自动驾驶建图--道路边缘生成方案探讨-编程知识

自动驾驶建图–道路边缘生成方案探讨

一、背景

对于自动驾驶来说，建图是必不可少的，目前主流厂商技术都在从HD到"无图"进行过渡筹备中，不过想要最终实现真正的"无图"还是有很长的一段路要走。对于建图来说，包含了很多的道路元素，车道线，停止线，斑马线，导流属性，道路边缘以及中心线(包含引导线)等。这里，中心线的预测通常是根据轨迹，通过数学公式进行拟合，目前学术上逐渐采用模型进行预测，但是对于下游(PNC)来说，还是存在不够平滑，曲率不够精准等问题，不过这个不在本次方案讨论范围内，先忽略，以后有空可以写一写。道路边界对于PNC来说也是至关重要，约束车辆行驶范围，避免物理碰撞发生。通常道路边界的生成有几种方法，一种是当做车道线的一部分，跟着模型一起输出，但是没有车道线的特征明显，容易漏检，而且道路边界是异形的，基于分割的方案会比基于Anchor的方案效果稳定一些。另一种是HD的方法，根据处理后的车道线，按照距离和规则等虚拟出道路边界线。本文给出一种新的解决方案，略微繁琐，但是优点是可以延用已有的公开数据集进行处理生成，快速落地验证，缺点是本方案不具备时效性，是离线的方法。

二、方案

数据集&模型 整个方案的pipline如上图所示，为了快速验证效果，所以直接采用了公开的数据集BDD100k，这个数据集主要是用于可行驶区域, 车道线以及全景分割等。它的车道线有标边线，但是没有区分类别，没办法直接用，所以采用freespace来进行验证。模型方面，理论上采用任何一个分割都可以，这里采用的是YOLOPv2, 模型提供了训练好的权重和推理脚本，输出如下所示。

YOLOPv2输出

差异性 这个数据集存在一个与建图的需求有所差异的问题，刚才提到这个方案是基于freespace做的，但是freespace是以实际能看到的边界作区分的而不是道路的边界，所以和实际建图的需求有一些diff，上面图里面能看到绿色的就是freespace的结果，被左边的车挡住了道路的边界，所以freespace就会以车辆边界作为自身的界限。如果是实时的没有什么问题，但是离线的话会产生diff，如果第一天有车，建图后，第二天发现没有车，那么可通行的范围就被压榨了。所以后续如果实际使用，需要以道路的边界作为freespace的边界线。

overview

整体方案 整个方案的pipline如上所示，对前视摄像头得到的图像进行畸变矫正后，喂进模型，输出对应的freespace，由于IPM对于边界以及远处的投影效果不好的问题，所以只选取车前15m，左右20m的范围，得到的freespace根据内外参以及自车位置投影到世界坐标系下。通过连续帧的叠加，可以生成世界坐标系下的2d点云。实际上需要的是边缘，所以还需要对点云进行处理得到道路的边缘，这里有尝试过PCL以及AlphaShape等点云处理方法，能解决部分case的提取，但是还是依赖于调参，没办法自动化处理，下面有一些bad case示例。

世界坐标系2d点云

2d点云

pcl滤波+边缘提取结果

AlphaShape

alphashape提取结果

针对上面的问题，首先对世界坐标系的点云进行投影映射，我这里设置的是1个像素表示0.05m，因为一个车道线大概15-20cm宽，所以这一点点的误差不影响反投影回去的结果。映射后，可以得到栅格的点云，由于从uv到世界坐标系转换中，远处的点会发散，所以在栅格图像中需要对其进行过滤和填充处理，处理前后如下图所示。

栅格处理

然后可以用图像处理的方法得到整个栅格图的边缘并根据映射关系反投影到世界坐标系下，根据下游的需求对矢量化的点进行稀疏采样或者插值处理，结果如下所示。

边缘处理

接下来一步，就是需要根据RTK信息来对边缘的两端进行截断(不然封闭的区域车也没发行驶)，此步骤略微繁琐，逻辑简化如下： - 根据属性判断是否是直行，转弯还是掉头路口等 - 根据不同的属性，设置不同的切分逻辑 - 直行|转弯，采用双头切分，分别根据起始和终止RTK位置，通过设置距离参数来找训左右两端的切分点进行切分。 - 掉头，采用单头切分，选定起始位置后定位关键点，通过设置较长的距离来贯穿整个掉头路口，定位4个点进行切分。 - 过滤异常点，平滑处理。