基于高精度地圖的車道推薦開發(fā)

蔡珂芳，姚為民

基于高精度地圖的車道推薦開發(fā)

蔡珂芳1，姚為民2

（1.零束科技有限公司，上海 201600；2.吉林大學(xué) 汽車工程學(xué)院，吉林 長(zhǎng)春 130025）

為滿足當(dāng)前高階智能化車輛對(duì)車道推薦引導(dǎo)的需求，文章基于車機(jī)導(dǎo)航地圖（SD-Map）和高精度地圖（HD-Map）進(jìn)行關(guān)聯(lián)匹配，完成道路和車道的映射關(guān)系表達(dá)，提出了可行域空間的路網(wǎng)模型和車道綜合推薦系數(shù)的計(jì)算規(guī)則。基于行車道路剩余距離、車道限速和車道擁堵信息，建立車輛運(yùn)動(dòng)學(xué)模型，使用動(dòng)態(tài)窗口法（DWA）優(yōu)化算法定義速度空間，建立以車道路剩余距離、車道限速和車道擁堵信息為因子的綜合成本函數(shù)，通過(guò)迭代優(yōu)化獲得最優(yōu)車道推薦列表。最后通過(guò)實(shí)車測(cè)試驗(yàn)證優(yōu)化結(jié)果，與基于靜態(tài)地圖數(shù)據(jù)推薦的車道相比，能夠更加有效靈活地基于距離目的地剩余距離、車道限速情況和車道擁堵狀態(tài)進(jìn)行車道推薦，保證車輛當(dāng)前行車速度最優(yōu)。

高精度地圖；車道推薦開發(fā)；路網(wǎng)模型；SD-Map；HD-Map；DWA

為適應(yīng)自動(dòng)駕駛需求，提供可靠、穩(wěn)定的道路環(huán)境信息，四維圖新、高德、百度等圖商在傳統(tǒng)地圖基礎(chǔ)之上，推出了精度更高、元素維度更豐富，具有一定鮮度的高精度地圖，其支持自動(dòng)駕駛車輛進(jìn)行車道級(jí)定位及車道級(jí)規(guī)劃，以滿足安全穩(wěn)定的運(yùn)行環(huán)境。研究所提到的高精度地圖是一種面向L3級(jí)及以上級(jí)別高階自動(dòng)駕駛的地圖，與傳統(tǒng)的導(dǎo)航電子地圖、先進(jìn)駕駛輔助系統(tǒng)地圖相比具有精度高、維度豐富、鮮度能夠保證的特點(diǎn)。

目前已有多家車企在高精度地圖方面取得重要應(yīng)用，百度的Robtaxi能夠基于高精度地圖完成車道級(jí)定位，實(shí)現(xiàn)城區(qū)道路的車道級(jí)路徑規(guī)劃[1]，蔚來(lái)、小鵬等車企基于高精度地圖和融合定位技術(shù)實(shí)現(xiàn)高速領(lǐng)航輔助（Navigate on Pilot, NOP）功能，實(shí)現(xiàn)車輛自動(dòng)變道、自動(dòng)上下匝道等高階功能，以上汽集團(tuán)為代表的知己、非凡等車型均基于高精度地圖完成高階自動(dòng)駕駛功能開發(fā)，大幅提升了駕乘性能的智能化。

針對(duì)高精度地圖當(dāng)前的應(yīng)用形態(tài)，主要概括為以下三個(gè)方面[2-3]：1）高精度地圖可以實(shí)現(xiàn)車道級(jí)定位，即基于全球衛(wèi)星導(dǎo)航系統(tǒng)（Global Navigation Satellite System, GNSS）/載波相位差分技術(shù)（Real-Time Kinematic, RTK）、慣性測(cè)量單元（Inertial Measurement Unit, IMU）信息實(shí)現(xiàn)車輛的絕對(duì)定位，進(jìn)而獲取車輛周圍道路環(huán)境信息，結(jié)合Camera信息和高精地圖信息進(jìn)行邦路計(jì)算，最終實(shí)現(xiàn)車道級(jí)定位技術(shù)；2）高精度地圖可以對(duì)車端感知設(shè)備進(jìn)行冗余完善，在遇到車道線模糊、下雪、下雨等惡劣環(huán)境時(shí)，車輛自身傳感器會(huì)產(chǎn)生不可靠的行為，可結(jié)合高精度地圖進(jìn)行冗余管理，提升感知效果；3）高精度地圖可以實(shí)現(xiàn)超視距感知和車道級(jí)誘導(dǎo)，其作為一種不隨外界環(huán)境變化的靜態(tài)信息存儲(chǔ)車端，可提前對(duì)復(fù)雜路況信息進(jìn)行規(guī)劃決策，實(shí)現(xiàn)車道級(jí)規(guī)劃。

盡管多家圖商基于高精度地圖進(jìn)行車道級(jí)定位和規(guī)劃引導(dǎo)，但其主要針對(duì)靜態(tài)地圖元素，比如匝道處、道路合并或者分叉處、車道合并或者分叉處等信息進(jìn)行基于全局道路級(jí)規(guī)劃的車道推薦，并不能夠很好地考慮全局車道間拓?fù)湫畔?、車道?dòng)態(tài)通行信息、行車道路剩余距離等信息，最終導(dǎo)致不能有效地進(jìn)行車道推薦?；谝陨蠁?wèn)題，提出基于高精地圖進(jìn)行路網(wǎng)模型建模，結(jié)合行車道路剩余距離、車道限速信息、車道擁堵信息獲得車道推薦系數(shù)，為下游決策規(guī)劃模塊提供實(shí)時(shí)、有效的車道推薦。

1 車道路網(wǎng)模型建模

1.1 高精度地圖路網(wǎng)的基礎(chǔ)表達(dá)

高精地圖制作過(guò)程中，路網(wǎng)通常由有限個(gè)有向線段（Link）和節(jié)點(diǎn)（Node）組成，其中Node定義了Link之間的連接關(guān)系，由于Link和Node組成的道路網(wǎng)絡(luò)較為復(fù)雜，為了能夠高效準(zhǔn)確地表達(dá)車輛前方的可通行路線，將車輛前方的Link和Node通過(guò)道路路線（Path）表示，可以大大簡(jiǎn)化路網(wǎng)的復(fù)雜性[4]，如圖1所示。

圖1 高精地圖路網(wǎng)表達(dá)

車道作為車輛通行區(qū)域的基本單元，主要包括車道的屬性、車道之間的拓?fù)潢P(guān)系，以及車道與道路層之間的映射關(guān)系。對(duì)車道路網(wǎng)模型建模主要基于所規(guī)劃的車機(jī)導(dǎo)航地圖（Standard Definition Map, SD-Map）路徑與高精度地圖（High Definition Map, HD-Map）進(jìn)行匹配，然后基于車道與道路層之間的映射關(guān)系，識(shí)別出車道是否在SD-Map導(dǎo)航路徑上存在（onRoute）屬性，最后基于onRoute屬性、車道之間的拓?fù)潢P(guān)系，以及圖商所推薦的靜態(tài)路徑進(jìn)行車輛可行域生成。車道屬性主要包括車道數(shù)目、通行方向、寬度、類型、邊線屬性、限速信息等，因此，需要將車道按照屬性進(jìn)行切分，以每個(gè)section進(jìn)行定義，基于此所生成的車道可行域能夠準(zhǔn)確地表達(dá)實(shí)際路網(wǎng)的結(jié)構(gòu)，如圖2所示。

圖2 路網(wǎng)section表達(dá)

1.2 可行域空間設(shè)計(jì)

當(dāng)車輛處于導(dǎo)航狀態(tài)時(shí)，實(shí)際路網(wǎng)情況如圖3所示，其中車道Lane0、車道Lane1、車道lane2之間連通、車道Lane3與車道Lane4之間聯(lián)通，可進(jìn)行變道，具體可行域生成步驟如下：1）基于SD-Map路徑表與HD-Map進(jìn)行匹配，確定車輛終點(diǎn)車道Lane6；2）根據(jù)車道間橫縱向拓?fù)潢P(guān)系，由最優(yōu)靜態(tài)路徑的最遠(yuǎn)端Lane6開始，向其前向車道和橫向車道做拓?fù)溲由?，若具備與最優(yōu)靜態(tài)路徑上的車道有直接或間接拓?fù)潢P(guān)系，則作為可行域車道。如圖3所示最優(yōu)靜態(tài)路徑為onRouteList = [Lane6、Lane3、Lane0]，基于橫縱向拓?fù)潢P(guān)系，車道可行域空間為onRouteList = [Lane6、Lane3、Lane0、Lane4、Lane1、Lane2]；3）將所有可行域空間的車道onRoute屬性賦值為True。

圖3 可行域空間表達(dá)

1.3 剩余距離定義

為了能夠基于全局規(guī)劃路徑，推薦車輛準(zhǔn)確進(jìn)行變道，需要基于可行域空間準(zhǔn)確表達(dá)車輛在當(dāng)前車道上能夠運(yùn)行的最長(zhǎng)距離（Route_left_ distance）?；谲囕v前方所有車道的 onRoute屬性，遍歷自車所在section的所有車道，并沿著相應(yīng)車道根據(jù)縱向拓?fù)湎蚯白雎窂教剿?，若下游任一車道的onRoute==True，則繼續(xù)下游探索；若探索到某條Lane的所有縱向下游車道的onRoute == false，則結(jié)束探索，并將當(dāng)前探索到的最后一條lane的終點(diǎn)作為最晚變道點(diǎn)，定義當(dāng)前自車至最晚變道點(diǎn)的沿路距離為Route_left_distance，如圖4所示。

圖4 車道剩余距離表達(dá)

2 車道推薦系數(shù)

2.1 車道推薦系數(shù)定義

最基本的路徑規(guī)劃主要是研究在已知的路網(wǎng)環(huán)境中，以一定的約束條件和優(yōu)化目標(biāo)規(guī)劃出一條由起點(diǎn)至終點(diǎn)的路徑[5]?；趯?duì)高精地圖處理信息的高效性，以及從車輛決策、規(guī)劃、控制時(shí)效性的考慮，本項(xiàng)目將對(duì)位于車輛前方5 km的高精地圖數(shù)據(jù)進(jìn)行車道推薦優(yōu)化，綜合當(dāng)前行車道路剩余距離、車道限速信息以及擁堵信息，實(shí)時(shí)計(jì)算行車道路剩余距離系數(shù)、各車道限速系數(shù)和擁堵系數(shù)，通過(guò)權(quán)重優(yōu)化，計(jì)算各個(gè)行車道路的綜合推薦系數(shù)，獲得最終的車道推薦列表。為對(duì)比各行車道路的綜合推薦系數(shù)，定義該值為0～999的整數(shù)，其數(shù)值越小，推薦程度越高，其中百位表示剩余距離的推薦系數(shù)，取值為0～9；十位表示限速的推薦系數(shù)，取值為0～9；個(gè)位表示擁堵的推薦系數(shù)，取值為0～9，從而獲取行車道路限速、擁堵等信息和最大剩余距離信息的偽代碼如下：

//獲得剩余距離最長(zhǎng)的行車道路

GetMaxDistInfo (lane_datas, max_dist_info);

//獲得行車道路限速、交通擁堵信息

GetLaneInfo (lane_datas, lane_info_map);

{GetSpeedLimitInfo (lane_datas, i, lane_info. speed_limit);

GetTrafficJamInfo(lane_datas,i,lane_info.jam_ level);}

2.2 車道剩余距離推薦系數(shù)

考慮到剩余距離對(duì)推薦系數(shù)的影響為非線性，當(dāng)剩余距離小于一定閾值時(shí)，表示換道距離不能滿足換道需求，對(duì)應(yīng)推薦系數(shù)應(yīng)達(dá)到最大值9，強(qiáng)烈不推薦變道；反之則對(duì)應(yīng)推薦系數(shù)在該位應(yīng)該達(dá)到最小值0，強(qiáng)烈推薦變道。同時(shí)考慮到從自車道換道至目標(biāo)車道時(shí)，中間車道的擁堵情況，需要為車輛預(yù)留一定的換道距離和交通擁堵導(dǎo)致的預(yù)留距離。綜上剩余距離推薦系數(shù)的偽代碼如下：

//獲得剩余距離排序的推薦值

GetPriorityByDistance(lane_info_map, max_dist_info, lane_element, cur_lane_index);

{

for(max_dist_lane_pair : max_dist_info)

{

//若當(dāng)前車道包含在行車道路lane_element, 則推薦車道為0

if(max_dist_lane_pair.first == cur_lane_index);

{

Priority_value = 0;}

//預(yù)留變道距離reserve_dist

reserve_dist = 0;

//當(dāng)前車道位于最長(zhǎng)lane_element的右側(cè)

if （max_dist_lane_pair.first > cur_lane_index）

{

//基于相隔車道數(shù)目和擁堵信息計(jì)算預(yù)留距離

reserve_dist=nbr_reserve_jam_dist+lanenum_ reserve_dist;}

//當(dāng)前車道位于最長(zhǎng)lane_element的左側(cè)，計(jì)算預(yù)留距離

if （max_dist_lane_pair.first < cur_lane_index）

{reserve_dist=nbr_reserve_jam_dist+lanenum_reserve_dist;}

//計(jì)算當(dāng)前行車道路的推薦值

dist_cur_priority_value=ConvertDistanceToPrioty(reserve_dist);}

}

2.3 車道限速推薦系數(shù)

在計(jì)算各行車道路的限速系數(shù)時(shí)，需要基于行車道路為基本單位進(jìn)行限速加權(quán)平均，獲得的加權(quán)限速越高，則對(duì)應(yīng)的道路推薦系數(shù)在該位應(yīng)該達(dá)到較小值，偽代碼如下所示：

//獲得行車道路限速的推薦值GetPriorityBy SpeedLimit(lane_info_map, cur_lane_index);

{//獲得當(dāng)前行車道路的限速信息

cur_lane_info=lane_info_map.at(cur_lane_index);

//當(dāng)前法規(guī)準(zhǔn)許最大值120km/h進(jìn)行0-9等級(jí)劃分

speedlimit_cur_priority_value=floor((120-cur_ lane_info.speedlimit) / 121.0 * 10)}

2.4 車道擁堵推薦系數(shù)

行車道路擁堵系數(shù)為0～9分布，對(duì)最小擁堵等級(jí)和最大擁堵等級(jí)之間進(jìn)行插值計(jì)算，對(duì)應(yīng)數(shù)值0～9，偽代碼如下所示：

GetPriorityByTrafficJam(lane_info_map, cur_ lane_index);

{//獲得當(dāng)前行車道路的限速信息

cur_lane_info=lane_info_map.at(cur_lane_index);

//根據(jù)當(dāng)前交通等級(jí)擁堵推薦暢通為0，嚴(yán)重?fù)矶聻?，進(jìn)行10等級(jí)劃分0-9

trafficjam_cur_priority_value=floor(cur_lane_ info.jam_level / 10.0)}

3 車道推薦優(yōu)化

本文提到的車道推薦，由于存在交通擁堵等動(dòng)態(tài)信息，同時(shí)考慮到系統(tǒng)對(duì)軟硬件資源的限制和高效性，本項(xiàng)目使用機(jī)器人操作系統(tǒng)（Robot Operating System, ROS）內(nèi)部提供的動(dòng)態(tài)窗口法（Dynamic Window Approach, DWA）[6]的基礎(chǔ)上進(jìn)行車道推薦優(yōu)化，其原理主要是在速度空間（,）范圍中采樣多組速度，并模擬這些速度在一定時(shí)間內(nèi)的運(yùn)動(dòng)軌跡，再通過(guò)車道推薦評(píng)價(jià)函數(shù)對(duì)軌跡打分，最優(yōu)速度會(huì)被映射到行車道路，進(jìn)而獲得最優(yōu)車道路徑，具體思路如下：

3.1 建立車輛運(yùn)動(dòng)學(xué)模型

考慮到終點(diǎn)研究車道推薦優(yōu)化算法，并不關(guān)注車輛運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)性能，因此，為了簡(jiǎn)化模型，提高車道推薦模塊高效性，建立以平移速度和旋轉(zhuǎn)角速度的車輛運(yùn)動(dòng)學(xué)模型[7]，假設(shè)每段行駛軌跡時(shí)間間隔為Δ，當(dāng)Δ足夠小時(shí)，車輛軌跡可視為直線運(yùn)動(dòng)，得到機(jī)器人的運(yùn)動(dòng)模型為

式中，x、y、θ為車輛在時(shí)刻的坐標(biāo)位姿；x+1、y+1、θ+1為車輛在+1時(shí)刻的坐標(biāo)位姿；v、ω分別為車輛在時(shí)刻的平移速度與旋轉(zhuǎn)角速度。

3.2 建立速度空間

基于車輛運(yùn)動(dòng)學(xué)模型，建立以[]要素構(gòu)成的運(yùn)動(dòng)學(xué)空間約束s，即

在動(dòng)力學(xué)性能約束下，車輛在當(dāng)前平移速度v和旋轉(zhuǎn)角速度ω工況下，通過(guò)Δ時(shí)間段，車輛所能達(dá)到的速度空間即動(dòng)力學(xué)約束d為

考慮到行駛過(guò)程中，交通設(shè)施對(duì)行駛軌跡也會(huì)形成空間約束，假設(shè)車輛距離障礙物空間距離為dist(,)車輛以最大減速度進(jìn)行緊急制動(dòng)，建立障礙物約束a，即

3.3 建立綜合成本函數(shù)

式中，dist_cur_priority_value(,)為剩余距離推薦系數(shù)，推薦值越低說(shuō)明所推薦車道到達(dá)目的地距離越經(jīng)濟(jì)；speedlimit_cur_priority_value(,)為車道限速推薦系數(shù)，推薦值越低說(shuō)明推薦車道可行駛速度越高；trafficjam_cur_priority_value(,)為交通擁堵推薦系數(shù)，推薦值越低說(shuō)明所推薦車道交通越暢通。綜上，遍歷動(dòng)態(tài)窗口內(nèi)所有軌跡，獲得綜合推薦分值G(,)越低，成本越小，獲得的車道推薦列表即為最優(yōu)推薦。

4 應(yīng)用測(cè)試驗(yàn)證

為驗(yàn)證車道推薦優(yōu)化算法的可行性和準(zhǔn)確性，基于實(shí)測(cè)的感知數(shù)據(jù)、融合定位數(shù)據(jù)、交通擁堵等級(jí)數(shù)據(jù)，以到達(dá)目的地最小時(shí)間和最大速度為目標(biāo)，以車道推薦系數(shù)為優(yōu)化變量，以交通規(guī)則和車輛位姿為約束條件進(jìn)行應(yīng)用測(cè)試驗(yàn)證。選取安亭汽車收費(fèi)站至曹安公路收費(fèi)站的路線數(shù)據(jù)為對(duì)象，將SD-Map路線以道路段形式發(fā)送至高精地圖接受端，并將SD-Map與HD-Map進(jìn)行路網(wǎng)信息匹配，獲得路徑PathID、道路LinkID、車道LaneID的關(guān)聯(lián)表單，所匹配的路線如圖5所示。

圖5 關(guān)聯(lián)匹配的路線

基于關(guān)聯(lián)表單，取自車前方5 km地圖數(shù)據(jù)（G12往南通方向）對(duì)交通擁堵等級(jí)進(jìn)行人為干預(yù)設(shè)置，基于路網(wǎng)模型進(jìn)行車道推薦優(yōu)化，軌跡結(jié)果如圖6所示，車道推薦優(yōu)化算法推薦車道為L(zhǎng)ane6-> Lane5-> Lane2，在基于較快速車道行駛情況下，完全避開了交通擁堵；圖商推薦的車道軌跡為L(zhǎng)ane6-> Lane5-> Lane3-> Lane2，主要基于靜態(tài)地圖數(shù)據(jù)進(jìn)行推薦，因未考慮到交通擁堵等動(dòng)態(tài)情況導(dǎo)致進(jìn)入緩行狀態(tài)，導(dǎo)致所推薦的路徑無(wú)法滿足駕駛需求?？梢?jiàn)所提車道推薦算法，能夠更好地結(jié)合道路和車道規(guī)則以及實(shí)際情況對(duì)車道進(jìn)行推薦。

圖6 車道推薦路線

5 結(jié)論

基于SD-Map和HD-Map匹配完成車道推薦優(yōu)化，主要進(jìn)行了以下工作：1）基于車道的屬性、車道間的拓?fù)潢P(guān)系，以及車道與道路層間的映射關(guān)系提出車輛可行域空間概念，并基于此建立車道級(jí)路網(wǎng)模型；2）基于采集的道路數(shù)據(jù)，提出了行車道路剩余距離系數(shù)、限速系數(shù)和擁堵系數(shù)的計(jì)算規(guī)則，基于此進(jìn)行車道推薦優(yōu)化工作；3）通過(guò)測(cè)試驗(yàn)證手段，對(duì)比了車道推薦優(yōu)化軌跡和圖商所提供的車道軌跡，車道推薦優(yōu)化算法考慮到車道限速、車道擁堵等動(dòng)態(tài)信息，更加有效地對(duì)車道推薦引導(dǎo)。

該研究仍存在一定局限性，由于當(dāng)前對(duì)道路數(shù)據(jù)采集的局限性，如車道施工狀態(tài)和車道擁堵等狀態(tài)無(wú)法采集，因此，如對(duì)地圖數(shù)據(jù)進(jìn)行一定人為干預(yù)，后期仍需大量路測(cè)數(shù)據(jù)對(duì)此算法進(jìn)行驗(yàn)證和完善。

[1] 周勇,劉尚魁.構(gòu)建基于Appollo 的高精度地圖解決方案[J].電子技術(shù)與軟件工程,2018(21):139.

[2] 董祚帆.基于高精度地圖的自動(dòng)駕駛車輛車道級(jí)路徑規(guī)劃方法研究[D].蘭州:蘭州交通大學(xué),2022.

[3] 陶璐.高精度自動(dòng)駕駛地圖與傳統(tǒng)導(dǎo)航地圖路網(wǎng)匹配方法研究[D].武漢:武漢大學(xué),2017.

[4] ADASIS Forum.ADASIS v3 Protocol: v3.1.0[EB/OL]. (2018-07-05) [2023-01-05].https://blog.csdn.net/zyq88 0625/article/details/ 123742297.

[5] 張捍東,鄭睿.岑豫皖.移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)的現(xiàn)狀與展望[J].系統(tǒng)仿真學(xué)報(bào),2005(2):439-443.

[6] 卞永明,季鵬成,周怡和,等.基于改進(jìn)型DWA的移動(dòng)機(jī)器人避障路徑規(guī)劃[J].中國(guó)工程機(jī)械學(xué)報(bào),2021, 19(1):44-49.

[7] 曹彪.基于動(dòng)態(tài)窗口法和改進(jìn)A*算法的多車路徑規(guī)劃[D].秦皇島:燕山大學(xué),2022.

Development of Lane Recommendation Based on High-definition Map

CAI Kefang1, YAO Weimin2

( 1.Z-one Technology Company Limited, Shanghai 201600, China;2.College of Automotive Engineering, Jilin University, Changchun 130025, China )

In order to meet the requirement of high-level intelligent vehicles for lane recom- mendation, this paper has completed the mapping relationship between road and lane based on the correlation matching which is from standard definition map(SD-Map) and high-definition map(HD-Map), proposes the feasible domain space of road network, and the calculation rule of the comprehensive lane recommendation coefficient.Based on the remaining distance of road, lane speed limit and lane congestion information, a vehicle kinematics model is established, the speed space is defined by the dynamic window method (DWA) optimization algorithm, and a comprehensive cost function based on the remaining distance of the road, lane speed limit and lane congestion information is established, and the optimal lane recommendation list is obtained through iterative optimization. Finally, the optimization results are verified through the real vehicle test. Compared with the most recommended lanes based on the static map data, it can recommend lanes more effectively and flexibly based on the remaining distance from the destination, the lane speed limit and the lane congestion state, so as to ensure the optimal driving speed of the vehicle.

High precision map; Lane recommendation development;Road network model;SD-Map;HD-Map;DWA

U469.5

A

1671-7988(2023)10-34-06

10.16638/j.cnki.1671-7988.2023.010.007

蔡珂芳（1990—），男，博士，工程師，研究方向?yàn)橹悄苤圃扉_發(fā)，E-mail:caikf2015@163.com。