圖9  基于神經(jīng)網(wǎng)絡(luò)的定位

VIBML系統(tǒng)架構(gòu)：VIBM子系統(tǒng)（紅色輪廓）負(fù)責(zé)映射（它使用VG-RAM來學(xué)習(xí)由圖像、全局姿態(tài)和表示一個地方的3D地標(biāo)集組成的三元組）；VIBGL子系統(tǒng)（也呈紅色輪廓）負(fù)責(zé)系統(tǒng)啟動和連續(xù)全局定位（基本上從VIBM的VG-RAM恢復(fù)全局姿態(tài)）；VIBPT子系統(tǒng)（綠色輪廓）負(fù)責(zé)校正全局姿態(tài)估計，并隨著時間的推移跟蹤新的姿態(tài)。

1.2靜態(tài)障礙物繪制

靜態(tài)障礙物（為非地圖上顯示的物體）測繪子系統(tǒng)負(fù)責(zé)計算得到自動駕駛汽車的環(huán)境中的障礙物地圖。該子系統(tǒng)是確保無人駕駛車安全地在公共道路上導(dǎo)航而不與障礙物（如，路標(biāo)、路緣石）碰撞的基礎(chǔ)，區(qū)分汽車自由（可穿越）空間。障礙物地圖則主要表示汽車可能或不能導(dǎo)航的地方的相關(guān)信息內(nèi)容。無人駕駛車在行駛過程中必須始終處于自由空間。障礙圖是通過測繪（mapping）期間的傳感器數(shù)據(jù)得到，并存儲為結(jié)構(gòu)化信息以便在以后的無人駕駛操作階段中使用。

狀態(tài)空間的表征通常區(qū)分為拓?fù)浔硎竞投攘勘硎?。拓?fù)浔硎緦顟B(tài)空間建模為圖形，其中通過節(jié)點標(biāo)識重要位置（或特征），并且用邊緣表示它們之間的拓?fù)潢P(guān)系（如位置、方向、接近度和連通性）。這些分解的解決方案取決于環(huán)境的結(jié)構(gòu)。度量表示通常將狀態(tài)空間分解為有規(guī)則間隔的單元格。此分解不依賴于要素的位置和形狀。度量空間分辨率往往高于拓?fù)淇臻g分辨率。這種多功能性和效率使它們成為最常見的空間表示。

1.2.1離散空間度量表示

（1）狀態(tài)空間最常見的表現(xiàn)之一是占據(jù)柵格圖（OGM）。OGM將空間離散為固定大小的單元格，通常為分米級別。每個單元格包含占用與其相關(guān)的區(qū)域的概率。使用傳感器數(shù)據(jù)為每個單元獨立更新占用概率。為了簡單和高效的目的，可以將表征障礙物的3D傳感器測量投影到2D地平面上。獨立性的假設(shè)使得OGM算法變得快速而簡單。但是，它會生成稀疏狀態(tài)空間表征，因為只有傳感器到達(dá)的那些單元格才會更新。

一種在多層表面地圖上應(yīng)用蒙特卡洛定位的方法來表示2D OGM中占用的不同高度范圍。該方法是一種新的技術(shù)組合，以在戶外環(huán)境中有效地定位移動機器人。該方法使用粒子過濾器，并將距離測量值與多級曲面圖進(jìn)行匹配。并且提出了概率運動和觀測模型，并描述了如何在概率定位方案中使用這些模型。此外，其中還提出一種主動定位方法，該方法能夠通過僅考慮整個粒子集的聚類子集來有效地確定適當(dāng)?shù)膫鞲衅鞣较?。MLS地圖更準(zhǔn)確地表示垂直結(jié)構(gòu)，并可以處理機器人可以穿過的多個表面。如下圖10所示，其中左圖為普通立體圖，右圖為經(jīng)過多層表面地圖（MLS）。

圖10  多層表面地圖定位

（2）使用GPS、IMU和LIDAR數(shù)據(jù)生成高分辨率紅外地面圖（high-resolution infrared remittance ground map）。該方法將環(huán)境建模為概率網(wǎng)格，而不是將其作為固定的紅外匯值（infrared remittance values）的空間網(wǎng)格，從而將每個單元表示為其自身在紅外匯值（infrared remittance values）上的高斯分布。隨后，貝葉斯推斷能夠優(yōu)先加權(quán)地圖中最可能是靜止的且具有一致角度反射率的部分，從而減少不確定性和嚴(yán)重的錯誤。此外，通過使用離線SLAM對齊同一環(huán)境的多個通道（可能在時間上相隔幾天甚至幾個月）。該算法在各種動態(tài)環(huán)境中根據(jù)概率地圖定位車輛，驗證了該方法的有效性，在10cm范圍內(nèi)實現(xiàn)RMS精度。

構(gòu)建地圖的最終目標(biāo)是獲得觀察環(huán)境的網(wǎng)格單元表示，其中每個單元存儲在該位置觀察到的平均紅外反射率以及這些值的方差?？煞秩齻€步驟生成這樣的地圖：首先，對所有軌跡進(jìn)行后處理，以使重疊區(qū)域?qū)R；第二，我們校準(zhǔn)每個激光束的強度返回，使光束具有相似的響應(yīng)曲線；最后，將校準(zhǔn)后的激光從對準(zhǔn)的軌跡返回到高分辨率概率圖中。下圖11為不同紅外反射率的高分辨率概率圖。

圖11  不同紅外反射率的高分辨率概率圖

（3）另一類是基于八叉樹的地圖。該地圖用于存儲具有不同3D分辨率的信息（如圖12所示）。與具有不同3D分辨率的OGM相比，OctoMaps（基于八叉樹的地圖）僅存儲觀察到的空間，因此在存儲器消耗方面更有效。然而，OctoMaps以統(tǒng)一和離散的方式處理傳感器數(shù)據(jù)的更新和障礙物占用的估計。因此，它們比具有統(tǒng)一占用率的OGM慢。盡管OctoMaps在內(nèi)存消耗方面具有顯著優(yōu)勢，但是在無人駕駛車的實時場景中，強大的計算復(fù)雜性使該方法無法實現(xiàn)。

圖12  基于八叉樹的地圖

1.2.2連續(xù)空間度量表示

（1）一種希爾伯特映射的新公式，其中通過逐步融合局部重疊的希爾伯特映射來構(gòu)造全局占用圖。不是為整個地圖維護(hù)一個單一的監(jiān)督學(xué)習(xí)模型，而是用機器人的每一次距離掃描來訓(xùn)練一個新模型，并對機器人感知領(lǐng)域上的所有的點進(jìn)行查詢。該方法將分類器的概率輸出視為傳感器，使用傳感器融合來合并局部地圖。該公式允許希爾伯特映射在傳感器觀測之間重疊的真實世界映射場景中增量使用。該方法應(yīng)用于三維地圖構(gòu)建，并使用真實和模擬的三維距離數(shù)據(jù)進(jìn)行評估。

圖13  基于希爾伯特映射的全局占用圖