點(diǎn)云地圖是一種常見(jiàn)的空間幾何結(jié)構(gòu)表現(xiàn)方式。在自動(dòng)駕駛中，點(diǎn)云地圖與感知系統(tǒng)“協(xié)同作戰(zhàn)”，讓車輛獲取的自身與環(huán)境信息更加準(zhǔn)確、高效，保障自動(dòng)駕駛車輛能夠在道路上安全行駛。

傳感器硬件的技術(shù)提升、車規(guī)級(jí)量產(chǎn)的成本下行，促進(jìn)了激光雷達(dá)在乘用車領(lǐng)域的量產(chǎn)上車，獲取點(diǎn)云數(shù)據(jù)變得越來(lái)越便利，對(duì)于點(diǎn)云數(shù)據(jù)的實(shí)時(shí)處理及其在場(chǎng)景中的利用變得尤為重要。

點(diǎn)云建圖與SLAM技術(shù)的發(fā)展

實(shí)時(shí)點(diǎn)云建圖主要依賴SLAM技術(shù)，即同時(shí)定位與地圖構(gòu)建。

SLAM技術(shù)包含了兩個(gè)主要任務(wù)：構(gòu)圖與定位。在自動(dòng)駕駛中，車輛要精確移動(dòng)就必須要有一個(gè)環(huán)境地圖，要構(gòu)建環(huán)境地圖，就需要指導(dǎo)車輛的位置。

簡(jiǎn)單來(lái)說(shuō)，SLAM包含兩個(gè)步驟，當(dāng)目標(biāo)物體從A點(diǎn)經(jīng)過(guò)C點(diǎn)到達(dá)B點(diǎn)時(shí)：

1.周圍環(huán)境的理解和構(gòu)建，形成左圖

2.回環(huán)閉合重建拓?fù)潢P(guān)系，形成右圖

在第1個(gè)過(guò)程中，世界會(huì)被理解成一個(gè)“無(wú)窮的走廊”，再經(jīng)過(guò)第2個(gè)過(guò)程時(shí)，還原成真實(shí)狀況。

至今，對(duì)SLAM的技術(shù)研究已有35年的歷史，經(jīng)歷三個(gè)時(shí)期，即“古典年代”、“算法分析年代”，再到現(xiàn)階段的“魯棒感知年代”。

“魯棒感知年代”強(qiáng)調(diào)的是魯棒的性能、高層次的理解能力以及對(duì)于資源的敏感性。即SLAM技術(shù)能夠在任意環(huán)境下以低失效率長(zhǎng)期運(yùn)行，具備自動(dòng)調(diào)參的能力去適應(yīng)不同場(chǎng)景，同時(shí)能夠?qū)崿F(xiàn)基本的幾何重建，還能在更高層次上理解環(huán)境信息，且計(jì)算負(fù)載可以根據(jù)實(shí)際的傳感器和可用計(jì)算資源進(jìn)行調(diào)整。

這樣的研究方向，也為SLAM技術(shù)提出了更多的約束和挑戰(zhàn)。

全道高度自動(dòng)化的點(diǎn)云處理技術(shù)與服務(wù)

全道科技是激光點(diǎn)云建圖的先行者。早在2021年，全道科技就已率先實(shí)現(xiàn)了L4級(jí)別量產(chǎn)點(diǎn)云數(shù)據(jù)產(chǎn)線，并廣泛應(yīng)用于無(wú)人配送領(lǐng)域。

基于對(duì)激光點(diǎn)云的技術(shù)積累，全道科技搭建了一整套包含SLAM、質(zhì)量評(píng)估及人工干預(yù)的高精地圖建圖系統(tǒng)，提供深度定制化的數(shù)據(jù)技術(shù)解決方案，并且不斷吸收學(xué)術(shù)界領(lǐng)先的算法研究，在自研的系統(tǒng)中形成持續(xù)落地。

全道科技稠密激光點(diǎn)云成圖

在對(duì)整套系統(tǒng)的技術(shù)研發(fā)中，全道形成了極具競(jìng)爭(zhēng)力的核心優(yōu)勢(shì)：

· 高精度標(biāo)定及時(shí)間同步

全道科技自研了包括LiDAR/相機(jī)/IMU內(nèi)參、LiDAR/相機(jī)/IMU外參在內(nèi)的整套標(biāo)定技術(shù)，其中對(duì)LiDAR內(nèi)參的修正，以及對(duì)量產(chǎn)環(huán)境中標(biāo)定的可擴(kuò)展性，在行業(yè)內(nèi)都極具亮點(diǎn)。

同時(shí)，全道自研兼容PPS與PTP的主時(shí)鐘板卡，支持在量產(chǎn)車場(chǎng)景實(shí)現(xiàn)對(duì)激光雷達(dá)和圖像傳感器的硬件同步，保證了融合算法需要的高精度時(shí)間同步需求。

· 高效點(diǎn)云配準(zhǔn)算法

全道整合了NDT、FastGICP等算法，基于Voxel和概率進(jìn)行點(diǎn)云配準(zhǔn)，相比傳統(tǒng)的各種ICP、GICP能更好地適應(yīng)復(fù)雜場(chǎng)景，并且有更快的收斂速度。

· 快速回環(huán)檢測(cè)及自適應(yīng)剔除算法

基于scan-submap，全道構(gòu)建了一套快速回環(huán)檢測(cè)的方法，能夠極大地減少回環(huán)過(guò)程的資源占用，并且針對(duì)回環(huán)過(guò)程中不可避免會(huì)引入的一些錯(cuò)誤問(wèn)題，開(kāi)發(fā)了自適應(yīng)的修正手段。

· 豐富的可配置項(xiàng)

可以通過(guò)修改配置，對(duì)系統(tǒng)進(jìn)行擴(kuò)展或裁剪，以適應(yīng)多種硬件及場(chǎng)景組合。

全道點(diǎn)云技術(shù)落地量產(chǎn)乘用車

實(shí)現(xiàn)“記憶泊車2.0”

當(dāng)前在一線城市做大范圍的高精地圖建設(shè)還未到時(shí)機(jī)，在城市復(fù)雜的交通環(huán)境下，想要實(shí)現(xiàn)L3級(jí)別的整體輔助駕駛解決方案也不夠成熟，相比之下，停車場(chǎng)是個(gè)高頻且普適的場(chǎng)景。

AVP被稱為解決用戶“最后一公里自由”的L4級(jí)自動(dòng)駕駛技術(shù)，為了盡可能地保障AVP技術(shù)的安全性，遠(yuǎn)距、精準(zhǔn)的感知能力成為“必備”，同時(shí)需要通過(guò)對(duì)用戶常去的停車場(chǎng)數(shù)據(jù)進(jìn)行積累和建模，將這些數(shù)據(jù)形成車輛“大腦”的記憶。

在AVP解決方案中，傳統(tǒng)采用視覺(jué)SLAM的方式面臨諸多難點(diǎn)。首先停車場(chǎng)環(huán)境結(jié)構(gòu)單一，紋理重復(fù)，描述子的特異性很差。同時(shí)，傳統(tǒng)特征點(diǎn)對(duì)觀察視角有要求，當(dāng)更換視角觀察時(shí)，會(huì)出現(xiàn)完全不同的特征點(diǎn)。泊車時(shí)，車輛角度不穩(wěn)定也會(huì)對(duì)特征點(diǎn)的識(shí)別造成不利。

為了解決這些難題，全道科技選擇車規(guī)級(jí)別的量產(chǎn)車固態(tài)激光雷達(dá)，通過(guò)車端實(shí)時(shí)生成途經(jīng)區(qū)域的點(diǎn)云圖，再經(jīng)過(guò)自動(dòng)化的數(shù)據(jù)處理，生成車輛LiDAR定位依賴的點(diǎn)云特征圖，供后續(xù)記憶泊車使用。

全道也在點(diǎn)云定位的應(yīng)用上進(jìn)行延展，通過(guò)此前在濾波方面積累的豐富經(jīng)驗(yàn)，可自動(dòng)針對(duì)各種傳感器失真或者失效的問(wèn)題進(jìn)行清洗。

在概率匹配的基礎(chǔ)上，全道還加入了搜索算法，以及傳統(tǒng)的ICP、GICP類的算法，可以根據(jù)所處場(chǎng)景以及當(dāng)前的定位狀態(tài)，在多種定位算法之間靈活切換，以達(dá)到更優(yōu)的效果。

全道科技的“記憶泊車2.0”技術(shù)相較于傳統(tǒng)視覺(jué)方案，其優(yōu)勢(shì)集中體現(xiàn)在：

· 整套的建圖與定位技術(shù)全部基于量產(chǎn)車上的傳感器實(shí)現(xiàn)，相當(dāng)于把L4級(jí)別高精地圖的高級(jí)建圖能力，降維利用到了量產(chǎn)乘用車上，以支持乘用車的AVP2.0服務(wù)，這將大幅提升乘用車智能化的駕乘體驗(yàn)。

· 支持跨停車層，可靠性更強(qiáng)，同時(shí)可向更大范圍的停車場(chǎng)自主規(guī)劃迭代升級(jí)

作為自動(dòng)駕駛產(chǎn)業(yè)全新的數(shù)據(jù)供應(yīng)商，全道科技希望通過(guò)向乘用車提供AVP2.0的點(diǎn)云建圖與定位技術(shù)，讓智能駕駛車形成精準(zhǔn)的“記憶大腦”，使其成為點(diǎn)云數(shù)據(jù)在場(chǎng)景中可有效利用并落地的“第一步”，以此延展走進(jìn)城市內(nèi)日常通勤的各類場(chǎng)景中。