（2）一種通過連續(xù)占用映射來表示環(huán)境的新技術(shù)，該技術(shù)在兩個基本方面改進(jìn)了流行的占用夾點圖：1）它不假設(shè)將世界先驗離散為網(wǎng)格單元，因此可以提供任意分辨率的地圖；2）它自然地捕捉測量之間的統(tǒng)計關(guān)系，因此對異常值更為穩(wěn)定，并具有更好的泛化性能。該技術(shù)名為希爾伯特映射，基于快速核近似的計算，將數(shù)據(jù)投影到希爾伯特空間，并且在該空間中學(xué)習(xí)邏輯回歸分類器。該方法允許有效的隨機梯度優(yōu)化，其中每個測量在在線學(xué)習(xí)期間僅處理一次?？傻玫饺N近似的結(jié)果，隨機傅里葉變換（Random Fourier）、Nystr?m和一種新的稀疏投影（a novel sparse projection）。該方法還展示了如何擴展該方法以接受概率分布作為輸入，即當(dāng)由于傳感器或定位誤差導(dǎo)致激光掃描位置存在不確定性時。實驗證明了該方法在具有數(shù)千次激光掃描的流行基準(zhǔn)數(shù)據(jù)集中的優(yōu)勢。左圖：用于訓(xùn)練的數(shù)據(jù)點。右圖：用SVM和Nystr?m特征繪制的地圖。

圖14  連續(xù)占用映射建圖方法

1.3道路繪制

道路映射子系統(tǒng)負(fù)責(zé)收集自動駕駛汽車周圍道路和車道的信息，并在具有幾何和拓?fù)鋵傩裕òɑミB和限制）的地圖中表示這些信息。道路繪制子系統(tǒng)的主要是路線圖表示和拓?fù)浔硎尽?

1.3.1地圖表示

路線圖通常也是分為度量圖和拓?fù)鋱D。

1.3.1.1度量表示：

道路地圖的簡單度量表示是通過柵格地圖表示。柵格地圖是將環(huán)境離散化為固定大小的單元的矩陣。其中固定大小矩陣中包含關(guān)于是否屬于道路的信息以及移動到其相鄰區(qū)域單元的成本。道路網(wǎng)格地圖簡單易懂。但是，如果在路線圖的大區(qū)域內(nèi)移動成本是均勻的，那么使用網(wǎng)格表示可能需要浪費地存儲空間和處理時間。

路徑點（ waypoints）序列是在大型道路柵格圖中壓縮路徑描述的一種替代方案。路徑點指的是沿著道路柵格圖中的路徑的點。路徑點序列可以手動定義或從道路網(wǎng)格地圖中自動提取。在于2005年DARPA挑戰(zhàn)賽中，提出了路線數(shù)據(jù)定義文件（RDDF）。RDDF是一個格式化文件，包含路徑點坐標(biāo)和無人駕駛車的運行路徑，指定的其他相關(guān)信息（緯度、經(jīng)度、橫向邊界偏移和航向速度）。

（1）一種路線圖用于推斷無人駕駛車IARA在城市道路上的車道位置和相關(guān)屬性（柵格地圖和RDDF路徑），如圖15所示。IARA的道路柵格地圖包含方形單元格0.2×0.2米。通道的每個單元都被分配上編碼。編碼從1到16表示了從單元到車道中心的相對距離以及單元中存在的車道標(biāo)記（損壞、固定或無）的類型。IARA的RDDF路徑包含0.5米間隔的航路點，并通過一種算法從道路網(wǎng)格圖中自動提取，該算法獎勵更靠近車道中心的單元。

圖15  道路柵格地圖

1.3.1.2拓?fù)浔硎?

路面圖的更復(fù)雜的表示是通過拓?fù)鋱D。拓?fù)鋱D將環(huán)境描繪為圖形模型，其中頂點表示位置，連線表示位置之間的拓?fù)潢P(guān)系。拓?fù)鋱D可以包含更復(fù)雜的信息，包括多個車道，車道交叉點和車道合并。

（1）2007年DARPA城市挑戰(zhàn)賽中提出了路網(wǎng)描述文件（RNDF），這是一個拓?fù)鋱D，定義為格式化文件，用來指定無人駕駛車操作的路段。根據(jù)該文件，道路網(wǎng)絡(luò)包括一個或多個段，其中每個段包括一個或多個通道。段主要用來表示車道數(shù)、街道名稱和速度限制。車道用以表示車道寬度、車道標(biāo)記和一組路徑點。車道之間的連接以出口和入口路徑點表示。

RNDF定義無人駕駛車輛可以訪問的道路信息，其中點的信息包括路點（道路上帶有二維坐標(biāo)信息的點）和特征點（指無人駕駛車輛完成指定比賽任務(wù)必須識別的交通信號標(biāo)志所在的點，這些點可以是位于道路上的路點，也可以是位于路邊的點，用三維坐標(biāo)表示）；線的信息包括標(biāo)志線的寬度、顏色、條數(shù)、道路的寬度和車道數(shù)；面的信息包括特定的區(qū)域（如自由行駛區(qū)域和自主泊車區(qū)域等）因此，路網(wǎng)文件包含描述路段和描述區(qū)域兩個方面的信息內(nèi)容。

路網(wǎng)文件包含一段或多段道路，其中每段道路又包含一條或者多條車道。在路網(wǎng)文件中，“segment”表示與路段有關(guān)的信息（如路段名稱、路段包含的車道數(shù)等），“l(fā)ane”表示與車道有關(guān)的信息（如車道名稱、寬度和車道上路點的順序集合），路點在路網(wǎng)文件中位于車道的內(nèi)部。路點、車道和路段的表示方法如圖16所示，其中紅色圓點為路點，并以“M.N.P”表示，其中M、N和P分別表示路段號、車道號和該路點序號，而車道和路段分別以“M.N”和“M”的方式表示。

如果兩條道路相連，在車道的銜接處分別用“Entry Way Point”和“Exit Way Point”表示車道連接處的入口點和出口點。一個出口點可能對應(yīng)一個或者多個入口點，出口點和入口點可以設(shè)定在車道的開始、中間或者末端位置，這取決于實際測試任務(wù)的需要。圖17表示交叉路口處的一種路點連接情況，其中出口點D在車道2.2的末端，它與入口點A和E（分別位于車道1.1和1.2）相連，表示無人駕駛車輛可以有兩個選擇；出口點B和F分別位于車道1.2和車道1.1的中間，與車道2.1的入口點C相連。

此外，還有兩種特殊情況：1）當(dāng)一條道路是環(huán)形道路時，它的入口點和出口點可能在同一條車道上；2）當(dāng)遇到一條死路時，這條車道上的最后一個路點可能指向臨近車道上的第一個最近的路點，表明無人駕駛車輛須反方向行駛，即執(zhí)行U-Turn。在路網(wǎng)文件中停止點用“Stop”來描述。如圖17所示，相應(yīng)的路點D附近有一條停止線，它垂直于無人駕駛車輛的行進(jìn)路線。

圖17  T型路口

（2）一種用于從校準(zhǔn)的視頻圖像和移動車輛獲取的激光測距數(shù)據(jù)中檢測和估計城市道路網(wǎng)絡(luò)中多車道特性的系統(tǒng)。該系統(tǒng)在多個處理器上分幾個階段實時運行，將檢測到的道路標(biāo)記、障礙物和路緣融合為附近車道的穩(wěn)定非參數(shù)估計。該系統(tǒng)結(jié)合了所提供的分段線性道路網(wǎng)絡(luò)的元素作為弱先驗。

該方法在幾個方面都是值得注意的：它檢測和估計多條車道；它融合了異步、異構(gòu)的傳感器流；它處理高曲率道路；并且它不假設(shè)車輛相對于道路的位置或方向。

尋道方法包括三個階段。在第一階段，該系統(tǒng)通過激光雷達(dá)的數(shù)據(jù)，檢測并定位每幀視頻中所繪制的道路標(biāo)記，以降低誤報率。第二階段處理道路檢測到的車道線以及激光雷達(dá)檢測到的路緣，來估計附近車道的中心線。最后，在產(chǎn)生一個或多個非參數(shù)車道輸出之前，對任何檢測到的中心線進(jìn)行濾波、跟蹤和融合。該方法的數(shù)據(jù)流如圖所示。

圖18  車道線融合對于每幀視頻，

根據(jù)從實時IMU數(shù)據(jù)推斷的地平面的投影，沿著每行的像素網(wǎng)格對內(nèi)核進(jìn)行采樣。然后將核與來自每行的圖像數(shù)據(jù)卷積以產(chǎn)生匹配濾波器的輸出。當(dāng)核寬度小于1像素時，卷積計算被抑制。如下圖19所示，此操作成功地丟棄了場景中的大部分雜波，并可以對線狀特征強烈的響應(yīng)。這是對垂直和水平內(nèi)核分別進(jìn)行的，給出兩個輸出圖像（圖19b、c）。接下來，通過對水平濾波器輸出的每一行和垂直濾波器輸出的每個列的數(shù)值進(jìn)行迭代，以構(gòu)建一維局部最大值列表，這些最大值將作為特征。理想情況下，這些最大值出現(xiàn)在所有線的中心。

圖19  車道線檢測

（2）一種拓?fù)鋱D表示為OpenStreetMap（OSM），它使用三個基元（即點（Nodes）、路（Ways）和關(guān)系（Relations））用拓?fù)鋱D對環(huán)境進(jìn)行建模?！包c”表示地理點，“路”表示節(jié)點列表（折線），“關(guān)系”由任意數(shù)量的成員組成，這些成員可以是三種類型中的任何一種并具有指定的角色。其他道路屬性（如行駛方向和車道數(shù)量）作為要素的屬性給出。（3）一個非常詳細(xì)的拓?fù)渎肪€圖，稱為車道片段圖(lanelet)。lanelet圖內(nèi)包括道路的幾何和拓?fù)涮卣?，如道路、車道和交叉口。其中使用原子互連的可驅(qū)動路段，稱為車道片段，如圖20所示。車道片段的幾何形狀由左側(cè)和右側(cè)定義綁定，每一個對應(yīng)一個點列表（折線）。該特征隱含地定義了每個車道的寬度和形狀及其行駛方向。車道片段的鄰邊由加權(quán)有向圖構(gòu)成。在加權(quán)有向圖中，其中每個車道片段用邊和長度表示，其中長度代表著向外標(biāo)遠(yuǎn)的權(quán)重。其他要素描述了條件限制，如速度限制和交通規(guī)則（如交叉和合并權(quán)利）。

圖20  lanelet地圖

（4）高清地圖（HD maps）是為無人駕駛汽車提供動力的新一代拓?fù)涞貓D。高清地圖的精度可達(dá)到厘米級，并包含豐富的信息，如車道位置、道路邊界和道路曲率的信息。由于創(chuàng)建高清地圖的成本很高，因此通過使用平臺將高清地圖作為服務(wù)提供。

1.3.2地圖創(chuàng)建

創(chuàng)建道路地圖的最簡單方法是對航空影像中提取的道路形狀進(jìn)行手動注釋。然而，大型城市道路網(wǎng)絡(luò)所需的非常高成本的注釋，這可能會使手動注釋變得不可行。為此，提出了用于從航拍圖像自動生成道路地圖的方法。

1.3.2.1手動注釋

(1)使用從航拍圖像中提取的道路形狀的手動注釋，以便為自動駕駛汽車創(chuàng)建路線圖。獲得的局部道路形狀是準(zhǔn)確的，然而，由于圖像分辨率和全球注冊，位置全局地理信息并不那么準(zhǔn)確。為此，他們的定位方法使用位置過濾處理道路模型中的錯誤地方。

(2)采用了無人駕駛車Bertha的車道片段地圖的所有元素和屬性的手動注釋。虛擬頂視圖圖像被用作使用OSM格式和Java OSM編輯器手動注釋車道片段圖作為基礎(chǔ)。

1.3.2.2智能生成