編者語：后臺回復(fù)“入群”，加入「智駕最前沿」微信交流群

我們平時(shí)開車時(shí)，判斷自己在哪條路、哪個車道，只需要看一眼導(dǎo)航、掃幾眼車道線、再聽聽提示就夠了。但對自動駕駛汽車來說，這件事既簡單又復(fù)雜。簡單在于自動駕駛汽車擁有比人類更多的“感官”和更強(qiáng)的計(jì)算能力；復(fù)雜則在于，這項(xiàng)工作必須做到精準(zhǔn)（米級甚至分米級）、穩(wěn)定、連續(xù)，并且要在各種極端環(huán)境下都要可靠。那自動駕駛汽車是如何確定自己的位置和所在車道的？

圖源自：網(wǎng)絡(luò)

車輛如何感知世界？

自動駕駛汽車要知道“我在哪兒”，首先要做的就是得能感知周圍環(huán)境。自動駕駛汽車的“感官”主要包括衛(wèi)星定位系統(tǒng)、慣性測量單元、車速傳感器、攝像頭和激光雷達(dá)等傳感器。每種傳感器各有優(yōu)缺點(diǎn)，通常會把它們組合起來，取長補(bǔ)短。

衛(wèi)星定位（如GPS、北斗、GLONASS等）能提供車輛大致的經(jīng)緯度和高度。衛(wèi)星定位精度可達(dá)幾米，但僅靠原始信號難以滿足車道級（小于一米）的精度要求。因此常采用差分技術(shù)、實(shí)時(shí)動態(tài)定位（RTK）或星基增強(qiáng)系統(tǒng)，將精度提升至亞米甚至分米級別。不過這些技術(shù)對基站覆蓋、信號遮擋和多路徑反射比較敏感，如果在高樓林立、立交橋下或隧道中，就容易發(fā)生信號丟失或誤差增大的情況。

圖片源自：網(wǎng)絡(luò)

慣性測量單元（IMU）中包含加速度計(jì)和陀螺儀，能提供短時(shí)間內(nèi)的姿態(tài)變化和加速度信息。它的優(yōu)點(diǎn)是響應(yīng)快、短時(shí)穩(wěn)定，但長時(shí)間使用就會產(chǎn)生漂移。車輪里程計(jì)或車速傳感器則用于提供行駛里程信息，但輪胎打滑或直徑誤差會影響其準(zhǔn)確性。

攝像頭可以捕捉車道線、路緣、交通標(biāo)志和周圍車輛等信息，是判斷“在哪個車道”的關(guān)鍵傳感器之一。不過攝像頭對光照、雨雪、霧霾和污漬比較敏感，但在能見度好的情況下，它能提供豐富的語義信息。激光雷達(dá)（LiDAR）能精確測量周圍物體的三維距離，生成點(diǎn)云，用于匹配高精地圖或提取道路幾何特征。激光雷達(dá)不受光線影響，但在雨雪霧天氣中，點(diǎn)云質(zhì)量也會下降。通過綜合這些傳感器的信息，自動駕駛汽車就能建立起對自身位置和周邊環(huán)境的認(rèn)知。

傳感器融合與濾波，把“雜亂信息”變成可靠的位置

融合衛(wèi)星定位、IMU、里程計(jì)、激光雷達(dá)和攝像頭的數(shù)據(jù)，需要借助卡爾曼濾波及其擴(kuò)展形式、粒子濾波，以及現(xiàn)代機(jī)器學(xué)習(xí)方法的輔助等數(shù)學(xué)工具來處理不確定性。每個傳感器給出一個估計(jì)值和不確定度，再通過狀態(tài)空間模型和觀測模型，把這些估計(jì)融合成一個最優(yōu)的、帶有不確定度的位姿估計(jì)。

擴(kuò)展卡爾曼濾波（EKF）或無跡卡爾曼濾波（UKF）作為比較常見的方案，它們用于融合IMU和輪速計(jì)的高頻短期信息與GPS的低頻絕對信息。這樣可以在有GPS信號時(shí)校正IMU漂移，在無GPS時(shí)依靠IMU維持短期穩(wěn)定。粒子濾波（蒙特卡洛定位）則廣泛用于地圖匹配問題，尤其適合非線性和非高斯噪聲的場景。現(xiàn)在的技術(shù)方案中，常采用分層融合架構(gòu)，底層用高頻IMU進(jìn)行即時(shí)狀態(tài)傳播，中層用里程計(jì)和視覺/激光里程信息施加短期約束，高層則周期性地使用GPS或地圖匹配進(jìn)行全局校準(zhǔn)。

圖片源自：網(wǎng)絡(luò)

時(shí)間同步和空間標(biāo)定也非常關(guān)鍵。不同傳感器的數(shù)據(jù)必須對齊到同一時(shí)間戳，否則融合結(jié)果會出現(xiàn)明顯偏差。空間標(biāo)定則用于確定各傳感器在車體坐標(biāo)系下的位置和朝向，標(biāo)定誤差會直接導(dǎo)致定位錯誤。因此要采用嚴(yán)格的時(shí)間同步機(jī)制（如PPS信號、PTP網(wǎng)絡(luò)時(shí)間協(xié)議）和標(biāo)定流程（如標(biāo)定板、靜態(tài)點(diǎn)云配準(zhǔn)）來避免這個問題。

不確定性的管理也很重要。融合算法不僅要輸出最優(yōu)估計(jì)值，還要給出置信度或協(xié)方差。這個置信度對上層決策至關(guān)重要，當(dāng)定位置信度低時(shí)，車輛需要降低速度、加大跟車距離、增強(qiáng)環(huán)境感知，或切換至更保守的駕駛策略。

地圖與定位，從“在哪條路”到“在哪條車道”

衛(wèi)星和慣性信息能把車輛定位到路網(wǎng)的大致位置，但要精確到具體車道，還需要高精地圖和地圖匹配技術(shù)的支持。高精地圖包含車道中心線、車道邊界、路緣、車道拓?fù)潢P(guān)系、斑馬線、交通標(biāo)志以及路面幾何細(xì)節(jié)，精度一般達(dá)到厘米級。車輛通過將實(shí)時(shí)傳感器觀測與高精地圖進(jìn)行匹配，就能實(shí)現(xiàn)車道級定位。

地圖匹配有多種方式。激光雷達(dá)點(diǎn)云匹配常用迭代最近點(diǎn)（ICP）或正態(tài)分布變換（NDT）等方法，將當(dāng)前掃描到的點(diǎn)云與地圖中的點(diǎn)云或網(wǎng)格進(jìn)行配準(zhǔn)，從而修正位姿。視覺方法則利用攝像頭捕捉的路面特征（如路緣、地面標(biāo)志、建筑物等）與地圖中的視覺標(biāo)記或語義信息進(jìn)行匹配。現(xiàn)階段的技術(shù)方案中還會借助深度學(xué)習(xí)提取更穩(wěn)健的特征描述子來提升匹配效果。

判斷具體車道還需要實(shí)時(shí)檢測與跟蹤車道線。攝像頭常用于車道線檢測，配合鳥瞰變換和多幀跟蹤算法，可以穩(wěn)定估計(jì)車輛相對于車道中心線的橫向偏差和航向角誤差。激光雷達(dá)也能在某些場景下，通過點(diǎn)云中地面與路緣的高度差或連續(xù)性輔助判斷車道邊界。將檢測到的車道線與地圖中的車道線匹配后，就能明確“當(dāng)前在哪條車道、在車道中的具體位置”。

需要注意的是，地圖并非絕對可靠。當(dāng)出現(xiàn)道路施工、臨時(shí)交通管制、車道標(biāo)線褪色等情況時(shí)，都可能導(dǎo)致地圖與實(shí)際路況不符。因此，定位系統(tǒng)不僅要匹配當(dāng)前地圖，還要能檢測地圖與現(xiàn)實(shí)是否一致，并及時(shí)調(diào)整策略。

沒有地圖或地圖失配時(shí)怎么辦？

當(dāng)?shù)貓D缺失或失配時(shí)，自動駕駛汽車如何確定自己的位置？如果地圖缺失時(shí)，可采用視覺/激光SLAM（即時(shí)定位與地圖構(gòu)建）、視覺里程計(jì)，以及基于學(xué)習(xí)方法的場景識別與重定位。SLAM的核心目標(biāo)是同時(shí)估計(jì)自身位姿并增量構(gòu)建環(huán)境地圖，再通過回環(huán)檢測減少累積誤差，得到一致性更好的軌跡和局部地圖。

視覺里程計(jì)通過跟蹤相鄰幀之間的特征點(diǎn)或使用光流來估計(jì)相對運(yùn)動，結(jié)合IMU可以在短時(shí)間內(nèi)獲得較好的位移估計(jì)，適合在地圖缺失或GPS不可用的短暫時(shí)段維持定位連續(xù)性。激光里程計(jì)基于連續(xù)點(diǎn)云配準(zhǔn)，抗光照變化能力強(qiáng)，但在點(diǎn)云稀疏或遮擋嚴(yán)重的區(qū)域也可能出現(xiàn)問題。

由于各方案都存在不確定性，冗余設(shè)計(jì)就非常重要，即使GPS失效，車輛仍可依靠IMU和里程計(jì)維持短期定位；即使攝像頭在夜間或霧中受限，激光雷達(dá)還能提供結(jié)構(gòu)信息；即使激光雷達(dá)被遮擋或失效，視覺和地圖信息也能輔助定位。系統(tǒng)會持續(xù)評估每個傳感器的健康狀況與數(shù)據(jù)質(zhì)量，并動態(tài)選擇最可靠的組合。

圖片源自：網(wǎng)絡(luò)

除了傳感器冗余，軟件層面也需采用冗余策略，當(dāng)全局匹配失敗時(shí)，系統(tǒng)應(yīng)進(jìn)入“退化模式”，要求車輛減速、增大橫向容錯空間、啟用更保守的軌跡規(guī)劃或提示人工接管。在完全無人值守的場景下，車輛則需緩慢駛離主路，進(jìn)入安全停靠區(qū)，直至定位恢復(fù)。

對于自動駕駛汽車來說，定位并不是最終目的，而是自動駕駛車輛做出決策和控制的基礎(chǔ)。車輛的定位收集到的道路參考、車道可用性信息、與交通法規(guī)相關(guān)的位置標(biāo)注等結(jié)果會提供給路徑規(guī)劃模塊。規(guī)劃模塊需要知道車輛在車道內(nèi)的具體位置、未來幾米到幾百米的車道拓?fù)浣Y(jié)構(gòu)，以便執(zhí)行變道、超車、轉(zhuǎn)彎等動作。

最后的話

自動駕駛汽車判斷自己在哪個車道這一看似簡單的動作，其實(shí)需要衛(wèi)星定位、慣性導(dǎo)航、視覺與激光感知、高精地圖、實(shí)時(shí)濾波與地圖匹配算法、傳感器冗余、時(shí)間與空間同步，以及一整套容錯與降級策略的配合。這些模塊就像樂隊(duì)中的各種樂器，各自演奏著自己的部分，又必須緊密協(xié)作。

-- END --