第7章 智能驾驶云端建图

智能驾驶与多维重建

第7章

智能驾驶云端建图

1行车场景的建图方案2行车场景的定位方案3泊车场景的建图方案4泊车场景的定位方案5视觉建图与定位案例三维物体表面表达方式高精地图（HDMap）具有厘米级精度和丰富元素（物理层/拓扑层/定位图层），但覆盖范围有限、鲜度低。物理层：基础图层（三维地理空间）+几何图层（车道中心线/边界/路面高程）。拓扑层：车道连接关系（前驱/后继/左右相邻）、十字路口虚拟车道、灯牌与车道关联。定位图层：LiDAR点云图层或视觉关键点图层，应对隧道/城区峡谷等定位退化场景。地图引擎：资源调度+导航支持。挑战：覆盖不足（仅高速和部分城区）、鲜度低、法规限制。三维物体表面表达方式高精地图（HDMap）具有厘米级精度和丰富元素（物理层/拓扑层/定位图层），但覆盖范围有限、鲜度低。物理层：基础图层（三维地理空间）+几何图层（车道中心线/边界/路面高程）。拓扑层：车道连接关系（前驱/后继/左右相邻）、十字路口虚拟车道、灯牌与车道关联。定位图层：LiDAR点云图层或视觉关键点图层，应对隧道/城区峡谷等定位退化场景。地图引擎：资源调度+导航支持。挑战：覆盖不足（仅高速和部分城区）、鲜度低、法规限制。高精地图构建与众包建图高精地图通过LiDAR+高精度定位采集制作，众包建图利用量产车辆降低采集成本、提升鲜度。高精地图构建（百度Apollo）：数据采集（64线+16线LiDAR/GPS/IMU/相机）→数据处理（RTK+SLAM点云拼接）→元素识别（深度学习）→人工验证。众包建图：单趟成图（车载感知+GPS/IMU/轮速计）→云端聚合（元素匹配+图优化）→自动化地图更新。众包挑战：数据一致性差（不同车辆传感器）、车载算力不足、车队规模小。重感知轻地图重感知轻地图模式通过BEV+Transformer提升车端感知能力，降低对高精地图的依赖。SDPro地图：精度米级，侧重拓扑关系（车道数目/关联关系）和超视距感知要素（坡度曲率）。记忆行车：用户路线多次重建，实现天级别地图更新。对比：重地图（HDMap）→轻地图（SDPro）→无图（仅SD导航地图）。矢量地图矢量地图通过点/线/面几何元素表示地理实体，VectorMapNet实现端到端BEV矢量地图生成。矢量地图vs高精地图：矢量地图精度米级，侧重基本地理要素；高精地图厘米级，包含车道/交通设施等丰富信息。矢量地图矢量地图通过点/线/面几何元素表示地理实体，VectorMapNet实现端到端BEV矢量地图生成。VectorMapNet：车载传感器→BEV特征→预测稀疏多段线元素（高清地图几何结构），省去后处理步骤。行车场景定位方案——基于地图的定位基于地图的定位通过2D感知或BEV感知结果与先验地图匹配，结合多传感器融合实现全局定位。2D感知定位：前视图像感知（车道线/灯牌杆等）→与矢量地图匹配→EKF融合GPS/轮速计→输出全局姿态。行车场景定位方案——基于地图的定位基于地图的定位通过2D感知或BEV感知结果与先验地图匹配，结合多传感器融合实现全局定位。BEV感知定位（BEV-Locator）：周视图像→Transformer转BEV+HDMap编码→跨模态Transformer融合→MLP输出6自由度姿态。行车场景定位方案——基于地图的定位基于地图的定位通过2D感知或BEV感知结果与先验地图匹配，结合多传感器融合实现全局定位。关键点图层定位：SfM重建稀疏3D点云，全局描述子（场景识别）+局部描述子（PnP位姿计算）。RelocNet简化版仅存特征，检索后输出位姿。轻地图中的定位轻地图定位侧重相对定位，通过视觉里程计（滑窗优化/滤波）或深度学习视觉里程计：滑窗优化（VINS-Fusion/Mono/Mobile）和滤波（MSCKF）。深度学习里程计（SfMLearner）：DepthCNN（单帧深度）+PoseCNN（相邻帧位姿），自监督训练，推理时累积帧间位姿。DOC（DeepOnlineCorrection）：在线优化光度误差，通过梯度回传更新当前帧姿态，精度和泛化性优于SfMLearner。泊车场景建图方案AVP-SLAM通过IPM映射、语义特征提取、局部建图、回环检测和全局优化，实现地库无GNSS场景下的高精度建图。PM映射：环视相机图像映射到BEV俯视图（假设地面平整）。语义特征提取：车位线/减速带/转弯箭头等稳定语义特征（时空稳定性）。泊车场景建图方案AVP-SLAM通过IPM映射、语义特征提取、局部建图、回环检测和全局优化，实现地库无GNSS场景下的高精度建图。局部建图：多帧语义特征拼接，轮速计递推位置，回环时修正。回环检测：ICP匹配局部地图，消除里程计漂移。全局优化：位姿图优化（里程计边+闭环边），高斯-牛顿法求解。泊车场景定位方案泊车定位通过当前语义特征与地图ICP匹配，结合EKF融合IMU/轮速计，实现厘米级定位。定位流程：周视图像→IPM合成→语义特征检测→ICP匹配地图→输出位姿。初始化策略：停车场入口标记或进入地库前GPS。挑战：灯光反射、缺乏纹理（大面积白墙）、运动模糊（低光照长曝光）。解决方案：EKF框架（