祖似杰，張 攀，羅躍軍

（1.上海汽車集團(tuán)股份有限公司，上海 200041；2.武漢中海庭數(shù)據(jù)技術(shù)有限公司，湖北 武漢 430200；3.武漢光庭信息技術(shù)股份有限公司，湖北 武漢 430073）

在智能交通和自動駕駛領(lǐng)域，由于精度、內(nèi)容和完整性方面的缺失，現(xiàn)有的商用導(dǎo)航地圖已不能滿足高層次的運用需求[1]。對高精度地圖的需求已得到廣泛的認(rèn)同和接受[2]，如在Google和Daimler[3]的自動駕駛汽車中，地圖都是重要的組成部分。準(zhǔn)確和全面的環(huán)境感知是自動駕駛的基礎(chǔ)，地圖對道路幾何形狀和交通屬性的描述可為自動駕駛提供準(zhǔn)確的先驗信息。自動駕駛感知系統(tǒng)通過傳感器數(shù)據(jù)與地圖數(shù)據(jù)的匹配融合，實現(xiàn)對周圍環(huán)境的感知；規(guī)劃和控制系統(tǒng)則基于感知結(jié)果進(jìn)行規(guī)劃和控制。

車道是高精度地圖最重要的數(shù)據(jù)內(nèi)容，車道模型的優(yōu)劣將直接影響高精度地圖的應(yīng)用效率。LIU L M[4]等提出了包含道路、車道、車道標(biāo)線的詳細(xì)道路交通環(huán)境Smart Map。該地圖數(shù)據(jù)包含全局幾何拓?fù)渚W(wǎng)絡(luò)和車道級幾何拓?fù)渚W(wǎng)絡(luò)，分別用于完成宏觀的路徑規(guī)劃和在路口區(qū)域的車道級微觀路徑規(guī)劃。與GPS導(dǎo)航系統(tǒng)規(guī)劃的路徑相比，Smart Map規(guī)劃的路徑更加平滑、安全。2011年Grand Cooperative Driving Challenge大賽中，獲獎團(tuán)隊AnnieWay使用2D平面模型對道路進(jìn)行建模，以0.5 m的間隔將高精度的道路中心線數(shù)據(jù)單獨分段，并通過2D kd-tree對道路數(shù)據(jù)進(jìn)行管理，實現(xiàn)高效的鄰域搜索；相應(yīng)地，車道表達(dá)為相對于道路中心線的橫向偏移[5]。Bétaille D[6]等提出了增強地圖，采用直線、圓、回旋曲線來表達(dá)道路的幾何信息，該方法保證了道路幾何的完整性和精確性，同時地圖中也包含了車道間的拓?fù)溥B接關(guān)系。動態(tài)地圖是日本SIP- adus[7]計劃的重要組成部分，其實質(zhì)是一種含有各類動態(tài)信息的高精度地圖，主要包括link級、lane級、道路形狀級[8]3個層次。其中，link級網(wǎng)絡(luò)即道路級幾何拓?fù)渚W(wǎng)絡(luò)，主要用于傳統(tǒng)導(dǎo)航、大范圍路徑探索；lane級網(wǎng)絡(luò)即車道級幾何拓?fù)渚W(wǎng)絡(luò)，該層數(shù)據(jù)詳細(xì)表達(dá)了每個車道的信息，主要面向智能交通領(lǐng)域的輔助駕駛和自動駕駛。

國內(nèi)外自動駕駛研究機構(gòu)從不同角度設(shè)計了高精度地圖車道模型，但大多停留在概念和試驗階段，還沒有形成成熟穩(wěn)定的模型和應(yīng)用體系；雖然都表達(dá)了車道的幾何形狀與拓?fù)潢P(guān)系，但大多只能獨立提供感知信息，難以與其他傳感器數(shù)據(jù)融合，不能發(fā)揮高精度地圖時空參考平臺的作用。針對上述問題，本文探討了一種基于車道駕駛態(tài)勢的高精度地圖車道數(shù)據(jù)組織方式，并構(gòu)建了車道拓?fù)潢P(guān)系，進(jìn)行了路徑規(guī)劃實踐。其結(jié)果可作為自動駕駛多源傳感數(shù)據(jù)融合的基礎(chǔ)，對高精度地圖在自動駕駛中的應(yīng)用突破具有重要意義。

1 車道駕駛態(tài)勢

車道駕駛態(tài)勢是指在遵循正確交通規(guī)則的條件下駕駛車輛通過車道后將達(dá)到的空間方位和通行狀態(tài)，即駕駛車輛通過該車道段后可明確直行、左轉(zhuǎn)或右轉(zhuǎn)，以及發(fā)生上述駕駛行為后的延展信息，如右轉(zhuǎn)后將達(dá)到另外一條道路。道路上的車道分隔線和地面印刷標(biāo)識可作為判定車道駕駛態(tài)勢的重要依據(jù)，如路口的駛?cè)肼房谲嚨赖孛嬉话阌∷⒘送ㄐ蟹较蚣^，且車道分隔線呈虛實變化，實線分隔表明不再允許橫向變道，該車道的駕駛態(tài)勢鎖定。如圖1所示，根據(jù)地面箭頭標(biāo)識，下方道路駛?cè)肼房诘淖筌嚨乐荒茏筠D(zhuǎn)，右車道可以直行和右轉(zhuǎn)，雖在同一條道路，但兩個車道的駕駛態(tài)勢已完全不同。車道駕駛態(tài)勢變化的臨界線可根據(jù)車道分隔線、經(jīng)驗值、車輛長度和車輛動力學(xué)特性等多因素綜合考慮進(jìn)行劃分，圖1中根據(jù)車道分隔線虛實變化進(jìn)行了劃分，虛線部分（紅色部分）兩條車道的駕駛態(tài)勢一致，可直行也可相互變道，而到達(dá)實線部分，兩條車道的駕駛態(tài)勢則變得不同。

圖1 路口車道駕駛態(tài)勢

2 基于車道駕駛態(tài)勢的拓?fù)錁?gòu)建

獲得車道駕駛態(tài)勢和劃分變化臨界線后，可生成車道級的可通行區(qū)間，即lanezone。在lanezone內(nèi)部允許車輛直行或左右變道，且保持橫向水平，即lanezone內(nèi)部車道的駕駛態(tài)勢相同。如圖2所示，左側(cè)是常見分叉路，其中分叉路的最右側(cè)車道一般采用實線分隔車道，若要右轉(zhuǎn)則需提前變道以保障安全駕駛。根據(jù)每段車道的駕駛態(tài)勢，劃分出6個lanezone。

圖2 基于車道駕駛態(tài)勢的拓?fù)錁?gòu)建

2014年Bender P[9]等提出了可駕駛的車道區(qū)間概念lanelet。Lanelets地圖包括lanelet、規(guī)則元素和駕駛走廊3個元素。lanelet是可駕駛的車道區(qū)間，由左右邊界構(gòu)成，是lanelets地圖的最小單元；規(guī)則元素是關(guān)聯(lián)在lanelet上的交通規(guī)則信息，如交通信號燈、交通標(biāo)志、路口交通規(guī)則等，由規(guī)則信息和為遵循該規(guī)則所需要的參數(shù)兩方面構(gòu)成，如在交通信號燈前，規(guī)則信息為“遇紅燈停止”，相應(yīng)的參數(shù)為交通信號燈的位置和停止線位置；駕駛走廊是有序的、接續(xù)的lanelet序列，是到達(dá)目的地的具體駕駛路徑。在lanelets地圖中，車道級拓?fù)渚W(wǎng)絡(luò)通過lanelet間的連接關(guān)系來構(gòu)建，如圖3所示。lanelets地圖為奔馳S500智能汽車感知、規(guī)劃、決策系統(tǒng)提供數(shù)據(jù)支持，完成了奔馳超過100 km的完全自動駕駛實驗。

圖3 lanelet車道模型

本文提出的lanezone概念與Lanelet有所不同，它注重保持可通行區(qū)間的橫向水平，而不是只基于單車道構(gòu)建可通行區(qū)間。Lanezone首先基于車道駕駛態(tài)勢構(gòu)建道路橫向上的全部可通行區(qū)間，更有利于多傳感器數(shù)據(jù)融合以及實際路況下多車協(xié)同的自動駕駛感知和認(rèn)知；然后構(gòu)建可通行區(qū)間之間的拓?fù)潢P(guān)系，以表達(dá)車輛是否被允許從一個可通行區(qū)間到另一個可通行區(qū)間，如圖4左側(cè)lanezone之間拓?fù)潢P(guān)系，可被提取為右側(cè)的拓?fù)渚W(wǎng)，拓?fù)渚W(wǎng)的邊長可設(shè)定為該lanezone的道路長度，作為通行代價的距離因子參與路徑規(guī)劃；最后構(gòu)建可通行區(qū)間內(nèi)部的拓?fù)潢P(guān)系，可通行區(qū)間內(nèi)部車道駕駛態(tài)勢相同，可自由變道，所以只需記錄駛?cè)胲嚨劳負(fù)潼c列ZoneIn和駛出車道拓?fù)潼c列ZoneOut，如圖5所示，標(biāo)識出lanezone每條車道的起始中心點，以表征該車道的拓?fù)潢P(guān)系。

圖4 lanezone之間拓?fù)潢P(guān)系構(gòu)建

lanezone內(nèi)部拓?fù)潢P(guān)系如表1所示。在lanezone內(nèi)ZoneIn任意一個拓?fù)潼c均可到達(dá)ZoneOut任意一點，因此ZoneIn和ZoneOut可以看作是lanezone的“接口”，只要能從ZoneIn駛?cè)?，就可從ZoneOut駛出。

圖5 lanezone內(nèi)部拓?fù)潢P(guān)系構(gòu)建

表1 lanezone駛?cè)牒婉偝鐾負(fù)潼c列

3 基于車道拓?fù)潢P(guān)系的路徑規(guī)劃

基于lanezone級別的拓?fù)潢P(guān)系，其實質(zhì)是一種含權(quán)重的有向圖，因此可以使用雙向Dijkstra算法進(jìn)行最優(yōu)路徑規(guī)劃。首先根據(jù)定位匹配結(jié)果計算起點和終點所在的lanezone編號，然后從起點到終點進(jìn)行正向搜索，獲得起點能達(dá)到的lanezone序列，再從終點到起點反向搜索，獲得終點能達(dá)到的lanezone序列，兩次搜索后，將既能達(dá)到起點也能達(dá)到終點的lanezone放入結(jié)果，即路徑規(guī)劃結(jié)果。Dijkstra算法流程如圖6所示，Open表保存所有已生成而未考察的節(jié)點，Close表記錄已訪問過的節(jié)點。

lanezone路徑規(guī)劃結(jié)果為最優(yōu)路徑規(guī)劃下車輛從當(dāng)前位置到達(dá)目的地的所有可通行車道，可作為自動駕駛一次規(guī)劃的基礎(chǔ)底圖以及多源數(shù)據(jù)融合參照，如在該結(jié)果上疊加其他傳感器感知的可通行區(qū)間，實現(xiàn)對動態(tài)障礙物的過濾和通行區(qū)間的細(xì)化。通過lanezone的駛?cè)牒婉偝鐾負(fù)潼c列，可快速獲取lanezone內(nèi)部車道路徑規(guī)劃結(jié)果。如圖7所示，黑色方塊分別代表車輛起點和終點位置，通過上一步lanezone道路計算，得到的lanezone路徑規(guī)劃結(jié)果為：1-4-6。lanezone1的駛出 ZoneOut={14,15,16}，lanezone4的駛?cè)?ZoneIn={16}，駛出ZoneOut={41}，lanezone6的駛?cè)隯oneIn={41}，因此車道級路徑規(guī)劃結(jié)果為：起點-16-41-終點。

圖6 Dijkstra算法流程圖

圖7 車道級路徑規(guī)劃

通過應(yīng)用程序?qū)崿F(xiàn)上述路徑規(guī)劃方法的展示結(jié)果如圖8所示，其中G代表終點；淺青色代表路徑規(guī)劃結(jié)果，即可通行區(qū)間集合；藍(lán)色區(qū)塊代表被過濾的車道區(qū)間，該區(qū)域橫向上以實線分隔車道，不能從藍(lán)色區(qū)塊變道到G點所在車道，即無法達(dá)到目的地，因此被排除在路徑規(guī)劃結(jié)果之外，而根本原因則是車道駕駛態(tài)勢不同。綜上所述，基于車道駕駛態(tài)勢的變化和分布，構(gòu)建lanezone級別及其內(nèi)部的車道拓?fù)潢P(guān)系，可實現(xiàn)顧及變道信息在內(nèi)的車道級路徑規(guī)劃，為自動駕駛提供更為精確的車道級感知和認(rèn)知基礎(chǔ)。

圖8 車道級路徑規(guī)劃展示

4 結(jié) 語

針對高精度地圖在自動駕駛中的應(yīng)用，本文提出了一種基于車道駕駛態(tài)勢的拓?fù)錁?gòu)建和路徑規(guī)劃方法，并進(jìn)行了實驗驗證；實現(xiàn)了車道級導(dǎo)航功能和自動駕駛一次規(guī)劃，并為自動駕駛二次規(guī)劃提供可駕駛道路區(qū)間。在lanezone內(nèi)允許車輛直行或左右變道，且保持橫向水平。lanezone之間的拓?fù)潢P(guān)系以區(qū)間縱向長度為通行代價之一，構(gòu)成含權(quán)重的有向圖；運用Dijkstra算法進(jìn)行最優(yōu)路徑規(guī)劃，完成自動駕駛一次規(guī)劃。本文通過駛?cè)牒婉偝鼋涌趤肀磉_(dá)lanezone內(nèi)部拓?fù)潢P(guān)系，可快速完成車道級路徑規(guī)劃，為自動駕駛二次規(guī)劃提供依據(jù)。未來還需大范圍實驗和測試以評估和優(yōu)化該方法的應(yīng)用效率，并深入融合多源傳感器數(shù)據(jù)，系統(tǒng)驗證自動駕駛二次規(guī)劃功能。

[1] TAO Z, Bonnifait P, Fremont V, et al. Mapping and Localization Using GPS, Lane Markings and Proprioceptive Sensors[C].IEEE/RSJ International Conference on Intelligent Robots and Systems,2013,8 215(2):406-412

[2] Nedevschi S, Popescu V, Danescu R, et al. Accurate Egovehicle Global Localization at Intersections Through Alignment of Visual Data with Digital Map[J]. IEEE Transactions on Intelligent Transportation Systems,2013,14(2):673-687

[3] Ziegler J, Bender P, Schreiber M, et al. Making Bertha Drive: an Autonomous Journey on a Historic Route[J]. IEEE Intelligent Transportation Systems Magazine,2014,6(2):8-20

[4] LIU L M, WU T, FANG Y Q, et al. A Smart Map Representation for Autonomous Vehicle Navigation[C].International Conference on Fuzzy Systems and Knowledge Discovery,2015:2 308-2 313

[5] Geiger A, Lauer M, Moosmann F, et al. Team AnnieWAY's Entry to the 2011 Grand Cooperative Driving Challenge[J]. IEEE Transactions on Intelligent Transportation Systems,2012,13(3):1 008-1 017

[6] Bétaille D, Toledo-Moreo R. Creating Enhanced Maps for Lane-level Vehicle Navigation[J]. IEEE Transactions on Intelligent transportation systems,2010,11(4):786-798

[7] Amano H, Uchimura T. A National Project in Japan: Innovation of Automated Driving for Universal Services[M].Road Vehicle Automation 3. Springer International Publishing,2016:15-26

[8] 渡辺陽介,高田広章.運転支援·自動運転高精度日本ロ學(xué)會2015,33(10):754-759

[9] Bender P, Ziegr J, Stiller C. Lanelets: Efficient Map Representation for Autonomous Driving[C]. IEEE Intelligent Vehicles Symposium Proceedings,2014:420-425