像处理流程如图5-5所示图5-5常用的图像处理流程 道路元素图像处理1. 图像采集:? 通过摄像机等工具采集真实道路环境下的图像，形成数据集。2. 图像预处理: 对数据集中的图像进行扩充，同时对图像进行标注工作，便于后期进行深度学习训练模型使用。3. 图像分割: 将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的过程。4. 边缘检测: 找出图像中亮度变化剧烈的像素点构成的集合。5. 图像细化: 将图像的线条从多像素宽度减少到单位像素宽度的过程。通过减少图像的像素数来达到压缩图像的目的。 6.特征提取: 将数据集中的每一幅图像输入到深度学习模型中，在特定的卷积层中提取图像的深度学习特征，便于图像识别工作。 7. 特征参数计算: 参数计算对卷积神经网络(Convolutiona Neural Network,CN