自动驾驶车辆需要准确且稳健的定位和地图构建算法，以在城市环境中安全可靠地导航。
本文提出了一种基于LiDAR传感器的离线地图构建和在线定位的新型传感器融合方案，所提出的方法利用了四个LiDAR传感器，地图构建和定位算法基于KISS-ICP，具有实时性能和高精度。介绍了一种生成语义地图的方法，用于驾驶任务，如路径规划。所呈现的方案已集成到基于ROS 2的Autoware软件栈中，为自动驾驶应用提供了稳健而灵活的环境。展示了该方案在给定的研究车辆和实际自动驾驶应用中优于最先进的方法。
介绍
稳健而准确的定位在城市自动驾驶领域起着核心作用，特别是在周围建筑物高耸的城市区域，需要具有不仅依赖全球导航卫星系统（GNSS）的定位系统，这就是同步定位与地图构建（SLAM）问题发挥作用的地方，解决SLAM任务的首选传感器是LiDAR传感器，在自动驾驶的背景中得到了广泛应用，规划轨迹并在这些地图环境中行驶需要额外的语义地图，包括车道信息。
激光雷达相关工作
LiDAR SLAM: 过去几年中，LiDAR SLAM方法在不同的方法中展现了令人信服的结果。一些表现最佳的算法包括LOAM、MULLS和CT-ICP。KISS-ICP算法是一种迭代最近点（ICP）方法，侧重于易于适应。它保证可以在多种应用和用例中立即有效地工作，并且是为实时和实际应用而开发的。然而KISS-ICP是一种针对LiDAR测距算法，因此不提供循环闭合或后端优化。
多LiDAR定位：一些工作已经处理了多LiDAR系统及其附加挑战。与单一LiDAR的主要区别在于传感器时钟的空间校准和时间同步至关重要，M-LOAM是LOAM的扩展，它添加了多LiDAR支持，还具有在线校准的能力。其他方案侧重于LiDAR-LiDAR校准，这对于融合来自不同传感器的点云至关重要。
自动驾驶车辆（AVs）的地图制作：除了3D点云地图外，大多数自动驾驶软件堆栈都基于提供语义信息的高精（HD）地图。一个挑战是在规模上生成这些地图并保持其更新。语义地图的方法可以是基于深度学习的，也可以是基于传统算法的，Lanelet2是一种广泛使用的车道级地图格式。
车辆配置
用于实现这项工作的自动研究车辆EDGAR（图1）具有四个LiDAR，其中包括两个Innovusion Falcon Kinetic，用于前后的远距离，以及两个Ouster OS1-128，倾斜20度放置在车辆两侧，以覆盖车辆周围的近中距离。
图1：用于研究的车辆EDGAR
图2显示了LiDAR的视场（FOV），相对较多的LiDAR数量是作为整体车辆概念的一部分选择的，以在城市和拥挤区域中安全驾驶，避免与许多近距离的物体（如行人）发生碰撞。
图2：EDGAR LiDAR的鸟瞰视角中的视场
因此定位模块必须融合LiDAR数据，以实现可靠且稳健的定位，在具有GNSS覆盖范围的区域进行参考定位时，可以使用RTK校正的差分GNSS系统。表I列出了相关的硬件组件。
内容概述
整体流程如图3所示。在对原始数据进行预处理后，我们离线构建了一个3D点云地图和语义地图，并将其参照GNSS轨迹，在线使用点云地图通过扫描配准来定位车辆，一个扩展卡尔曼滤波器（EKF）融合了所有信息并输出高频自身状态，该流程集成到基于Autoware1软件栈的自定义ROS2环境中。
图3：介绍的多激光雷达定位和建图方案概述
传感器融合
传感器融合策略对流程的性能至关重要。在处理点云之前，会应用预处理步骤，如体素滤波，以减少数据量。此外，必须进行去畸变校正，以减少LiDAR扫描的运动模糊。许多问题源于传感器数据的空间校准或时间同步的不准确性。
为了最小化这些问题，我们为每个LiDAR扫描运行单独的配准，而不是在配准之前融合所有点云。首先将每个扫描转换成一个联合框架，然后与地图匹配，通过这种方式，我们无需关心单个扫描之间的时间差异，也可以轻松补偿校准误差。
地图构建
地图构建流程包括3D点云地图和语义地图方法，用于提取车道级别的信息。
点云地图：为选择地图方法，评估了先前提到的SLAM算法，由于非典型的LiDAR配置和上述一些挑战，一些LiDAR SLAM算法未能创建一致的地图，这里采用分离帧扫描配准的KISS-ICP在地图创建方面表现出稳健的行为，地图经过交互式SLAM后处理。该框架允许在轨迹沿途的个别姿势基础上执行回环闭合和图优化。
语义地图：路径和行为规划需要语义地图，语义地图流程的目标是尽可能自动化，然而仍然需要手动语义地图流程来纠正错误标记的部分并生成地面实况数据，对于手动语义地图，使用Vector Map Builder2。通过标记车道边界等手动标注点云地图，正在开发自动语义地图流程以实现更好的可扩展性。点云地图经过基于强度的过滤，以提取白色道路标线。使用沿驾驶轨迹的滑动窗口方法检测路沿带。
这两个基本的道路边界元素在先验语义地图中融合，在没有线和路沿带的情况下，语义信息用于提取道路边界。因此在构建点云地图之前，通过将LiDAR扫描投影到分段的2D摄像机图像中，为它们涂上语义标签。由于多LiDAR设置，先进的3D LiDAR分割算法效果不佳。然后，将被分割为道路的区域边界与现有的语义车道地图融合。自动语义地图流程在图4中可视化。
图4：从激光雷达点云和语义图像中提取语义街道图
地理参考：由于在地图构建过程中未使用GNSS，因此必须对地图进行地理参考以允许在定位期间使用GNSS，经过UTM投影到本地笛卡尔坐标后，使用Umeyama算法粗略对齐轨迹，手动选择每个轨迹的一定数量的对应控制点。基于这些点云使用linear rubber sheet transformation 来匹配轨迹。然后将这些变换应用于地图。投影到全球坐标提供了地理参考的地图，这还使得可以使用来自OpenStreetMap的信息对语义地图进行自动丰富和评估。请注意，linear rubber sheet变换仅在2D中起作用。
在线定位
根据地图构建的结果，定位也基于KISS-ICP，因此该算法已经被扩展。在定位模式中，标准实现中使用的局部地图被先前创建的点云地图替换，以实现可靠的无漂移定位。此外算法可以使用外部状态估计器的估计值对点云配准的初始姿势进行估计。基于Autoware实施了一个基于扩展卡尔曼滤波器（EKF）的方案，用于融合LiDAR配准、GNSS、IMU、轮速信息和车辆动力学模型的假设。
实验
结果
所提出的流程使得能够创建用于自动驾驶的准确且详细的高精晰度地图，由KISS-ICP离线创建的地图显示出在配准的点云帧之间具有高一致性。然而在整个轨迹的长度上积累了大量的漂移。在交互式SLAM中的后处理可以显著减小绝对位置误差（APE）。在我们的示例中（图5），APE的均方根误差（RMSE）从12.7米减小到3.6米。
图5：KISS-ICP轨迹的APE（a）和通过交互式SLAM后处理的轨迹（b）
这使得可以利用GNSS的绝对位置，结合LiDAR配准的相对估计用于定位。图6显示了使用所提出的流程生成的点云地图。
图6：在TUM Campus Garching生成的点云地图的局部截图
讨论
尽管在创建地图和定位方面取得了良好的结果，并且在定位方面采用了强大的方法，但我们的流程仍然存在缺点。单个LiDAR传感器的配准可以补偿同步和外参校准误差，但它会导致轨迹嘈杂，因为姿势会在校准不良的传感器帧之间跳跃，附加的计算要求将需要更详细地研究。
我们的地理参考依赖于参考轨迹，这需要可靠的GNSS信号，结果的精度直接取决于外部位置信号的标准差。此外语义信息提取的性能强烈依赖于所选择的场景，由于缺乏标记数据，目前无法对真实世界数据进行全面的量化，该流程仅在TUM校园周围的有限环境中进行了测试，为更好地评估整个流程的稳健性，有必要对各种真实世界场景进行评估。
总结
在这项工作中，我们提出了一种用于AV多LiDAR建图和定位的流程，与最先进的SLAM算法相比，我们对传感器融合和分离的LiDAR配准的方法已经证明是有效的，通过对点云地图进行后处理进一步改善了结果并将其与全球参考坐标系关联起来。
展示了如何合并不同的数据源以向地图添加语义层，在静态地图中使用多模态定位，即使在GNSS受阻的城市道路交通中，也能实现可靠的定位。为了提高方法的稳健性和准确性，将开发一种在线多LiDAR校准方法，此外，需要进行更全面的评估，以充分量化我们的方法。
转载自点云PLC，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。
-- END --
