AV天堂高清不卡你懂的,白丝极品老师娇喘呻吟视频,女性自慰网站免费看ww

文｜園區(qū)無人駕駛編輯部

高精度地圖對自動駕駛系統(tǒng)功能研發(fā)的影響已經(jīng)越來越明顯，整體上來講主要包含但不僅限于提升車端感知性能、拓展自動駕駛新功能、動態(tài)建圖等相關(guān)應用。具體體現(xiàn)在如下幾個重要方面：

應用總述

提升車端感知性能

拓展新功能

動態(tài)建圖與應用

詳述

·補充車道線識別結(jié)果，通過重投影補齊車道線

·提升TSR（交通標志識別）識別功能，涵蓋多種特殊類別

·獲取復雜駕駛場景信息（收費站、路口等復雜路況的先驗感知）

·提供車道與交通要素（紅綠燈、標志牌、路面箭頭）的對應關(guān)系

·自動切換車道

·對行駛較慢車輛的自動超越

·智能設(shè)定巡航車速

·匝道的自動駛?cè)牒婉傠x

·高精地圖元素更新

·冷啟動從0-1 建立全路網(wǎng)高精地圖

·自建局部“記憶地圖”,支持記憶泊車、園區(qū)記憶式自動駕駛

·事件型動態(tài)信息采集與上報（施工、擁堵、事故等）

如上所述提升車端感知能力是通過先驗感知的高精度定位引入地圖信息補充獲取車道線、交通標志等交通要素從而提供超距感知：不受距離、遮擋的限制。同時，通過提供車道與交通要素（交通標志、交通燈、路面箭頭）的對應關(guān)系，獲取復雜路況先驗信息。

地圖作為智能駕駛唯一的超距傳感器，突破空間、時間的限制，可以說地圖是通過定位實現(xiàn)的智能駕駛的“知識圖譜”。高精度定位本質(zhì)上是“知識圖譜讀取”，高精度建圖可以實現(xiàn)“知識記憶”實時更新。通過高精度匹配定位引入地圖從而獲取環(huán)境信息，為車輛提供超傳感器距離的感知能力，拓展多種復雜功能場景ODD，是ADAS系統(tǒng)向高級別智能駕駛演變的核心?？傮w來說，通過高精度匹配定位引入地圖獲取環(huán)境信息，可以拓展多種復雜功能場景自動駕駛設(shè)計運行使用范圍。

高精地圖眾包采集方案

動態(tài)高精地圖的本質(zhì)是實時交通數(shù)據(jù)信息的時空載體，眾包數(shù)據(jù)是高頻更新的核心。眾包更新能夠?qū)⒌貓D更新的時間壓縮到分鐘級，高精地圖實時構(gòu)建與動態(tài)信息觀測采集，構(gòu)建起未來智能網(wǎng)聯(lián)汽車數(shù)據(jù)生態(tài)系統(tǒng)。

高精地圖模型分為四個圖層，每個圖層更新的頻率不同，可以支持不同功能應用場景。圖商采取分級采集的方案，滿足高精地圖不同圖層的更新需求，主要包含如下幾種采集方案：

專業(yè)采集： 通過高精地圖底圖，每月更新一次，其精度為10cm；

行業(yè)眾包采集： 其地圖更新、施工、交通管制信息等按照每小時更新，精度50cm左右；

社會眾包采集： 包含基于底圖坐標的準實時更新、車流量、人流量、天氣等。按照每分鐘/每秒更新一次，精度米級；

如上圖中，地圖基礎(chǔ)建圖中有多種方法。其中，GPS 導航適合于室外空曠駕駛道路中的移動車輛，在封閉場景（如隧道、山路等）中 GPS 的信號較弱，無法用于移動機器人的定位導航。慣性導航主要是依賴慣性測量單元和輪式編碼器來構(gòu)建一個慣性里程計，增量式地確定移動車輛的位置。慣性里程計一定程度上能夠滿足機器人自主定位的需求，且不需要額外的對環(huán)境進行改造，但由于慣性傳感器和輪式編碼器都存在漂移的問題，且漂移誤差會隨著時間累積，一段時間后車輛就無法準確確定自己的位置。為了能夠?qū)崿F(xiàn)車輛在未知的道路環(huán)境中準確的定位，SLAM 問題就這樣被提了出來。

近年來，利用傳感器感知信息作為建圖的基礎(chǔ)已經(jīng)越來越得到行業(yè)內(nèi)的重視和關(guān)注，其中SLAM 技術(shù)作為一種即時定位與地圖構(gòu)建方法，作為移動車輛實現(xiàn)自主定位與導航的核心，它要求自車在一個未知的環(huán)境中在不知道自己位置的先驗信息的情況下，增量式地構(gòu)建具有全局一致性的地圖，同時確定自身在這個地圖中的位置。這一過程是通過車身傳感器來獲取周圍環(huán)境的信息，依靠這些信息一邊確定自車的位置，一邊構(gòu)建環(huán)境的地圖。目前 SLAM算法常用的傳感器有激光雷達和相機，分別對應了激光 SLAM 算法和視覺 SLAM算法。

詳細的SLAM建圖構(gòu)建算法概述

SLAM 是一個龐大的理論體系，涉及傳感器處理、貝葉斯濾波、非線性優(yōu)化、地圖的表示、圖形處理等各方面的相關(guān)理論。早期 SLAM 的基本理論是以擴展卡爾曼濾波（Extended Kalman Filter，EKF）為代表的濾波方法為主。

如下圖所示表示了一種典型的 SLAM 系統(tǒng)建圖方法，系統(tǒng)主要由前端（front-end）和后端（back-end）兩個部分組成，前端根據(jù)傳感器觀測到的環(huán)境信息估計車輛的位姿，然后將車輛的位姿信息傳遞給后端進行優(yōu)化估計，得到具有全局一致性的地圖，最后得到整體的 SLAM 估計。SLAM 的前端算法包括了特征提取和數(shù)據(jù)關(guān)聯(lián)兩部分。特征不但可以用來確定機器人的位置，而且可以用來進行閉環(huán)檢測，從而構(gòu)建具有全局一致性的環(huán)境地圖。因此特征提取是 SLAM 研究中非常重要的一個環(huán)節(jié)。

目前在 SLAM 的研究中，前端主要是以濾波的方法獲得車輛位姿的更新信息，后端則大多是基于優(yōu)化的方法對機器人全局的位姿和地標信息進行優(yōu)化。

基于視覺感知的SLAM基礎(chǔ)建圖構(gòu)建

在SLAM算法構(gòu)建中，前視攝像頭/激光雷達化身“智能采集終端”，眾包生產(chǎn)“動態(tài)高精地圖數(shù)據(jù)”，動態(tài)高精地圖的本質(zhì)是實時交通數(shù)據(jù)的時空載體，眾包數(shù)據(jù)是高頻更新的核心。主要通過如下幾個步驟進行實時建圖：

1）實時構(gòu)建高精度地圖：即基于視覺或激光點云數(shù)據(jù)建圖，并與云端融合冷啟動從0-1構(gòu)建全路網(wǎng)高精地圖提升高精地圖“廣度”。

2）更新高精地圖元素：通過要素關(guān)聯(lián)與變化檢測發(fā)現(xiàn)地圖元素的變化并實時更新，以確保高精地圖的“鮮度”；

3）自建 “ 記憶地圖 ”：通過自建局部記憶地圖支持記憶泊車、園區(qū)記憶式自動駕駛“記憶地圖”提升駕駛體驗；

4）上報事件型動態(tài)信息：通過事件型動態(tài)信息采集與上報（施工、擁堵、事故等）構(gòu)建高精地圖“動態(tài)信息層”。

如上圖表示了一種典型的視覺SLAM技術(shù)方案框圖，其中整個智能駕駛攝像頭（包含前視、側(cè)視、環(huán)視以及后視攝像頭等）形成SLAM的輸入數(shù)據(jù)端，使用單目相機的 SLAM 稱為單目視覺 SLAM，單目相機使用一個攝像頭進行移動機器人的定位，由于單目攝像頭只能獲取周圍環(huán)境的二維信息，無法給出物體的深度信息，因此會帶來尺度不確定的問題。使用雙目相機的 SLAM 稱為雙目視覺 SLAM，也稱為立體視覺 SLAM，它可以通過比較兩個攝像頭圖像的差異判斷物體的遠近，獲得物體的深度信息。通過中央處理器對輸入圖像進行感知、分割、檢測、跟蹤等操作，輸出給導航網(wǎng)絡端進行語義建圖及匹配定位，同時通過目標識別形成相應的ADAS系統(tǒng)目標屬性。最后分兩方面進行輸出：其一是通過太網(wǎng)連接高精地圖盒子，其接收到相應的局部地圖建圖結(jié)果后，更新地圖底圖。其二是通過輸出給MCU（微處理器單元）進行融合定位及車輛控制。這里需要注意的是MCU通過CAN網(wǎng)絡也接收了諸如GNSS、IMU等相關(guān)信息，并輸入給AI芯片進行建圖優(yōu)化和確認。

同時，先進的SLAM方案通過云端多源 V2X 感知部署，打造安全出行解決方案。一方面，通過創(chuàng)新模式與路方合作，利用既有道路信息基礎(chǔ)能力，有效整合路側(cè)信息，通過個體級車輛的交通場景感知算法，實施云端 V2X 信息處理，通過導航地圖優(yōu)勢，為實時建圖提供統(tǒng)一入口。另一方面，由于車路協(xié)同系統(tǒng)中將產(chǎn)生大量數(shù)據(jù)采集和處理，為進一步挖掘相關(guān)數(shù)據(jù)價值，提升智慧出行效率?；诖髷?shù)據(jù)和人工智能能力，可以對相關(guān)數(shù)據(jù)進行人工智能模型訓練，從而進一步提高建圖能力，優(yōu)化建圖精度。如下圖是一種典型的將云端數(shù)據(jù)納入到建圖過程中的例子。

基于激光雷達的SLAM基礎(chǔ)建圖構(gòu)建

除了如上所述的視覺SLAM建圖以外，還包括了激光雷達數(shù)據(jù)建圖。激光雷達雖然比相機要貴很多，但因其測量精度高，測量性能穩(wěn)定，目前在工業(yè)中應用更加廣泛。激光雷達不能直接給出車輛的位置變化，但它能提供周圍物體的距離信息，可以用于車輛的實時定位、避障等場合。

早期的激光雷達主要是利用三角測距的原理進行測距，后來發(fā)展出基于飛行時間法（Time Of Flight，TOF）測距原理的激光雷達。TOF 測距原理比較簡單，通過記錄激光從發(fā)射出去到被接收所經(jīng)歷的時間可以計算出激光所走過的距離，從而得到激光雷達周圍環(huán)境的距離信息。

針對激光雷達和相機，目前都已經(jīng)有很多非常知名的開源算法的實現(xiàn)。在激光 SLAM 領(lǐng)域目前的很多開源算法都是使用 2D 激光雷達實現(xiàn) SLAM。如谷歌公司在 2016 年開源的Cartographer SLAM 算法是一個跨平臺的激光 SLAM 方案，能夠同時實現(xiàn) 2D 激光和 3D 激光的實時 SLAM。在視覺 SLAM 領(lǐng)域也出現(xiàn)了許多優(yōu)秀的開源方案。如Davison 等人在 2007 年提出的單目視覺 SLAM 系統(tǒng) MonoSLAM 是第一個實時的單目 SLAM，它以擴展卡爾曼濾波為基礎(chǔ)，把相機的當前狀態(tài)和所有路標的信息作為狀態(tài)量來更新均值和協(xié)方差信息。SLAM 的理論在國外發(fā)展的比較早，理論比較成熟，國內(nèi)在這方面起步比較晚，大部分研究都集中在 SLAM 的工程應用上，重點解決工程應用中的一些實際問題。SLAM 的前端算法包括了特征提取和數(shù)據(jù)關(guān)聯(lián)兩部分。特征不但可以用來確定機器人的位置，而且可以用來進行閉環(huán)檢測，從而構(gòu)建具有全局一致性的環(huán)境地圖。因此特征提取是 SLAM 研究中非常重要的一個環(huán)節(jié)。

激光雷達掃描后會獲得一組由環(huán)境中的物體反射回來的點云，對于激光雷達的掃描點云，常用的特征有點、線段、平面等。點特征是日常環(huán)境中常見的一種特征，通常會從環(huán)境中提取角點、交叉點或墻的端點等一些特殊的點作為特征點。線段特征是室內(nèi)移動機器人定位、導航時廣泛使用的一種特征，它在結(jié)構(gòu)化環(huán)境中容易獲取，特征之間也容易建立約束，對激光雷達的數(shù)據(jù)關(guān)聯(lián)和閉環(huán)檢測來說都是一種非常好的特征。面特征主要應用于室外環(huán)境中 3D 激光雷達掃描匹配，如無人車行駛在城市環(huán)境中可以利用 3D 激光雷達提取到大量的曲面和平面特征來定位。由于線段特征具有容易識別、魯棒性好等優(yōu)點，在 2D 激光 SLAM 中應用比較廣泛。下面將對激光雷達點云建圖中一種基本的線段擬合防范進行簡單說明。

如上圖表示激光雷達掃描得到的點云離散數(shù)據(jù)，針對線段特征提取的主流方法主要是采用分割-合并方法（Spilt-and-Merge，SM），且許多線段特征的提取方法都是分割-合并方法的變形。分割-合并的基本過程就是對點云進行聚類，聚類過程中分別設(shè)定一定的閾值進行分割-合并-分割-合并依次循環(huán)的過程，從而實現(xiàn)線段的有效提取。

在分割階段，首先從給定的點集中擬合出一條直線。然后找出點集中到擬合直線距離最遠的點，計算該點到擬合直線的距離作為擬合誤差，如果擬合誤差大于設(shè)定的距離閾值，則從點集中按照某種規(guī)則找出一個點，將直線從該點處進行分割。不斷重復這個過程直到擬合誤差小于設(shè)定的距離閾值則不再分割。在合并階段，如果相鄰的兩條線段的擬合誤差小于距離閾值，就將這兩條相鄰線段合并成一條線段。

? 總結(jié)

激光 SLAM 發(fā)展至今已經(jīng)有比較豐富的理論研究成果，激光測距的原理比較簡單，測量精度高，測量距離比較遠，穩(wěn)定性、可靠性也都比較高，但其成本較大，目前激光雷達有向低成本發(fā)展的趨勢。但在實際的應用中仍然存在定位精度不夠、地圖構(gòu)建不準確等問題，給機器人執(zhí)行相關(guān)任務帶來了一定的障礙。與激光雷達相比，相機的成本要低很多，且能提供更多的信息，也更能滿足人們對機器人的想象。但目前相機仍存在著測量范圍小、測量噪聲大、易受日光干擾等問題。視覺定位與建圖帶來的駕駛功能提升使得視覺定位在單車視覺感知局限得以解決。