原标题：无人驾驶如何感知?无人驾驶如何定位?

　　无人驾驶汽车是未来的趋势之一，通过无人驾驶汽车，我们无需自己动手操控，一切都可智能运行。上篇文章，小编对无人驾驶汽车的构造有所阐述。为继续增进大家对无人驾驶的了解，本文将对无人驾驶汽车的感知层和定位层予以介绍。如果你对无人驾驶具有兴趣，不妨继续往下阅读哦。

　　一、感知

　　为了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。无人车通常是通过融合激光雷达(Lidar)，相机(Camera)，毫米波雷达(Millimeter Wave Radar)等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用。

　　激光雷达是一类使用激光进行探测和测距的设备，它能够每秒钟向环境发送数百万光脉冲，它的内部是一种旋转的结构，这使得激光雷达能够实时的建立起周围环境的3维地图。

　　通常来说，激光雷达以10Hz左右的速度对周围环境进行旋转扫描，其扫描一次的结果为密集的点构成的3维图，每个点具备(x，y，z)信息，这个图被称为点云图(Point Cloud Graph)，如下图所示，是使用Velodyne VLP-32c激光雷达建立的一个点云地图：

　　激光雷达因其可靠性目前仍是无人驾驶系统中最重要的传感器，然而，在现实使用中，激光雷达并不是完美的，往往存在点云过于稀疏，甚至丢失部分点的问题，对于不规则的物体表面，使用激光雷达很难辨别其模式，在诸如大雨天气这类情况下，激光雷达也无法使用。

　　为了理解点云信息，通常来说，我们对点云数据进行两步操作：分割(SegmentaTIon)和分类(Classification)。其中，分割是为了将点云图中离散的点聚类成若干个整体，而分类则是区分出这些整体属于哪一个类别(比如说行人，车辆以及障碍物)。分割算法可以被分类如下几类：

　　基于边的方法，例如梯度过滤等;

　　基于区域的方法，这类方法使用区域特征对邻近点进行聚类，聚类的依据是使用一些指定的标准(如欧几里得距离，表面法线等)，这类方法通常是先在点云中选取若干种子点(seed points)，然后使用指定的标准从这些种子点出发对邻近点进行聚类;

　　参数方法，这类方法使用预先定义的模型去拟合点云，常见的方法包括随机样本一致性方法(Random Sample Consensus，RANSAC )和霍夫变换(Hough Transform，HT);

　　基于属性的方法，首先计算每个点的属性，然后对属性相关联的点进行聚类的方法;

　　基于图的方法;

　　基于机器学习的方法;

　　在完成了点云的目标分割以后，分割出来的目标需要被正确的分类，在这个环节，一般使用机器学习中的分类算法，如支持向量机(Support Vector Machine，SVM)对聚类的特征进行分类，最近几年由于深度学习的发展，业界开始使用特别设计的卷积神经网络(Convolutional Neural Network，CNN)对三维的点云聚类进行分类。

　　然而，不论是提取特征-SVM的方法还是原始点云-CNN的方法，由于激光雷达点云本身解析度低的原因，对于反射点稀疏的目标(比如说行人)，基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知。

　　在无人驾驶系统中，我们通常使用图像视觉来完成道路的检测和道路上目标的检测。道路的检测包含对道路线的检测(Lane Detection)，可行驶区域的检测(Drivable Area Detection);道路上路标的检测包含对其他车辆的检测(Vehicle Detection)，行人检测(Pedestrian Detection)，交通标志和信号的检测(Traffic Sign Detection)等所有交通参与者的检测和分类。

　　车道线的检测涉及两个方面：第一是识别出车道线，对于弯曲的车道线，能够计算出其曲率，第二是确定车辆自身相对于车道线的偏移(即无人车自身在车道线的哪个位置)。一种方法是抽取一些车道的特征，包括边缘特征(通常是求梯度，如索贝尔算子)，车道线的颜色特征等，使用多项式拟合我们认为可能是车道线的像素，然后基于多项式以及当前相机在车上挂载的位置确定前方车道线的曲率和车辆相对于车道的偏离。

　　可行驶区域的检测目前的一种做法是采用深度神经网络直接对场景进行分割，即通过训练一个逐像素分类的深度神经网络，完成对图像中可行驶区域的切割。

　　交通参与者的检测和分类目前主要依赖于深度学习模型，常用的模型包括两类：

　　以RCNN为代表的基于Region Proposal的深度学习目标检测算法(RCNN，SPP-NET，Fast-RCNN，Faster-RCNN等);

　　以YOLO为代表的基于回归方法的深度学习目标检测算法(YOLO，SSD等)

　　二、定位

　　在无人车感知层面，定位的重要性不言而喻，无人车需要知道自己相对于环境的一个确切位置，这里的定位不能存在超过10cm的误差，试想一下，如果我们的无人车定位误差在30厘米，那么这将是一辆非常危险的无人车(无论是对行人还是乘客而言)，因为无人驾驶的规划和执行层并不知道它存在30厘米的误差，它们仍然按照定位精准的前提来做出决策和控制，那么对某些情况作出的决策就是错的，从而造成事故。由此可见，无人车需要高精度的定位。

　　目前使用最广泛的无人车定位方法当属融合全球定位系统(Global Positioning System，GPS)和惯性导航系统(Inertial Navigation System)定位方法，其中，GPS的定位精度在数十米到厘米级别之间，高精度的GPS传感器价格也就相对昂贵。融合GPS/IMU的定位方法在GPS信号缺失，微弱的情况下无法做到高精度定位，如地下停车场，周围均为高楼的市区等，因此只能适用于部分场景的无人驾驶任务。

　　地图辅助类定位算法是另一类广泛使用的无人车定位算法，同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)是这类算法的代表，SLAM的目标即构建地图的同时使用该地图进行定位，SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。

　　这是一个利用以往的先验和当前的观测来估计当前位置的过程，实践上我们通常使用贝叶斯滤波器(Bayesian filter)来完成，具体来说包括卡尔曼滤波(Kalman Filter)，扩展卡尔曼滤波(Extended Kalman Filter)以及粒子滤波(Particle Filter)。

　　SLAM虽然是机器人定位领域的研究热点，但是在实际无人车开发过程中使用SLAM定位却存在问题，不同于机器人，无人车的运动是长距离的，大开放环境的。在长距离的运动中，随着距离的增大，SLAM定位的偏差也会逐渐增大，从而造成定位失败。

　　在实践中，一种有效的无人车定位方法是改变原来SLAM中的扫描匹配类算法，具体来说，我们不再在定位的同时制图，而是事先使用传感器如激光雷达对区域构建点云地图，通过程序和人工的处理将一部分“语义”添加到地图中(例如车道线的具体标注，路网，红绿灯的位置，当前路段的交通规则等等)，这个包含了语义的地图就是我们无人驾驶车的高精度地图(HD Map)。

　　在实际定位的时候，使用当前激光雷达的扫描和事先构建的高精度地图进行点云匹配，确定我们的无人车在地图中的具体位置，这类方法被统称为扫描匹配方法(ScanMatching)，扫描匹配方法最常见的是迭代最近点法(Iterative Closest Point ，ICP)，该方法基于当前扫描和目标扫描的距离度量来完成点云配准。

　　除此以外，正态分布变换(Normal Distributions Transform，NDT)也是进行点云配准的常用方法，它基于点云特征直方图来实现配准。基于点云配准的定位方法也能实现10厘米以内的定位精度。

　　虽然点云配准能够给出无人车相对于地图的全局定位，但是这类方法过于依赖事先构建的高精度地图，并且在开放的路段下仍然需要配合GPS定位使用，在场景相对单一的路段(如高速公路)，使用GPS加点云匹配的方法相对来说成本过高。