自動駕駛車輛通常都是預先建立地圖，然后利用此圖進行定位，所以真正的、完整的、G貴的SLAM只發生在次采集并生成地圖之后，后續就是如何用這些地圖進行定位導航的問題。另一方面，自動駕駛用的地圖和機器人的地圖。

低速自動駕駛車輛的地圖

乘用車，大家也了解，一年半載的肯定沒法實際上路，上了路還有一系列的法律法規問題，還有一堆的世（shi）界（shi）難（ju）題（keng）等著各位工程師去解決（tian keng）呢，所以這會兒我們也不需要多么著急（反正有更著急的人在）。

而對于低速車來說，相對安全，避不了障大不了先停在原地讓人先過，還顯得文明禮讓（我家的產品避障完全沒問題啊！）。這兩年各種配送、清掃、挖礦之類的自動駕駛低速車會慢慢的抬頭，大家應該會漸漸看到一些功能和價格都能夠接受的產品。而我自己是做SLAM的，所以主要談談這類車上的SLAM問題。

和學術界平時說的SLAM不同，自動駕駛車輛通常都是預先建立地圖，然后利用此圖進行定位，所以真正的、完整的、G貴的SLAM只發生在次采集并生成地圖之后，后續就是如何用這些地圖進行定位導航的問題。另一方面，自動駕駛用的地圖和機器人的地圖，對，就是你平時見到的那種，ROS里的黑白灰圖，也會有點差別。

ROS里的占據柵格地圖，我喜歡叫它黑白灰圖

機器人用的柵格地圖，很顯然，主要表達何處有障礙物，何處是可通行的區域，此外就沒有了。它具有基礎的導航與定位功能，精度也不錯（厘米J），制作起來十分簡單，基本可以讓機器人自動生成。對于送餐掃地的室內機器人來說，這種地圖基本就夠用了。但是為什么自動駕駛不用這種圖呢？它和G精地圖有哪些差別呢？

一條很明顯的區別是：在室內，機器人可以去任意可以通過的地方，不會有太多阻攔。而對于自動駕駛來說，每條路都有對應的交通規則：有些地方只能靠右行駛，有些地方不能停車，十字路口還有復雜的通行規則。

智行者科技無人清掃消毒車蝸小白

室內機器人可以利用柵格地圖進行導航，但在室外可不能在十字路口上橫沖直撞。所以，在導航層面，室內與室外的機器人出現了明顯的區別。室內的導航可以基于柵格來實現諸如A*那樣的算法，但室外基本要依賴事先畫好的車道。如果你希望你的外賣機器人既能在室內取貨，又要跑到馬路上送到2公里外面的客戶家中，那么就得同時考慮這兩種地圖的使用方法了。所以你看，低速車輛是界于傳統移動機器人與乘用車之間的產物，它的地圖比兩邊現成產品都要復雜。

我們會用不同的術語來描述地圖的構建階段。大體來說，從一無所有的采集過程開始，我們會碰到兩個大階段：

1、SLAM階段：解決從原始傳感器數據開始，構建某種基礎地圖的過程（一般是三維點云或二維圖像、柵格）；

2、標注階段：在SLAM結果基礎上進行人為標注，實現更精細的交通規則控制。

SLAM階段往往是自動的，而標注階段目前還主要是人工的，出色體現了“人工智能”相合作的過程。目前乘用車G精地圖生產主要成本是在標注階段，通常是一群人在在電腦前加班加點地趕著各種工程排期。顯然，這個標注過程的好壞直接影響地圖質量，一旦標錯就等著觀賞車輛各種怪異行為吧。

然而，我們也沒法完全實現標注過程的自動化，因為很多人為規則并不體現在場景數據里。比如公園里的草坪，物流車大概不能走上去，而灑水車大概就應該在草坪上行走，而我們無法通過點云或圖像識別出此類規則，給此類地圖帶來了很大的人工工作量。

比如下面這個點云圖，雖然結構上看不出來，但實際上中間一圈是一個草坪，正常情況下車輛是不能進去的。所以，只能通過人工來標注車輛的行駛區域，才能讓小車正確地導航。

標注過程通常是一些非常繁瑣的步驟，而且因為繁瑣所以價格還挺G。根據2019年的《G精地圖產業發展現狀及趨勢》，一公里G精地圖的成本費用還在幾千至幾萬元。采集車雖然貴但畢竟只有幾臺，計算機開一下程序也只需要一些電費，所以成本主要還是在標注上面。這里的商業化道路還是挺困難的，然而也沒什么辦法（攤手）。

問題低速車輛的SLAM

由于我個人是做SLAM的，咱們還是把主題回到SLAM上來。目前室外車輛的SLAM還是以多線激光為主。雖然激光SLAM原理上比較成熟，然而實際結合其他傳感器來SLAM，還是有一些問題的。學術界的論文總喜歡挑好看的結果來發表，而現實問題往往是骯臟的、動態的、復雜的，這一點，沒解決過實際問題的人可能感受不深。

低速車輛如果真正應用，那么地圖構建時間就不能太長。如果我們在意地圖質量的話，標注工作基本是省不了的，所以對SLAM端的要求就可以總結為：自動化、G可靠性，以及對復雜環境的適應能力（不需要現場人員調參）。這件事情看似簡單，但實際用來總有各種各樣的問題。

激光SLAM

激光SLAM的基本原理就是點云拼接，有些地方也叫注冊、配準，等等。可以利用柱狀物等特征信息來拼接，也可以直接用點來拼接，總之這方面各種方法大同小異，區別不大。激光SLAM的開源項目也有很多，感興趣同學可以看看LOAM/Lego-Loam等經典的方案。

Lego-LOAM  Demo圖

當然，論文上的圖片肯定是美麗的，實際當中也肯定是會遇到問題的。如果只靠激光配準就可以把地圖生成出來，那這邊SLAM也就沒什么難度可言了。我們不妨來看看激光SLAM有什么實際問題。

1、點云拼接是個類似于里程計的過程，它們計算的是局部點云之間的相對運動關系。這個運動誤差會逐漸累計，直到地圖出現嚴重變形。其中，G度上的變形會比較明顯，你會發現地圖一端可能會“翹起”或“下沉”。

激光SLAM的累計誤差使得地圖G度出現錯誤，兩側對不上

2、點云拼接的結果依賴于現場的實際三維結構。在結構化道路中，基本可以期待地圖由中間的馬路與兩側的路牙、樹木、護欄組成；但在非結構化道路中，很難對場景結構有一個先驗的知識。它可以是普通馬路，也可能是人來人往的商業街，也可能是萬眾聚會的廣場……總之，你很容易看到激光失效的場景。

激光匹配在廣場或單側臺階等場景下會導致失效，原本直線前進的軌跡會出現扭曲情形，并使得遠處物體模糊

3、更常見的就是來回路段由于匹配失誤導致地圖出現重影，有些論文也稱為“鬼影”。這種現象出現的原因，是兩個激光點云看到了同樣的結構，但由于距離較遠，匹配算法沒法將它們完整匹配起來。

4、后，純粹由激光匹配得到的地圖，沒有現實世界物理位置信息。如果缺少物理世界信息，那么你沒法按照點云圖把車輛導航到指定位置；如果有兩個激光點云時，也很難把它們出色地拼接起來。

所以，我們需要處理激光與其他傳感器的組合。在點云失效時，嘗試用其他傳感器進行補償；在點云出現累計誤差時，用其他傳感器來進行修復。

激光SLAM和GPS組合

室外自動駕駛車輛通常有一個GPS接收器，指示其物理世界位置。結合GPS信號，我們就可以構建帶有物理世界經緯度的地圖。這個物理坐標在某些業務中是很重要的，因為車輛很可能需要導航到另一個真實世界的建筑物中。相對的，純室內的小車就不需要這種坐標，因為它們只在一間或幾間屋里導航，而不必關心這間屋子在真實世界當中什么位置。

智行者科技無人清掃消毒車蝸小白

GPS的一大特點就是“看天吃飯”。信號好的時候它可以到達厘米J定位，可以直接使用差分GPS+IMU的結果來進行組合導航。這種做法在如今的無人車、無人機里還很常見。對于天天在G速公路上奔跑的乘用車來說，J大部分情況下可以以GPS為主導；但是，對于園區里運營的小車，進個樹林穿個夾層都是稀松平常的，GPS“信號不好”比“信號良好”更加常見。你能夠接受無人車因為“信號不好”半路拋錨的情況嗎？

在公園、景區的道路上，小車會經常穿梭于樹林、橋梁之中。這些地形上GPS很有可能出現大范圍不可用的情形

GPS噪聲是個很有意思的模型。通常GPS接收器根據自身接收情況，會給出一個信號強弱的判斷。然而，由于著名的多徑效應，GPS也可能給出一個信號很強，但位置錯誤的數據。這就要求SLAM算法對各種信號下的GPS都有穩定的表現。在GPS好時，應該聽從GPS的軌跡走向；在GPS不好的區域，能夠正確識別并改進。

GPS信號良好的路段例子。左側：點云地圖；右側：軌跡圖。軌跡圖中紅色為優化后軌跡，藍色為GPS軌跡。由于GPS全程良好，優化軌跡與GPS重合。

GPS信號不佳的例子。可以看到右側藍色軌跡在無規律跳動，但是點云仍需要正常構建。

GPS信號的不確定還會帶來一些實際的問題。例如，如果車輛開機時GPS信號不好，那么車輛如何確定自身的物理位置？它應該是開到一個開闊區域，等待GPS信號變好，還是以一種“不確定物理位置，但有相對位置”的狀態開始運行？

假設如此，那么運行一段時間后GPS信號變為正常，定位信息應該直接跳到GPS指向的物理位置嗎？這種跳變會不會對控制產生不良的影響？另一方面，在建圖時，我們通常需要按照物理位置來區分不同的地圖，例如公園北側和南側很可能使用兩個不同的地圖。如果GPS信號不好，車輛應該如何確定使用哪一張地圖？這些問題都需要一個實際的解決方案。

GPS的處理方式是室內外車輛SLAM的一個很大的不同點。這會讓SLAM的邏輯變得更加復雜。我們需要結合其他的傳感器位置來判斷GPS信號的有效性，這往往要用到一些全局軌跡的估計方法，而像卡爾曼濾波器這樣有時間順序的算法會受到干擾。

另外，如果我們還使用了基于位置的回環檢測算法，那么它會明顯受到GPS信號好壞的影響。一旦GPS信號變差，激光SLAM的性質就變為一個里程計，其累計誤差變大之后，基于位置的回環檢測算法就很可能失效。

激光SLAM的退化特性

激光SLAM存在各種失效情況，有些你甚至很難事先預料到，例如：

在廣場、機場等開闊區域，即使是多線激光，也只能看到幾圈地面上的點云。僅使用地面點云進行匹配，很可能在水平面上發生隨機移動。

在長隧道、單側墻、橋梁等場地中，激光匹配會存在一個方向上的額外自由度。也就是說，沿著隧道前進時，獲取到的激光點云是一樣的，使得匹配算法無法準確估計這個方向上的運動。類似地，如果機器繞著一個圈柱形物體運動時，也會發生這種情況。

在一些異形建筑面前，激光可能發生意想不到的失效情形。

這些結果被稱為激光的“退化”，也就是說，本來能夠估計6自由度的激光匹配算法，由于場景結構的限制，某幾個自由度上的運動無法估計。這時，就需要建圖算法來降低激光軌跡的權重，利用其他軌跡來補償激光的失效了。

位于長沙的梅溪湖藝術中心是令我印象深刻的地方（雖然我本人并沒有去過現場）。但在這個區域的中心，激光匹配就會非常不穩定，給出一些錯誤的結果

大型地圖的拼接與回環檢測

室外SLAM的另一個特點是：室內地圖通常有一個面積限制，例如大多家居面積都在200平方米以內；而室外地圖可能達到幾十萬平米，乘用車甚至可以建立城市公路J別的地圖。

智行者科技無人乘用車星驥系列

對于掃地機這些家用機器人，我們允許它自由地在室內探索，因為室內面積畢竟是有限的；而對于室外車輛，如果自由探索的話，很可能沿著一個方向出去就回不來了。這就要求室外G精地圖有一個事先的采集過程。

目前各家公司對G精地圖的采集方式并不一樣。乘用車通常需要駕駛員在采集區域內行駛固定圈數，然后把數據帶回數據中心進行解算。乘用車的數據量非常大，一般幾十GB至TBJ別水平，其解算也需要大量計算資源。

而對于低速車，它們運動范圍受業務和電池限制，通常在幾十公里以內，適配時間在一兩天以內。而對更大的區域，往往進行分塊、分區的建圖方式。

對于較大的地圖，通常使用分段采集、建圖、拼接的方式

低速車輛由于業務變更較快，對地圖的構建時間和靈活性有一定的要求。例如，清掃車這一周可能在東區運行，下一周就可能在西區運行。或者，可能要求在以往的清掃區域基礎上添加一塊新的區域。這種需求一方面要求地圖能夠以更快的速度進行構建，一方面也要求地圖能夠快速地進行拼接與合并。同時，由于場景的客觀通行限制，低速車輛有時候并不能“繞場景一整圈”，而需要一段一段地采集數據。

在這個數據中，我們先采集了橫向的道路，然后分別采集兩次縱向道路，后進行合并

地圖合并算法可以自由設計。我們可以把兩個局部地圖視為固定不變的點云，然后使用簡單的ICP進行剛性拼接。如果局部地圖本身沒有畸變，這種做法的效果也挺不錯。但是，如果拼接地圖存在多個重疊區域，這種剛性拼接就可能導致“拼對了頭但拼錯了尾”的情況。所以，我們更傾向于借助類回環檢測與Pose Graph的方法，對兩條軌跡進行融合而非剛性拼接。

團隊溝通和其他問題

當然，現實當中還會存在算法之外的問題。畢竟大多數地方只有幾位算法工程師，而數據則來自全國各地成千上萬臺運營的小車。終端的運營人員也好，采集人員也好，大部分并不具備地圖定位的相關知識，往往不理解“怎樣才是科學的采圖軌跡”。這種溝通問題是我們日常工作中見到的多的問題。

智行者科技無人物流配送車

由于場景的復雜性，建圖算法不可能保證100%的成功率。如果碰到一個全程缺少GPS的開闊、弱紋理、G動態場景，任何算法都無法完全保障。這聽著像是在抬杠，但是很遺憾的是，現實當中某些大型車庫、大型車站內部、G樓間商業街正屬于此類場景。這些場景中容易出現的問題是由于GPS的缺失，地圖累計誤差過大，出現錯位或重影的情況。在這些情況中，我們就只能借助人工的方式來輔助建圖了。

在地圖出現明顯錯位情況下，我們利用可視化軟件，對融合軌跡進行人工干預，修復累計誤差，使地圖回到正確的情況

小結

以上我們談論了一部分低速自動駕駛車輛在建圖中碰到的實際問題。對于建圖算法的開發人員來說，能夠足不出戶看到全國各地的地圖，也是一件令人欣慰的事情。相信很多人也會享受這一過程，參與到地圖構建算法研發的過程中來吧。

雖然非結構化道路激光SLAM中的挑戰很多，但是在發現問題中去享受解決問題的快感，是一件能讓人很爽的事情，我將永遠樂此不疲。