自动驾驶TPM技术杂谈 ———— 地图匹配定位技术

文章目录

• 介绍

• 技术原理

• 误差分析

• • 路况引起的误差
  • 传感器误差
  • 高精度地图误差
  • 算法误差

• 常用算法

• • 几何匹配

  • • 点到点的地图匹配算法
    • 点到弧的地图匹配算法
    • 弧到弧的地图匹配算法

  • 概率统计

  • 其他

介绍

地图匹配技术是利用实时道路物理信息与预制高精度地图进行匹配来实现汽车定位的技术。在卫星定位、惯性导航系统出现明显的误差时，可利用地图匹配技术为自动驾驶的车辆提供定位修正信息。无论是卫星定位还是惯性导航定位，定位系统的误差都是不可避免的，定位结果常常偏离实际位置。引入地图匹配定位技术可以有效消除系统随机误差，校正传感器参数，弥补在城市高楼区、林荫道、立交桥、隧道中长时间GNSS定位失效而惯性导航系统误差急剧增大时地定位真空期。

地图匹配定位技术是指将自动驾驶汽车行驶轨迹地经纬度采样序列与高精度地图路网匹配的过程。地图匹配将汽车定位信息与高精度地图提供的道路位置信息进行比较，并采用适当的算法确定汽车当前行驶路段以及在路段中地准确位置，校正定位误差，为自动驾驶汽车实现路径规划提供可靠依据。上图展示了由于各种原因导致车辆定位信息存在误差，尽管车辆行驶在中间车道上，但是定位结果与实际结果存在偏差，利用地图匹配可以将汽车定位信息纠正回正确车道。

技术原理

地图匹配是在已知汽车的位姿信息地条件下进行高精度地图局部搜索地过程。首先，利用GNSS或INS进行初始位置判断，确定高精度地图地局部搜索范围；然后将激光雷达实时数据与预先制好地高精度地图数据变换到同一坐标系内进行匹配，匹配成功后即可确认汽车定位信息。

高精度地图地预制是地图匹配的基础，需包含特征明显的结构化语义特征和具有统计意义的信息。高精度地图常用于地图匹配的特征主要包含车道线、停止线、导流线、路灯、电线杆等特征明显的物体，还应包括平均反射值、方差及平均高度值等具有统计意义的信息。

如上图所示，GNSS将汽车定位在前进方向的左侧车道，自动驾驶车辆利用传感器检测到的车道信息与高精度地图数据进行匹配后，确定汽车位于前进方向的中间车道，与GNSS定位结果存在差异，进行横向的位姿误差修正；纵向修正主要依靠提取传感器所检测到的特征明显的参考物（如红绿灯、交通标志牌等），从而修正汽车的纵向误差。

误差分析

地图匹配定位误差的主要来源是局部搜索范围正确性问题引起的。局部搜索范围正确性即道路选择的正确性，是地图匹配中极大的影响因素之一。只有在选择正确的道路情况下，才能开展之后的地图匹配工作。造成道路选择错误的原因主要包括路况引起的误差、传感器的误差、高精度地图的误差以及算法误差。

路况引起的误差

真实道路的情况复杂多变，无法保证车辆在各种复杂路况上都能够正确提取特征并实现正确定位。车速变化将影响传感器采集数据的质量，车速快，质量低，甚至会产生运动模糊、是真情况。在没有INS的定位系统中，各种路况下造成的车辆轮胎的漂移以及地面颠簸的情况都可能使激光点云数据存在畸变、抖动和运动模糊的情况。另外，车辆可能行驶在道路之外的区域，这也会导致道路匹配错误。

传感器误差

在地图匹配过程中需要利用传感器的量测信息，这些数据受限于传感器的固有特性必然会引入一定的误差，这也必然会影响定位速度和成功率。

高精度地图误差

在使用高精度地图的过程中，一般默认高精度地图的精度高于传感器的精度。但是实际的情况是，高精度地图也存在误差较大的情况。在高精度地图本身存在较大误差的情况下，即使匹配了正确的道路也会引起较大误差。

算法误差

地图匹配的过程需要使用到具体的算法，若算法存在缺陷导致发生了错误匹配，由此产生的错误结果会产生较大的恶劣影响。

常用算法

任何一种地图匹配算法都涉及两个问题：
1. 当前汽车处于哪个道路？
2. 当前汽车处于对应道路的哪一个位置？
因此，地图匹配算法可以概括为下方的表达式：
\hat{X}_n = f((X_0, X_1,X_2, … , X_n)^T, G(R, N))
X_n表示n时刻车辆的原始状态信息，如定位数据、速度、行驶方向等；
G表示道路网络，由道路路段集R以及道路节点集N构成。

几何匹配

点到点的地图匹配算法

点到点的地图匹配算法的原理是搜索车辆定位点与高精度地图中位置点之间几何距离最近的点作为匹配结果。该算法匹配精度取决于位置点集的数量，随着位置点集数量的增加，匹配精度提高。随之而来的是，占用的硬件资源增加。点到点的地图匹配匹配算法得到的结果可能会与实际情况不符。例如一条笔直的道路上，待匹配的GNSS点会错误地匹配到道路两端地节点上。显然，这种精度不符合实际使用要求。

点到弧的地图匹配算法

点到弧地地图匹配算法是通过寻找与车辆定位点几何距离最近的路段作为匹配线段，将车辆定位点投影到该线段上。对于曲线则做线性化处理后进行投影，该算法只利用了部分数据，当两条曲线距离较小或者相同时极易造成错误匹配，在路网密度大时匹配的结果精度会锐减，此状态下算法缺乏稳定性。

弧到弧的地图匹配算法

弧到弧的地图匹配算法是将连续的车辆定位点组成一条轨迹曲线，寻找与这条曲线最近的匹配弧线。由于最近路段的寻找方法是基于匹配路段与定位点地最小距离。因此，若某定位点与非正确匹配线段非常近时，会产生较大误差。

概率统计

概率统计算法通过在车辆导航定位系统中获取地历史轨迹，建立置信区域来与高精度地图进行匹配。置信区域参考GNSS误差、车辆轨迹、车辆速度以及道路信息等综合选择，与高精度地图匹配后采取最近距离原则来确定匹配线段。一个完整的基于概率统计的地图匹配算法包括三个主要处理过程：
1. 确定误差区域；
2. 选取候选路段；
3. 计算匹配位置。

误差区域是指可能包含车辆真实位置的区域范围，它应根据传感器定位结果误差情况确定。在误差区域内的道路成为候选路段，地图匹配算法认为其中包含了车辆的真实位置。匹配路段的选取方法是从候选路段中挑选最有可能的车辆行驶路段，挑选原则依据具体的算法设计而不同。通常挑选参考两是高精度地图中的道路形状与车辆轨迹的相似程度。确定匹配路段后，计算车辆在该路段中最有可能的位置，并用匹配结果修正原有的定位信息并输出。

其他

除了上述的地图匹配算法之外，还有非参数滤波算法和参数滤波算法等。非参数滤波算法包括了直方图滤波（Histogram Filter，HF）和粒子滤波（Particle Filter，PF）等。参数滤波算法包括卡尔曼滤波、扩展卡尔曼滤波、信息滤波、扩展信息滤波等。