自動(dòng)駕駛車(chē)輛通常都是預先建立地圖，然后利用此圖進(jìn)行定位，所以真正的、完整的、G貴的SLAM只發(fā)生在D一次采集并生成地圖之后，后續就是如何用這些地圖進(jìn)行定位導航的問(wèn)題。另一方面，自動(dòng)駕駛用的地圖和機器人的地圖。

低速自動(dòng)駕駛車(chē)輛的地圖

乘用車(chē)，大家也了解，一年半載的肯定沒(méi)法實(shí)際上路，上了路還有一系列的法律法規問(wèn)題，還有一堆的世（shi）界（shi）難（ju）題（keng）等著(zhù)各位工程師去解決（tian keng）呢，所以這會(huì )兒我們也不需要多么著(zhù)急（反正有更著(zhù)急的人在）。

而對于低速車(chē)來(lái)說(shuō)，相對安全，避不了障大不了先停在原地讓人先過(guò)，還顯得文明禮讓?zhuān)ㄎ壹业漠a(chǎn)品避障完全沒(méi)問(wèn)題�。。�。這兩年各種配送、清掃、挖礦之類(lèi)的自動(dòng)駕駛低速車(chē)會(huì )慢慢的抬頭，大家應該會(huì )漸漸看到一些功能和價(jià)格都能夠接受的產(chǎn)品。而我自己是做SLAM的，所以主要談?wù)勥@類(lèi)車(chē)上的SLAM問(wèn)題。

和學(xué)術(shù)界平時(shí)說(shuō)的SLAM不同，自動(dòng)駕駛車(chē)輛通常都是預先建立地圖，然后利用此圖進(jìn)行定位，所以真正的、完整的、G貴的SLAM只發(fā)生在D一次采集并生成地圖之后，后續就是如何用這些地圖進(jìn)行定位導航的問(wèn)題。另一方面，自動(dòng)駕駛用的地圖和機器人的地圖，對，就是你平時(shí)見(jiàn)到的那種，ROS里的黑白灰圖，也會(huì )有點(diǎn)差別。

ROS里的占據柵格地圖，我喜歡叫它黑白灰圖

機器人用的柵格地圖，很顯然，主要表達何處有障礙物，何處是可通行的區域，此外就沒(méi)有了。它具有基礎的導航與定位功能，精度也不錯（厘米級），制作起來(lái)十分簡(jiǎn)單，基本可以讓機器人自動(dòng)生成。對于送餐掃地的室內機器人來(lái)說(shuō)，這種地圖基本就夠用了。但是為什么自動(dòng)駕駛不用這種圖呢？它和G精地圖有哪些差別呢？

一條很明顯的區別是：在室內，機器人可以去任意可以通過(guò)的地方，不會(huì )有太多阻攔。而對于自動(dòng)駕駛來(lái)說(shuō)，每條路都有對應的交通規則：有些地方只能靠右行駛，有些地方不能停車(chē)，十字路口還有復雜的通行規則。

智行者科技無(wú)人清掃消毒車(chē)蝸小白

室內機器人可以利用柵格地圖進(jìn)行導航，但在室外可不能在十字路口上橫沖直撞。所以，在導航層面，室內與室外的機器人出現了明顯的區別。室內的導航可以基于柵格來(lái)實(shí)現諸如A*那樣的算法，但室外基本要依賴(lài)事先畫(huà)好的車(chē)道。如果你希望你的外賣(mài)機器人既能在室內取貨，又要跑到馬路上送到2公里外面的客戶(hù)家中，那么就得同時(shí)考慮這兩種地圖的使用方法了。所以你看，低速車(chē)輛是界于傳統移動(dòng)機器人與乘用車(chē)之間的產(chǎn)物，它的地圖比兩邊現成產(chǎn)品都要復雜。

我們會(huì )用不同的術(shù)語(yǔ)來(lái)描述地圖的構建階段。大體來(lái)說(shuō)，從一無(wú)所有的采集過(guò)程開(kāi)始，我們會(huì )碰到兩個(gè)大階段：

1、SLAM階段：解決從原始傳感器數據開(kāi)始，構建某種基礎地圖的過(guò)程（一般是三維點(diǎn)云或二維圖像、柵格）；

2、標注階段：在SLAM結果基礎上進(jìn)行人為標注，實(shí)現更精細的交通規則控制。

SLAM階段往往是自動(dòng)的，而標注階段目前還主要是人工的，出色體現了“人工智能”相合作的過(guò)程。目前乘用車(chē)G精地圖生產(chǎn)主要成本是在標注階段，通常是一群人在在電腦前加班加點(diǎn)地趕著(zhù)各種工程排期。顯然，這個(gè)標注過(guò)程的好壞直接影響地圖質(zhì)量，一旦標錯就等著(zhù)觀(guān)賞車(chē)輛各種怪異行為吧。

然而，我們也沒(méi)法完全實(shí)現標注過(guò)程的自動(dòng)化，因為很多人為規則并不體現在場(chǎng)景數據里。比如公園里的草坪，物流車(chē)大概不能走上去，而灑水車(chē)大概就應該在草坪上行走，而我們無(wú)法通過(guò)點(diǎn)云或圖像識別出此類(lèi)規則，給此類(lèi)地圖帶來(lái)了很大的人工工作量。

比如下面這個(gè)點(diǎn)云圖，雖然結構上看不出來(lái)，但實(shí)際上中間一圈是一個(gè)草坪，正常情況下車(chē)輛是不能進(jìn)去的。所以，只能通過(guò)人工來(lái)標注車(chē)輛的行駛區域，才能讓小車(chē)正確地導航。

標注過(guò)程通常是一些非常繁瑣的步驟，而且因為繁瑣所以?xún)r(jià)格還挺G。根據2019年的《G精地圖產(chǎn)業(yè)發(fā)展現狀及趨勢》，一公里G精地圖的成本費用還在幾千至幾萬(wàn)元。采集車(chē)雖然貴但畢竟只有幾臺，計算機開(kāi)一下程序也只需要一些電費，所以成本主要還是在標注上面。這里的商業(yè)化道路還是挺困難的，然而也沒(méi)什么辦法（攤手）。

問(wèn)題低速車(chē)輛的SLAM

由于我個(gè)人是做SLAM的，咱們還是把主題回到SLAM上來(lái)。目前室外車(chē)輛的SLAM還是以多線(xiàn)激光為主。雖然激光SLAM原理上比較成熟，然而實(shí)際結合其他傳感器來(lái)SLAM，還是有一些問(wèn)題的。學(xué)術(shù)界的論文總喜歡挑好看的結果來(lái)發(fā)表，而現實(shí)問(wèn)題往往是骯臟的、動(dòng)態(tài)的、復雜的，這一點(diǎn)，沒(méi)解決過(guò)實(shí)際問(wèn)題的人可能感受不深。

低速車(chē)輛如果真正應用，那么地圖構建時(shí)間就不能太長(cháng)。如果我們在意地圖質(zhì)量的話(huà)，標注工作基本是省不了的，所以對SLAM端的要求就可以總結為：自動(dòng)化、G可靠性，以及對復雜環(huán)境的適應能力（不需要現場(chǎng)人員調參）。這件事情看似簡(jiǎn)單，但實(shí)際用來(lái)總有各種各樣的問(wèn)題。

激光SLAM

激光SLAM的基本原理就是點(diǎn)云拼接，有些地方也叫注冊、配準，等等�？梢岳�用柱狀物等特征信息來(lái)拼接，也可以直接用點(diǎn)來(lái)拼接，總之這方面各種方法大同小異，區別不大。激光SLAM的開(kāi)源項目也有很多，感興趣同學(xué)可以看看LOAM/Lego-Loam等經(jīng)典的方案。

Lego-LOAM  Demo圖

當然，論文上的圖片肯定是美麗的，實(shí)際當中也肯定是會(huì )遇到問(wèn)題的。如果只靠激光配準就可以把地圖生成出來(lái)，那這邊SLAM也就沒(méi)什么難度可言了。我們不妨來(lái)看看激光SLAM有什么實(shí)際問(wèn)題。

1、點(diǎn)云拼接是個(gè)類(lèi)似于里程計的過(guò)程，它們計算的是局部點(diǎn)云之間的相對運動(dòng)關(guān)系。這個(gè)運動(dòng)誤差會(huì )逐漸累計，直到地圖出現嚴重變形。其中，G度上的變形會(huì )比較明顯，你會(huì )發(fā)現地圖一端可能會(huì )“翹起”或“下沉”。

激光SLAM的累計誤差使得地圖G度出現錯誤，兩側對不上

2、點(diǎn)云拼接的結果依賴(lài)于現場(chǎng)的實(shí)際三維結構。在結構化道路中，基本可以期待地圖由中間的馬路與兩側的路牙、樹(shù)木、護欄組成；但在非結構化道路中，很難對場(chǎng)景結構有一個(gè)先驗的知識。它可以是普通馬路，也可能是人來(lái)人往的商業(yè)街，也可能是萬(wàn)眾聚會(huì )的廣場(chǎng)……總之，你很容易看到激光失效的場(chǎng)景。

激光匹配在廣場(chǎng)或單側臺階等場(chǎng)景下會(huì )導致失效，原本直線(xiàn)前進(jìn)的軌跡會(huì )出現扭曲情形，并使得遠處物體模糊

3、更常見(jiàn)的就是來(lái)回路段由于匹配失誤導致地圖出現重影，有些論文也稱(chēng)為“鬼影”。這種現象出現的原因，是兩個(gè)激光點(diǎn)云看到了同樣的結構，但由于距離較遠，匹配算法沒(méi)法將它們完整匹配起來(lái)。

4、后，純粹由激光匹配得到的地圖，沒(méi)有現實(shí)世界物理位置信息。如果缺少物理世界信息，那么你沒(méi)法按照點(diǎn)云圖把車(chē)輛導航到指定位置；如果有兩個(gè)激光點(diǎn)云時(shí)，也很難把它們出色地拼接起來(lái)。

所以，我們需要處理激光與其他傳感器的組合。在點(diǎn)云失效時(shí)，嘗試用其他傳感器進(jìn)行補償；在點(diǎn)云出現累計誤差時(shí)，用其他傳感器來(lái)進(jìn)行修復。

激光SLAM和GPS組合

室外自動(dòng)駕駛車(chē)輛通常有一個(gè)GPS接收器，指示其物理世界位置。結合GPS信號，我們就可以構建帶有物理世界經(jīng)緯度的地圖。這個(gè)物理坐標在某些業(yè)務(wù)中是很重要的，因為車(chē)輛很可能需要導航到另一個(gè)真實(shí)世界的建筑物中。相對的，純室內的小車(chē)就不需要這種坐標，因為它們只在一間或幾間屋里導航，而不必關(guān)心這間屋子在真實(shí)世界當中什么位置。

智行者科技無(wú)人清掃消毒車(chē)蝸小白

GPS的一大特點(diǎn)就是“看天吃飯”。信號好的時(shí)候它可以到達厘米級定位，可以直接使用差分GPS+IMU的結果來(lái)進(jìn)行組合導航。這種做法在如今的無(wú)人車(chē)、無(wú)人機里還很常見(jiàn)。對于天天在G速公路上奔跑的乘用車(chē)來(lái)說(shuō)，J大部分情況下可以以GPS為主導；但是，對于園區里運營(yíng)的小車(chē)，進(jìn)個(gè)樹(shù)林穿個(gè)夾層都是稀松平常的，GPS“信號不好”比“信號良好”更加常見(jiàn)。你能夠接受無(wú)人車(chē)因為“信號不好”半路拋錨的情況嗎？

在公園、景區的道路上，小車(chē)會(huì )經(jīng)常穿梭于樹(shù)林、橋梁之中。這些地形上GPS很有可能出現大范圍不可用的情形

GPS噪聲是個(gè)很有意思的模型。通常GPS接收器根據自身接收情況，會(huì )給出一個(gè)信號強弱的判斷。然而，由于著(zhù)名的多徑效應，GPS也可能給出一個(gè)信號很強，但位置錯誤的數據。這就要求SLAM算法對各種信號下的GPS都有穩定的表現。在GPS好時(shí)，應該聽(tīng)從GPS的軌跡走向；在GPS不好的區域，能夠正確識別并改進(jìn)。

GPS信號良好的路段例子。左側：點(diǎn)云地圖；右側：軌跡圖。軌跡圖中紅色為優(yōu)化后軌跡，藍色為GPS軌跡。由于GPS全程良好，優(yōu)化軌跡與GPS重合。

GPS信號不佳的例子�？梢钥吹接覀人{色軌跡在無(wú)規律跳動(dòng)，但是點(diǎn)云仍需要正常構建。

GPS信號的不確定還會(huì )帶來(lái)一些實(shí)際的問(wèn)題。例如，如果車(chē)輛開(kāi)機時(shí)GPS信號不好，那么車(chē)輛如何確定自身的物理位置？它應該是開(kāi)到一個(gè)開(kāi)闊區域，等待GPS信號變好，還是以一種“不確定物理位置，但有相對位置”的狀態(tài)開(kāi)始運行？

假設如此，那么運行一段時(shí)間后GPS信號變?yōu)檎�常，定位信息應該直接跳到GPS指向的物理位置嗎？這種跳變會(huì )不會(huì )對控制產(chǎn)生不良的影響？另一方面，在建圖時(shí)，我們通常需要按照物理位置來(lái)區分不同的地圖，例如公園北側和南側很可能使用兩個(gè)不同的地圖。如果GPS信號不好，車(chē)輛應該如何確定使用哪一張地圖？這些問(wèn)題都需要一個(gè)實(shí)際的解決方案。

GPS的處理方式是室內外車(chē)輛SLAM的一個(gè)很大的不同點(diǎn)。這會(huì )讓SLAM的邏輯變得更加復雜。我們需要結合其他的傳感器位置來(lái)判斷GPS信號的有效性，這往往要用到一些全局軌跡的估計方法，而像卡爾曼濾波器這樣有時(shí)間順序的算法會(huì )受到干擾。

另外，如果我們還使用了基于位置的回環(huán)檢測算法，那么它會(huì )明顯受到GPS信號好壞的影響。一旦GPS信號變差，激光SLAM的性質(zhì)就變?yōu)橐粋�(gè)里程計，其累計誤差變大之后，基于位置的回環(huán)檢測算法就很可能失效。

激光SLAM的退化特性

激光SLAM存在各種失效情況，有些你甚至很難事先預料到，例如：

在廣場(chǎng)、機場(chǎng)等開(kāi)闊區域，即使是多線(xiàn)激光，也只能看到幾圈地面上的點(diǎn)云。僅使用地面點(diǎn)云進(jìn)行匹配，很可能在水平面上發(fā)生隨機移動(dòng)。

在長(cháng)隧道、單側墻、橋梁等場(chǎng)地中，激光匹配會(huì )存在一個(gè)方向上的額外自由度。也就是說(shuō)，沿著(zhù)隧道前進(jìn)時(shí)，獲取到的激光點(diǎn)云是一樣的，使得匹配算法無(wú)法準確估計這個(gè)方向上的運動(dòng)。類(lèi)似地，如果機器繞著(zhù)一個(gè)圈柱形物體運動(dòng)時(shí)，也會(huì )發(fā)生這種情況。

在一些異形建筑面前，激光可能發(fā)生意想不到的失效情形。

這些結果被稱(chēng)為激光的“退化”，也就是說(shuō)，本來(lái)能夠估計6自由度的激光匹配算法，由于場(chǎng)景結構的限制，某幾個(gè)自由度上的運動(dòng)無(wú)法估計。這時(shí)，就需要建圖算法來(lái)降低激光軌跡的權重，利用其他軌跡來(lái)補償激光的失效了。

位于長(cháng)沙的梅溪湖藝術(shù)中心是令我印象深刻的地方（雖然我本人并沒(méi)有去過(guò)現場(chǎng)）。但在這個(gè)區域的中心，激光匹配就會(huì )非常不穩定，給出一些錯誤的結果

大型地圖的拼接與回環(huán)檢測

室外SLAM的另一個(gè)特點(diǎn)是：室內地圖通常有一個(gè)面積限制，例如大多家居面積都在200平方米以?xún)�；而室外地圖可能達到幾十萬(wàn)平米，乘用車(chē)甚至可以建立城市公路級別的地圖。

智行者科技無(wú)人乘用車(chē)星驥系列

對于掃地機這些家用機器人，我們允許它自由地在室內探索，因為室內面積畢竟是有限的；而對于室外車(chē)輛，如果自由探索的話(huà)，很可能沿著(zhù)一個(gè)方向出去就回不來(lái)了。這就要求室外G精地圖有一個(gè)事先的采集過(guò)程。

目前各家公司對G精地圖的采集方式并不一樣。乘用車(chē)通常需要駕駛員在采集區域內行駛固定圈數，然后把數據帶回數據中心進(jìn)行解算。乘用車(chē)的數據量非常大，一般幾十GB至TB級別水平，其解算也需要大量計算資源。

而對于低速車(chē)，它們運動(dòng)范圍受業(yè)務(wù)和電池限制，通常在幾十公里以?xún)�，適配時(shí)間在一兩天以?xún)�。而對更大的區域，往往進(jìn)行分塊、分區的建圖方式。

對于較大的地圖，通常使用分段采集、建圖、拼接的方式

低速車(chē)輛由于業(yè)務(wù)變更較快，對地圖的構建時(shí)間和靈活性有一定的要求。例如，清掃車(chē)這一周可能在東區運行，下一周就可能在西區運行�；蛘�，可能要求在以往的清掃區域基礎上添加一塊新的區域。這種需求一方面要求地圖能夠以更快的速度進(jìn)行構建，一方面也要求地圖能夠快速地進(jìn)行拼接與合并。同時(shí)，由于場(chǎng)景的客觀(guān)通行限制，低速車(chē)輛有時(shí)候并不能“繞場(chǎng)景一整圈”，而需要一段一段地采集數據。

在這個(gè)數據中，我們先采集了橫向的道路，然后分別采集兩次縱向道路，后進(jìn)行合并

地圖合并算法可以自由設計。我們可以把兩個(gè)局部地圖視為固定不變的點(diǎn)云，然后使用簡(jiǎn)單的ICP進(jìn)行剛性拼接。如果局部地圖本身沒(méi)有畸變，這種做法的效果也挺不錯。但是，如果拼接地圖存在多個(gè)重疊區域，這種剛性拼接就可能導致“拼對了頭但拼錯了尾”的情況。所以，我們更傾向于借助類(lèi)回環(huán)檢測與Pose Graph的方法，對兩條軌跡進(jìn)行融合而非剛性拼接。

團隊溝通和其他問(wèn)題

當然，現實(shí)當中還會(huì )存在算法之外的問(wèn)題。畢竟大多數地方只有幾位算法工程師，而數據則來(lái)自全國各地成千上萬(wàn)臺運營(yíng)的小車(chē)。終端的運營(yíng)人員也好，采集人員也好，大部分并不具備地圖定位的相關(guān)知識，往往不理解“怎樣才是科學(xué)的采圖軌跡”。這種溝通問(wèn)題是我們日常工作中見(jiàn)到的多的問(wèn)題。

智行者科技無(wú)人物流配送車(chē)

由于場(chǎng)景的復雜性，建圖算法不可能保證100%的成功率。如果碰到一個(gè)全程缺少GPS的開(kāi)闊、弱紋理、G動(dòng)態(tài)場(chǎng)景，任何算法都無(wú)法完全保障。這聽(tīng)著(zhù)像是在抬杠，但是很遺憾的是，現實(shí)當中某些大型車(chē)庫、大型車(chē)站內部、G樓間商業(yè)街正屬于此類(lèi)場(chǎng)景。這些場(chǎng)景中容易出現的問(wèn)題是由于GPS的缺失，地圖累計誤差過(guò)大，出現錯位或重影的情況。在這些情況中，我們就只能借助人工的方式來(lái)輔助建圖了。

在地圖出現明顯錯位情況下，我們利用可視化軟件，對融合軌跡進(jìn)行人工干預，修復累計誤差，使地圖回到正確的情況

小結

以上我們談?wù)摿艘徊糠值退僮詣?dòng)駕駛車(chē)輛在建圖中碰到的實(shí)際問(wèn)題。對于建圖算法的開(kāi)發(fā)人員來(lái)說(shuō)，能夠足不出戶(hù)看到全國各地的地圖，也是一件令人欣慰的事情。相信很多人也會(huì )享受這一過(guò)程，參與到地圖構建算法研發(fā)的過(guò)程中來(lái)吧。

雖然非結構化道路激光SLAM中的挑戰很多，但是在發(fā)現問(wèn)題中去享受解決問(wèn)題的快感，是一件能讓人很爽的事情，我將永遠樂(lè )此不疲。