0. 簡介

定位模塊是自動駕駛最核心的模塊之一，定位又包括全局定位和局部定位，對于自動駕駛，其精度需要達到厘米級別。傳統的AGV使用一類SLAM（simultaneous localization and mapping）的方法進行同時建圖和定位，但是該方法實現代價高，難度大，難以應用到自動駕駛領域。自動駕駛車輛行駛速度快，距離遠，環境復雜，使得SLAM的精度下降，同時遠距離的行駛將導致實時構建的地圖偏移過大。因此，如果在已有高精度的全局地圖地圖的情況下進行無人車的定位，將極大的簡化該問題。

高精地圖制作已經成為各大圖商以及自動駕駛公司的付費服務內容，技術上相對保守，開放程度較低。

下圖為Apollo的地圖制作流程，從圖中我們可以看到地圖采集的第一步是點云拼接->底圖的制成

點云地圖的制作主要是把采集好的數據進行加工，我們采用激光雷達數據來進行點云地圖的制作。因為激光雷達的掃描范圍有限，因此我們需要逐幀把激光雷達的數據拼接起來，來獲取整個街道的模型，這個過程也被稱為點云注冊。

目前有2種方法實現地圖制作。

Autoware NDT mapping. 采用開源社區Autoware提供的NDT mapping可以實現點云的拼接，從而得到整個街道的三維模型。

各種離線SLAM建圖方法。

• LOAM
• Cartographer
• hdl_graph_slam
• blam
• A-LOAM
• LeGO-LOAM
• LIO-mapping
• interactive_slam

高精地圖是一種語義地圖，概括地說，就是利用SLAM/SFM等算法融合多種傳感器數據，構建高精度的三維點云地圖，在點云地圖上或者是圖像上，對所用到的元素進行分類和提取、之后對不同元素分別進行矢量化并構建路網與車道關聯關系，最后進行質量校驗，形成一套地圖引擎來存儲并支撐其他模塊的需求。

1. 現有算法

下述為現有主流SLAM框架的兼容性問題

從論文中找到的相關原始對比數據來看R3LIVE的效果在目前來說在角度和距離的evo效果最好。

Faster-LIO PHCFast LIO2LIO-SAMR2LIVER3LIVE RTLVI-SAM

RPE	0.33%	0.35%	0.43%	----	----	----
pre time	0.52ms	2.73ms	6.48ms	----	----	----
opt time	5.45ms	13.20	35.71ms	----	----	----
deg	----	----	----	0.16%	0.14%	1.01%
opt time(640)	----	----	----	30.2ms	29.4ms	>36ms

此外可以去KITTI Odometry排行榜上查找排行前列的一些算法，并關注SLAM領域的一些最新的成果。注意我們需要構建的是三維點云地圖，其以建圖為主要目標，SLAM的實時性反而不是特別重要。

…詳情請參照古月居

總結

以上是生活随笔為你收集整理的自动驾驶之高精地图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。