精华内容
下载资源
问答
  • 仅仅依赖点云的强度将会导致更多的噪声数据,因此本文提出了基于深度学习的自动完成高精地图标注和生成的方法,并且与其他方法结合,以提高标注的准确性和鲁棒性,文章的主要贡献可以概括为一系列算法和流程,旨在为...

    点云PCL免费知识星球,点云论文速读。

    文章:Automatic Building and Labeling of HD Maps with Deep Learning

    作者:Mahdi Elhousni, Yecheng Lyu, Ziming Zhang, Xinming Huang

    翻译:particle

    本文仅做学术分享,如有侵权,请联系删除。欢迎各位加入免费知识星球,获取PDF论文,欢迎转发朋友圈分享快乐。

    论文阅读模块将分享点云处理,SLAM,三维视觉,高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享,欢迎各位加入我,我们一起每天一篇文章阅读,开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

    论文摘要

    在一个自动驾驶汽车越来越普遍的世界里,为这项新技术创造一个足够的基础设施是至关重要的。而这项基础设施就包括准确有效地构建带有标签的高精地图。如今,制作高精地图的过程需要大量的人工投入,这种方式不仅需要时间,而且容易出错。在这篇论文中,我们提出一个新的方法,能够从原始传感器数据中通过AI自动生产带有标记的高精地图。使用从测试车辆收集的数据,在多个城市场景中实施并测试了我们的方法。结果表明,所提出的基于深度学习的方法可以生成高精度的地图。这种方法加快了高精地图的生产和标注过程,为自动驾驶车辆的部署做出了有意义的贡献。

    ● 相关工作与介绍

    深度学习是自动驾驶的催化剂,在车道线以及障碍物的检测都十分出色,有时在激光雷达的融合下能够缓解深度和二位图像的精度问题,这有助于汽车安全驾驶,让汽车更智能的遵守交通规则。然而自动驾驶仅仅基于深度学习和相机的方法是注定失败的,因为相机的主要缺陷是受环境的亮度影响较大,那么这个弱点就需要将相机的数据与更加精确的传感器数据来融合弥补,那就是高精地图。

    高精地图是三维点云和相关予以信息的组合,3D的点云可用于车辆的定位,为了能够进行自主导航,所以需要构建点云数据的车道,道路和交通标志等位置信息,但是由于点云没有颜色信息,标记的点云数据上的标记位置明显缺乏准确性。仅仅依赖点云的强度将会导致更多的噪声数据,因此本文提出了基于深度学习的自动完成高精地图标注和生成的方法,并且与其他方法结合,以提高标注的准确性和鲁棒性,文章的主要贡献可以概括为一系列算法和流程,旨在为城市自动驾驶自动生成和标记高精地图。

    内容精华

    地图构建流程

    本文提出的地图绘制流程主要是在高精地图上标注道路信息的同时,构建周围环境的三维几何信息。在这里,我们标注的道路信息是可驾驶区域和车道。图1显示了整个流程的概况。为了清晰起见,我们定义了三个帧:地图帧Fm,其原点是地图开始处第一次扫描的中心,汽车帧Fc,其原点是车辆的中心,而激光雷达帧Fl的原点是激光雷达传感器的中心。

    图流程 结合3D-NDT和预训练的DNN生成带标签的高精地图

    道路地图

    我们将道路R定义为Fm框架中的多边形,限制了可驾驶的区域,但不一定合法。进行道路测绘有两个主要原因:

    •当道路上没有车道时,它可以引导自动驾驶车辆,有时单向街道也是如此。

    •它可以帮助我们描述的车道图。道路检测使用摄像机数据,投影到激光雷达数据上,经过细化以去除异常值,然后使用3D NDT算法的输出与先前的扫描进行累积。然后计算道路占用的区域并提取道路界限。我们将在下面的每个步骤中解释这些步骤。图2显示了道路绘制流程的概述。

    道路地图绘制流程。对来自摄像机FCN的结果进行修剪以去除异常值

    检测:对于检测道路,我们使用完全卷积网络(FCN)。将该网络应用于前置相机数据,将图像分割为两个区域:道路区域和非道路区域。这将产生一个二值图像,我们将结合激光雷达相机融合来分割出道路的点云。

    投影:我们首先使用相机参数来裁剪点云,这样我们就只对相机视野范围内的点进行操作。然后,利用激光雷达摄像机之间的外参,将二值图像投影到点云上,同时保证图像中的颜色信息被保留并传输到点云上。这将生成一个二进制点云,其中道路点的颜色与点云上的其他点不同。

    路沿检测:在某些情况下,FCN检测到的道路往往会在路沿边缘,尤其是当由于阴影、亮度变化或路沿太小而在图像框中难以区分路沿时。因此,我们需要通过移除预测道路中包含的所有路沿部分来改进FCN的结果。

       道路点云高程z直方图

    为此,我们根据z轴使用彩色点云和高程信息。我们首先使用基于颜色分割的方法从之前获得的彩色点云中提取道路点云,然后,如图3所示,我们将道路点云中的点的高程显示为直方图。它表明,提取的道路点云中的点遵循双峰分布,即包含两个峰值的分布,代表两个正态分布,平均值分别为µ1和µ2,标准差分别为σ1和σ2。这是有意义的,因为第一个法线分布表示路沿上的点,第二个法线分布表示道路上的点。在这种情况下,检测路沿包括将双峰分布分成两个正态分布,并排除包含路沿点的分布。为了实现这一点,我们使用了计算机视觉中常用的分割和聚类方法,称为Otsu方法(Otsu 1979)。

    应用于双峰分布的Otsu方法计算将这两类(在我们的例子中是道路和路沿)分隔开的最佳阈值。这使得排除位于路沿石上的大多数点成为可能,如图4所示,并留下一部分点,其高程遵循正态分布,平均值为µ1,标准偏差为σ1。作为最终检查,为了去除其余的异常值,我们将68–95–99.7规则应用于结果分布,并排除高程位于µ1−σ1和µ1+σ1之外的所有点。

     路沿检测之前(红色)和之后(绿色)的道路地图

    区域提取:为了提取可驾驶区域的界限,需要计算投影到(x,y)平面上的道路点云的轮廓。这可以通过使用凹面外壳(CH)(Moreira和Santos 2007)实现,这是一种基于k-最近邻方法的算法,旨在生成描述平面上一组点所占面积的包络线。利用CH生成的包络线构造描述可行驶区域的多边形。

    车道绘图

    我们定义一条L作为一组点L= {P1,P2,…,PN},其中π={xi,Yi,Zi}是FM帧中的i_0第四点的坐标。车道绘图生成是在道路上帮助自动驾驶车辆导航过程中,使其居中。使用相机数据检测车道,将其投影到激光雷达数据上,进行聚类和平滑处理以生成有意义的航路点,然后使用3D NDT算法的输出与先前的扫描进行累积。图显示了车道绘制过程流程的概述。

    车道绘制流程。对来自相机机LaneNET的结果进行平滑和聚类以生成车道分割点云。

    检测:对于车道检测,我们使用LaneNET。之所以选择此网络,是因为它能够检测到从前视相机可见的所有车道,而不仅仅是当前车辆的车道。网络输出与输入图像大小相同的掩模图像,其中属于车道的像素被标记和颜色编码。与我们对道路地图所做的类似,mask图像将与激光雷达相机校准相结合,生成车道点云。

    投影:由于离汽车越远,激光雷达相机校准的精度就会越低,因此我们首先将“摄像机视场点云”裁剪到距Fl帧原点一定距离L的位置,然后再将车道遮罩投射到其上。这有助于保持车道的形状,因为我们将在前进过程中累积投影和点云。最后,利用颜色分割方法,提取出属于车道的点,形成车道点云。

    聚类与平滑:生成的车道点云是有噪声的,并不总是遵循一个连贯的几何体。因此,我们建立了一系列的聚类和平滑步骤,这些步骤将被应用于车道点云,以生成一系列的路径点,这些路径点可以被自主汽车用来知道车道在空间中的位置。平滑和聚类应用于两个不同的层次:首先在Fl帧中处理单个扫描,然后在Fm帧中使用3D-NDT算法的输出将当前扫描与之前的扫描累积在一起。

    车道生成:LaneNET有时无法检测到车道,原因可能是亮度/对比度突然变化,车道不在摄像机视野范围内,或者车道根本没有绘制在道路上。我们通过结合检测到的成功车道、路缘检测算法以及道路上的车道是平行的这一事实来处理这个问题。

    首先使用路沿检测结果来检查是否检测到所有车道:根据路沿石的位置和车道宽度(由成功检测得出),我们可以判断是否检测到正确的车道数。如果某条车道缺失,我们使用最近的左车道或右车道生成它,方法是将上次扫描获得的车道点拟合为二次曲线,然后将每个点处的曲线法线与车道宽度相结合,生成一条新的车道。

    实验

    实验装置包括一台Lincoln MKZ,配备一台Velodyne Lidar VLP-16和一台FLIR PointGrey RGB摄像机,分别以10 Hz和30 Hz的频率记录。该车还配备了IMU/GPS,以辅助3D NDT算法。数据通过机器人操作系统(ROS)同步并记录为ROS包,然后离线处理。我们使用管道记录并构建了多个高精地图,从中我们选择了5个场景。每一个场景的选择都有特定的原因:

    •选择直路是为了证明道路测绘管道中路沿检测步骤的有效性。

    •选择CurveLoad以证明车道地图构建流程中平滑和聚类步骤的准确性。

    •选择mergeLane是为了证明车道地图构建流程能够处理出现新车道的情况,并且我们不局限于最初的车道。

    •选择交叉口来演示合并多张地图的结果。

    •选择公路是为了证明构建地图流程在大面积区域仍然有效。

    这些结果表明,车道地图流程能够准确标记车道并生成缺失车道

    红色是地面真相,蓝色是在路边检测之前,绿色是在后面。

    红色车道是地面真相,绿色车道是自动生成的。

    总结

    在这篇论文中,我们提出了一个自动建立和标注自动驾驶汽车高精地图的流程方案。流程中依赖于深度学习网络的结果,这些网络被训练来检测可驾驶区域和车道。然后,这些结果会自动进行后期处理,以便进行更正、改进或完成。我们的流程处理结果与人工标注的地面真实情况进行了比较,证明了本文所用方法的准确性和有效性。

    资源

    三维点云论文及相关应用分享

    【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

    3D目标检测:MV3D-Net

    三维点云分割综述(上)

    3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割(2020)

    win下使用QT添加VTK插件实现点云可视化GUI

    JSNet:3D点云的联合实例和语义分割

    大场景三维点云的语义分割综述

    PCL中outofcore模块---基于核外八叉树的大规模点云的显示

    基于局部凹凸性进行目标分割

    基于三维卷积神经网络的点云标记

    点云的超体素(SuperVoxel)

    基于超点图的大规模点云分割

    更多文章可查看:点云学习历史文章大汇总

    SLAM及AR相关分享

    【开源方案共享】ORB-SLAM3开源啦!

    【论文速读】AVP-SLAM:自动泊车系统中的语义SLAM

    【点云论文速读】StructSLAM:结构化线特征SLAM

    SLAM和AR综述

    常用的3D深度相机

    AR设备单目视觉惯导SLAM算法综述与评价

    SLAM综述(4)激光与视觉融合SLAM

    Kimera实时重建的语义SLAM系统

    SLAM综述(3)-视觉与惯导,视觉与深度学习SLAM

    易扩展的SLAM框架-OpenVSLAM

    高翔:非结构化道路激光SLAM中的挑战

    SLAM综述之Lidar SLAM

    基于鱼眼相机的SLAM方法介绍

    往期线上分享录播汇总

    第一期B站录播之三维模型检索技术

    第二期B站录播之深度学习在3D场景中的应用

    第三期B站录播之CMake进阶学习

    第四期B站录播之点云物体及六自由度姿态估计

    第五期B站录播之点云深度学习语义分割拓展

    第六期B站录播之Pointnetlk解读

    [线上分享录播]点云配准概述及其在激光SLAM中的应用

    [线上分享录播]cloudcompare插件开发

    [线上分享录播]基于点云数据的 Mesh重建与处理

    [线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

    [线上分享录播]地面点云配准与机载点云航带平差

    点云PCL更多活动请查看:点云PCL活动之应届生校招群

    扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示:

    如果你对本文感兴趣,请点击“原文阅读”获取知识星球二维码,务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球,免费下载pdf文档,和更多热爱分享的小伙伴一起交流吧!

    扫描二维码

                       关注我们

    让我们一起分享一起学习吧!期待有想法,乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉,点云,高精地图,自动驾驶,以及机器人等相关的领域。

    分享及合作方式:可联系微信“920177957”(需要按要求备注)联系邮箱:dianyunpcl@163.com,欢迎企业来联系公众号展开合作。

    点一下“在看”你会更好看耶

    展开全文
  • 1、下载unity https://unity.cn/releases/lts 2、导入点云数据

    1、下载unity

    https://unity.cn/releases/lts

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    2、导入点云数据

    在这里插入图片描述

    展开全文
  • 智能驾驶进阶4——高精地图

    千次阅读 2020-07-23 16:20:53
    高精地图高精地图和自动驾驶高精地图与其他模块的关系高精度地图作用高精度地图的采集与生产高精度地图的格式规范 高精地图和自动驾驶 L3以下可以不用高精度地图,L3+必须要用到高精度地图。 高精地图不一定比传统...

    高精地图和自动驾驶

    在这里插入图片描述
    L3以下可以不用高精度地图,L3+必须要用到高精度地图。
    高精地图不一定比传统地图精度更高,但包含信息更全面,或者实时性更强。
    高精地图的特征

    • 实时性
    • 描述车道或者车道边界线等,包含了人能看到的能影响驾驶的全部信息。

    高精地图与传统导航地图的区别示意在这里插入图片描述

    高精地图与其他模块的关系

    在这里插入图片描述
    定位
    目前两种主流定位方法:点云定位、视觉定位。
    比如,结合粒子滤波以及高精地图计算概率确认所在位置

    感知
    超距感知与隔障碍物感知、红绿灯感知
    弥补感知传感器的局限性:距离的局限性(如激光雷达在一定距离之外点云稀疏,摄像头在恶劣环境下的情况);雷达穿透能力强,精度不高;激光雷达穿透能力弱,遇到雾霾等天气会有较大误差;遮挡情况
    高精度地图的先验提高识别率,缩小检测范围。

    规划预测决策
    长距离规划(路由选择):类似于导航,主要针对于静态环境,但会考虑车道级别的规划。
    短距离规划(轨迹选择):通过高精度地图决定短距离规划的目的地(车道)
    预测:底层依赖于高精度地图,根据障碍物所在车道位置或者红绿灯等信息预测障碍物可能的运行轨迹。

    安全
    无人车的操作系统、控制系统、通信系统可能会被攻击、被干扰或者发生故障。
    高精度地图提供了一个离线的标准,与实时探测到的进行匹配。

    仿真系统
    基于高精地图构建仿真系统,保证测试时候的场景和实际道路运行的差别不会很大。

    高精度地图作用

    • 静态感知,把人的经验传递给自动驾驶系统
    • 弥补系统性缺陷,目前4G网络无法实现实时传输数据,云端计算

    高精度地图的采集与生产

    采集用的一些传感器

    • GPS:通过观测卫星(四颗及以上)得到地球上的点位置
    • IMU
    • 轮速计:通过分析每个时间段里左右轮的总转数,可以得出车走了多远,但路面情况会影响结果
    • 激光雷达

    生产——计算模型

    空间结构的三维重建在这里插入图片描述
    高度简化的计算模型在这里插入图片描述
    生产——视觉制图
    采用纯视觉的制图模式。

    1. 基于激光雷达:摄像头与激光雷达融合使用,激光雷达准确但信息少,摄像头信息更多
    2. 基于视觉:硬件较强的可以实时监测实时生成

    高精度地图的格式规范

    • NDS
    • OpenDRIVE
    1. NDS支持局部更新,提供一些描述功能,较为复杂,但信息很全面。
    2. 地图分块封装地图数据。
    3. OpenDRIVE中,道路被切分成多个section,车道线变化、虚实线变化、道路属性变化都是其划分原则。规定了参考车道,基于参考车道向左向右的车道ID分别递加递减。规定了路口概念,包含红色线(虚拟路),用于连接可通行方向。
    4. tracking坐标系:S相对于参考车道的起点的纵向偏移量;T基于参考车道的横向偏移量。所有车道线的描述都基于这个参考车道偏移描述。

    业界的高精地图产品

    1. HERE:基于云端的服务,精度高,更新快。
    2. HERE采集地图的流程:建立一个Base Map(利用激光雷达结合图像);众包更新;众包采集之后与Base Map匹配;云端Map Learing;云端将更新之后的地图传播到车端。
    3. 数据采集不能通过网络传输,高精的技术数据不允许在网络上传输。
    4. 点云分割,点云特征提取,点云的SLAM尚待完善。
    5. HERE地图的表述:
      • 道路车道层 Road&Lane Model Layer:最底层,道路车道边界的虚线(没有车道线的情况下也会提供虚拟车道线)实线,道路限速,道路标牌等
      • 定位层 Localization Model Layer:基于点云的和基于图像的定位方法都需要提取特征,该层用于表述用于定位的信息
      • 动态信息层 Activity Layer:描述路上一些动态事件,对实时性要求较高
      • 驾驶习惯层 Analytics Layer:收集驾驶员的驾驶习惯信息,使自动驾驶汽车开的更像人。把人的经验抽象为数据,把这种数据转化为自动驾驶汽车的驾驶准则
    6. MobileEye(下简称ME)技术体系分为三个层次:感知、制图、驾驶策略习惯
    7. ME在感知层面更多基于视觉图像层面。
    8. ME使用用REM的众包视觉制图;利用强化学习训练驾驶策略。
    9. ME的制图:提出道路经验管理,即一个众包系统,在终端上实时收集数据上传云端,更新后下发车端。
    10. 基于视觉方案的问题:对车道线的检测没有那么连续。
    11. Road Book 车端首先进行语义分析和几何形状提取,把信息压缩打包传输云端,减少传输带宽。
    12. Google Waymo
    13. GW更类似于一种栅格形式的高精地图,区别于传统的矢量数据地图。
    14. GW也是基于激光雷达加视觉融合的,但重新设计的激光雷达的感知距离很远
    15. TomTom能做到在云端的实时更新
    16. Road DNA定位方案:把三维的点云通过一定技术构建一个可对比可识别的feature

    Apollo地图采集方案

    硬件方案在这里插入图片描述

    1. 64线激光雷达采集道路路面,16线激光雷达斜向上装检测高处红绿灯、标牌信息。
    2. GPS采用RTK
    3. 长短焦相机
    4. 有监控传感器状态的部分,确保各个传感器在工作时情况良好
    5. 有一键式采集方案,在一键采集之前要确认传感器是正常工作的,传感器是已经被标定过的(不同厂家对同一个地面的反射值不同)。
    6. 在采集过程中,双向车道要采集3~5遍
    7. 一次采集行为会把所有结果(点云、车辆的标定参数、定位结果、pose结果等)都放进一个包
    8. 采集结束之后把数据传输给平台制图

    Apollo地图生产技术

    在这里插入图片描述

    1. 数据处理:数据分为点云和图像两类,因为高精度要求,所以制图以点云为主。
      (1)点云拼接:采集过程中信号可能不稳定(RTK在遮挡情况下会出现不稳定现象),通过SLAM等对pose做优化,优化之后对点云信息做拼接得到完整的点云信息。点云信息被压扁得到定位地图图像、反射地图图像。反射地图可以做一些标注。
      (2)点云图像处理后得到一个高精度图像,基于图像可以做精确的车道线识别,获得车道线的形状特征。但仍需要道路虚实线、黄白线、路口标识等信息,这时候需要元素识别。
    2. 元素识别
      (1)车的自动化程度不够 ,无法解决道路上没有车道线的部分以及无法理解逻辑信息(比如停止线和红绿灯的关联关系)
    3. 人工验证:车道线识别是否正确,补充关联处理。比如路口虚拟线的处理,这种虚拟线的处理依赖于半自动化的处理。
    4. 基于深度学习的地图要素识别有两个层面:
      (1)是否能基于点云分割,从点云里提取特征。
      (2)尝试从点云中提取车道线、灯杆、红绿灯等。
    5. 定位地图类似于整齐排列的小格子,存储了坐标信息和反射强度信息等,用于点云定位。
    6. 高精地图
    7. 路径规划地图主要用于车道级别规划的
    8. 仿真地图用于基于高精地图的仿真

    Apollo高精地图

    高精地图的数据元素
    在这里插入图片描述

    1. 道路本身分为道路级别(道路边界,是强约束)和车道级别(左右边界)
    2. 路口边界对感知做过滤

    在这里插入图片描述
    1.left sample中心线到两个(车道)边界的距离;left/right road sample车道中心线到道路物理边界的距离
    2.在车道变化的地方也做一个junction,可以给感知做一个约束
    3. 高精地图用UTM坐标系、WGS84、Tracking(ST)
    4. WGS84本身是一套全球经纬度。把整个地球想象成一个椭球,地面的高度是相对于椭球面的偏移,高低对应正负。
    5. Apollo OpenDrive规范(与标准OpenDrive的差异):在这里插入图片描述
    元素做了归类,road、junction、地面所有的标识都是object、标牌都是signal,用overlap关联。
    (1)标准是通过参考车道偏移量计算,Apollo是采用绝对坐标点序列描述边界形状,不采用方程的方式。好处是对下游的计算友好,不用再做点的采样。
    (2)标准基于偏移量的计算在道路急转弯情况会出现道路上的毛刺,可能导致无人车猛打方向盘造成危险。
    (3)扩展了禁停区、人行横道、减速带等元素。
    (4)新增了junction和junction之间的关联关系。(5)增加了车道中心线到真实道路边界的距离、停止线和红绿灯的关系。
    6. overlap:用来描述两个元素的空间关系。两个车道在空间上有重叠,则这两个车道有overlap。能进入到路边停车位的车道与停车位之间也存在overlap。下游的控制决策模块拿到地图之后,知道哪个车道进入停车位。
    7. HDMAP引擎:从HDMAP中提取相关元素给下游用。通过ID检索或者空间位置(点或半径)检索。
    8. 高精地图属于国家机密,不可以任何人都来做测绘。
    9. 国内地图的数据加偏,对发布的地图数据都做加密;高程、曲率、坡度不允许在地图里表述;

    展开全文
  • Apollo学习笔记 进阶课程之四:高精地图① 1、 高精地图与自动驾驶的关系 什么是高精地图高精地图 = 自动驾驶地图 HD Map = high definition map 高分辨率地图 HAD Map = high automated driving map 高度自动...

    Apollo学习笔记 进阶课程之四:高精地图①

    1、 高精地图与自动驾驶的关系

    1. 什么是高精地图?在这里插入图片描述
      高精地图 = 自动驾驶地图
      HD Map = high definition map 高分辨率地图
      HAD Map = high automated driving map 高度自动驾驶地图
      高精地图最显著的特点是表征路面特征的全面准确性。其要求有更高的实时性。
    2. 传统地图可能只有link,即道路之间的连接关系。而高精度地图需要描述车道、边界线、交通设施、人行横道等所有可能影响交通行驶的指标。
    3. 高精地图与导航地图的差别: 高精地图抽象为有向图结构
    4. 高精地图与其他模块的关系。在这里插入图片描述
      视觉定位/点云定位 特征提取 坐标转换 等
    5. 高精地图与感知模块: 超距感知与隔障碍物感知 红绿灯感知
      不同的感知器各有不同的局限性,激光雷达、camera、雷达。高精地图标注了道路元素位置,在感知检测之前就明确知道位置,可以进行针对性检测,补充deep learning的缺陷。
    6. 高精地图与规划、预测、决策模块: 先验信息、轨迹约束、预测选择
      长距离规划与短距离规划:目的地方向、根据实时信息做一些实时规划。
      预测:道路上其他交通参与者可能的轨迹信息。
      约束:根据实时信息做出避让行为后,由高精地图给出之后的方向信息。
      决策、控制:将决策结果分解为控制行为分发给控制模块。
    7. 高精地图与安全模块: 针对传感器的攻击,针对操作、控制、通讯系统的攻击
      高精地图提供一个离线标准。
    8. 高清地图与仿真系统: 搭建与真实场景高度一致的仿真场景,协助自动驾驶测试开发。
      强化学习,做碰撞。将道路上出现的问题带回仿真系统做测试。

    2、 高精地图的作用

    1. 静态的perception: 将人类可以理解的经验赋予驾驶系统。
      立交3D路网、下雪天传感器不工作、多红绿灯路口。
    2. 弥补系统性缺陷: 由于网络原因,无法传输大量数据,无法将计算放在云端实现云端计算,因而放在终端,终端计算量跟不上,需要其他模块辅助。
    展开全文
  • 1.高精地图和自动驾驶 1.1 自动驾驶分级标准   SAE将自动驾驶技术分为L0-L5共六个等级。L0代表没有自动驾驶加入的传统人类驾驶,L1-L5则随自动驾驶的成熟程度进行了分级。 L0: 就是人工驾驶,完全由驾驶员...
  • 【Baidu Apollo】2 高精地图

    千次阅读 热门讨论 2019-02-20 02:22:14
    Apollo的软件架构图 在进入这一节之前,先看一下百度Apollo的软件架构图 Apollo 2.0 软件架构 ...高精地图包含了大量的驾驶辅助信息,最重要的就是道路网络的三维描述。比如交叉路口的布局,交通标志牌的...
  • 前言:这节课主要介绍高精地图相关知识。个人水平有限,有理解错误地方,欢迎大大们批评指出。 CONTENTS: 1、 HD MAP OVERVIEW【高精地图介绍】 2、 OPENDRIVE PROTOCAL【路网协议,这里指高精地图协议】 3、 CLOUD ...
  • 高精地图:激光雷达点云与高精地图融合 定位精度和更新频率是高精定位的显著特征。 精度与频率:根据推算,高精定位需要实现≤25cm 的定位精度,更新频率≥100Hz,因此需要在一般导航定位方案的基础上,与激光雷达...
  • 主要有两部分的工作,第一部分是标注地图,即在高精度的slam地图地图标注出车道线等信息,纯手工标注的,有点麻烦,但小范围内的话也还行;第二部分是编写程序,提取出车道线等信息,供无人车参考。 1、标注地图 ...
  • 高精地图与自动驾驶的关系——主讲人:刘阳 百度自动驾驶事业部 研发工程师 1.高精地图是为自动驾驶而生的,L3/L4级别的自动驾驶必备。 2.什么是高精地图? 3.高精地图与其他模块的关系 4.高精地图的作用
  • 1)高精地图与自动驾驶 2)什么是高精地图 3)高精地图与导航地图 4)高精地图---无人驾驶的核心基础模块 5)高精地图与定位模块的关系 6)高精地图与感知模块的关系 7)高精地图与规划、预测、决策模块的关系...
  • 2.点云地图标注; 3.制作OpenDrive地图; 4.地图存储索引。 这篇文章主要讲解如何构建点云地图。 首先我们要有一段自己录制的激光雷达点云数据,这里推荐大家采用Velodyne16线激光雷达,因为这里我们构建的点云底图...
  • 高精地图众包生产模式

    千次阅读 2020-01-23 12:16:52
    2016年10月的某一天,上海某间办公室里,一台普通的台式电脑已在房间的角落孤独地...这是极奥科技绘制的第一张高精地图。 两年后的2018年,极奥所在的高精地图赛道已热闹非凡: 这一年,新成立的宽凳科技和Wayz.ai...
  • 【资料整理】高精地图

    万次阅读 2017-12-18 11:38:10
    高精细地图是指高精度、精细化定义的地图,其精度需要达到分米级才能够区分各个车道,如今随着定位技术的发展,高精度的定位已经成为可能。而精细化定义,则是需要格式化存储交通场景中的各种交通要素,包括传统地图...
  • 高精地图要求的是厘米级精度,因此仅仅采用卫星是不够的,通常会选择使用采集车在道路上进行移动采集,然后通过线下处理把各种数据融合产生高精地图,其制作过程主要包括数据采集、数据处理、对象检测、手动验证及...
  • Apollo课程学习2——高精地图HD Map

    千次阅读 2020-08-12 15:42:23
    Apollo课程学习2——高精地图HD Map学习前言高精地图概述一、什么是高精地图二、高精地图的特征三、高精地图与导航地图四、高精地图的作用1、静态的Perception2、弥补系统性缺陷五、高精地图与自动驾驶高精地图与...
  • 高精地图作为无人驾驶领域的稀缺资源以及刚需,在整个领域扮演着核心角色,可以帮助汽车预先感知路面复杂信息,如坡度、曲率、航向等,结合智能路径规划,让汽车做出正确决策。本文由...
  • 高清地图,在自动驾驶领域很重要的部分,如何制作高精地图一直是难点,目前主流要两种制作方式: 1. 传统地图厂商基于激光雷达高精GPS制作高精地图,如百度、高德,相对成本较高,本人曾经在百度地图部门任职,见...
  • 3.1业界高精地图产品 几个业界高精地图产品: HERE HD Live Map MobileEye Google Waymo TomTom 百度Apollo 3.2 Apollo地图采集 Apollo地图采集硬件方案 基础传感器配置 用途 64线激光雷达 平装,采集...
  • 课程介绍高精度地图的定义,其在无人驾驶各个模块的作用、高精度地图的采集与生产以及Apollo高精度地图的相关知识。 今天主要给大家分享百度L4车使用的高精度地图一些知识,我也想换个总结方法,以便让大家不会觉得...
  • 在无人驾驶中,除了camera,其他的传感器也十分重要,这其中就包括了雷达、定位和高清地图。 雷达的主要工作是检测车辆周围的环境, 定位是判断汽车的当前位置 高清地图的作用不仅仅是做好导航,它在其他方面的...
  • 自动驾驶高精地图调研

    千次阅读 2021-06-01 14:13:51
    1. 高精地图定义 高精地图即为“两高一多”的地图,在自动驾驶中常常被称为HapMap,这是自动驾驶汽车中非常重要的一部分 高精度:精度可以达到厘米级别 高动态:高精地图实时性,为了应对各类突发状况,自动驾驶...
  • 高精度地图系列

    2019-09-26 23:34:29
    高精度地图介绍:究竟什么才是高精度地图(一) 究竟什么才是高精度地图(二)究竟什么才是高精度地图(三) 转载于:https://www.cnblogs.com/biglucky/p/8056946.html...
  • 思路本文将主要介绍高德在高精地图地面标识识别上的技术演进,这些技术手段在不同时期服务了高精地图产线需求,为高德地图构建高精度地图提供了基础的技术保证。1. 地面标识识别地面标识识别,指在地图道路中识别出...
  • 在无人驾驶中,除了camera,其他的传感器也十分重要,这其中就包括了雷达、定位和高清地图。雷达的主要工作是检测车辆周围的环境,定位是判断汽车的当前位置,这都比较好理解,但是高清地图的作用不仅仅是做好导航,...
  • Apollo 运营与开发者生态负责人张辉,无人车感知核心算法技术负责人陈世佳,高精地图编译团队技术负责人王健,车联网语音语义整体技术负责人陈聪四位重量级嘉宾出席活动,在现场分享了 Apollo 最新的产品与技术干货...
  • 做高精度地图有一个很关键的地方:采集制作地图只是完成了10%的工作,另外90%则在日后的更新上,而采用众包则是我们更新地图的重要手段。 随着各家车厂宣布进入无人驾驶“军备赛”以来,领先车厂已经完成了辅助...

空空如也

空空如也

1 2 3 4 5 ... 18
收藏数 354
精华内容 141
关键字:

高精地图标注