电动汽车自动代客泊车和充电（下）

• ​论文链接：​​https://www.robots.ox.ac.uk/~mobile/Papers/schwesinger_iv16_vcharge.pdf​​​

语义建图

离线地图构建了地图堆栈的度量层，它使用语义层（见图7）进一步增强，该语义层包含三个不同的部分以支持规划模块：道路图（详细标明车道位置、道路方向和交叉口）、停车位的位置以及有助于车辆穿过停车场的速度分布。

A.道路图

来自度量层的车辆位姿构成停车场中车道的布局，然而当车辆多次通过特定车道时，轨迹将不完全重叠（图9a）。为了提取底层框架，在位姿上施加了图。每个位姿形成一个节点，并且在后续节点和附近节点之间插入边。通过识别图中的位姿簇并且用每个簇的中心点（或者最接近该簇中心点的位姿，以避免多次迭代后漂移）迭代地替换每个簇（从最大的簇开始），这种通过底层结构（图9b）替换位姿簇的过程将生成一张干净的图（图9c）。更多的细节见工作Integrating Metric and Semantic Maps for Vision-Only Automated Parking。

B.停车位标记

在度量地图上的车辆位姿与来自四个经过标定的相机的鱼眼图像一起构成配准过程的输入，该过程输出一张合成的俯视图，如图8所示。

停车位等标签对于不同的停车场具有很大不同的视觉特征，因此需要不同的经过训练的分类器。为了提供可迁移且低维护的建图过程，使用自省分类来推断标签的不确定性，在基于软件的分类器非常不确定的情况下，需要人类的专业知识。这使得分类器能够随时间改进，需要来自人类专家越来越少的反馈。自省分类器使得主动学习更为高效，从而使我们能够在若干次迭代内标记所有停车位（见图8）。

C.速度地图

为了提高行人和其它道路使用者的安全性，推荐在拥堵区域或者低能见度区域中降低车速。我们将这些速度信息编码到两维的网格中。首先，我们使用基于车道和停车位位置的先验来创建一个概率图模型。观测到的行人位置在先验地图上施加的马尔科夫随机场中标记为正观测。基于地图的平滑过程使得我们能够更新地图以包含观测到的行人，并且当车辆接近具有预期的高度活动区域时降低车辆速度（见图7右侧）。关于该过程的细节参考工作Integrating Metric and Semantic Maps for Vision-Only Automated Parking。

通信和调度

典型的V-Charge任务始于客户在指定的下客区域下车，并且通过他的智能手机请求放行确认。为此，项目开发了一个安卓应用程序（见图10），涉及用户设计研究以优化可用性。这包括提供代客泊车状态（上下车等）“一目了然”的视觉反馈。

项目开发了车辆与通过本地无线链路或者移动数据连接访问的远程泊车管理服务器之间的安全数据传输概念。服务器负责泊车/充电资源管理、监控和对车辆分发任务信息。

仿真中演示了通过泊车管理服务器来处理大量的停车位和充电站（工作Design and Evaluation of Charging Station Scheduling Strategies for Electric Vehicles）。与常规（人工）或者混合模式（人工+车辆）泊车场景不同，全自主代客泊车在节省空间（从而节省成本）方面具有巨大的潜力。基于车辆与基础设施通信的协调泊车管理可以通过允许车辆阻挡其它车辆来增加泊车密度。通过这种方式，停车场需要更少的道路来容纳更多的停车位，并且增加了最大泊车密度，尽管这是以已停放车辆的调度操作为代价的。我们发现，与传统停车场相比，在分流距离和时间方面，大约1min的很好的取车时间是可能的，并且具有非常小的开销，同时显著地提高了泊车密度。

视觉定位

在用户放行车辆后，车辆在离线地图中的下客位置处定位自身位置。定位仅使用单目相机和自然路标为车主和停车场运营商争取成本效益。其基础为构建离线地图，其中包含三维几何空间中带有特征描述子的稀疏路标。为了进行在线定位，从离线地图中查询当前车辆位姿周围的三维路标，并且将其投影到相机图像中。从当前图像中提取两维的特征，并且使用图像空间中的距离阈值和描述子距离来执行特征匹配。给定这些对应关系，能够通过非线性最小二乘优化来优化初始位姿估计。通过Huber M-估计器使用鲁棒代价函数来处理异常值。在连续优化循环之间，使用轮式里程计来传播最后的解。

我们的多段建图方法解决了在存在光照变化、天气变化、结构变化和季节变化的情况下鲁棒视觉定位的挑战。由于单个数据集地图将快速降低定位性能，我们使用来自不同时间和日期的其它数据集来增强该地图，其核心过程与上述定位算法相同。位姿估计被用于以几何一致的方式合并新数据集的轨迹。来自匹配步骤的对应关系允许离线的BA，同时在新数据集上的特征跟踪允许合并来自新环境条件的路标。重复这个过程，直到地图包含足够的数据集来保证在所有需要条件下均能成功定位。为了解决地图尺寸无限增长的问题，已经研究了多种总结策略以删除冗余的路标，包括文献Towards lifelong visual maps和Long-term experiments with an adaptive spherical view representation for navigation in changing environments中提出的众所周知的策略。观测到路标的数据集数量和观测总数的综合得分给出了最佳的结果。

在具有挑战性的室外场景中进行长期的实验证明，在不同的条件下可靠的定位精度优于10cm（由DGPS获得真值）。

物体检测和分类

当沿着路线导航时，车辆感知它周围的环境，并且将静态障碍物与其它移动交通参与者分离，从而在混合交通中实现平稳导航。我们已经开发了两种动态物体检测和分类流程，即立体障碍物分类和使用360°跟踪分类的障碍物检测。在立体障碍物分类中，我们利用从双目输出的聚类步骤中获得的精确物体假设。在后一流程中，我们仅依靠单目环视系统来检测和跟踪车辆周围360°的其他交通参与者。

A.立体障碍物分类

为了分类三维立体物体假设，我们利用了前视鱼眼相机的大FOV。首先，通过粗略的预过滤器对假设进行检查，例如合理的几何范围。接着，将每个幸存的候选物体假设投影到鱼眼图像上，并且生成感兴趣区域（ROI）。在ROI上执行基于聚合通道特征（ACF）的最新特征提取步骤，随后使用软级联分类器。我们对车辆使用一个分类器，对近/远行人使用两个分类器。更多细节见工作Visiononly fully automated driving in dynamic mixed-traffic scenarios。

使用精度/召回率和未命中率度量在公开可用的汽车数据集上评估准确性（见图11）。它构成了系统性能的下限，因为立体聚类和下游的物体跟踪都没有单独评估，并且符合最新技术。

B.使用360°跟踪分类的障碍物检测

立体障碍物分类只能对双目相机FOV内的物体进行操作。为了利用单目环视系统的潜力，我们已经开发了一种能够检测并跟踪汽车周围行人和车辆的系统。在每张相机图像上运行软级联+ACF分类器以检测车辆和行人。在这里，我们使用工作360° detection and tracking algorithm of both pedestrian and vehicle using fisheye images中介绍的柱面相机模型来最小化图像中心外的畸变，同时维持大FOV。对于多相机跟踪，首先应用相机间关联算法，然后使用无迹卡尔曼滤波器来跟踪障碍物。

由于带标注的鱼眼图像的数据集没有公开可用的，因此我们研究后变形图像对分类器性能的影响。该分类器在使用柱面模型变形的针孔图像上和来自公开数据集的针孔图像上进行比较。在表格III中，对两种模型之间的正确检测进行比较。我们已经评估了三个不同的分类器：两个行人分类器（32x64和48x96像素）和一个车辆分类器（38x38像素）。柱面模型对分类器性能的影响忽略不计，因此前一段中给出的结果仍然认为是有效的。

利用相机之间的重叠FOV提高了检测性能（见图12），尤其对于交叉或者暂时遮挡的物体。

运动规划

V-Charge运动规划堆栈由三个模块组成，通过负责高级任务分配的任务执行模块进行协调。全局规划模块通过在静态道路网络中进行图搜索以计算从下客区域到指定停车位的拓扑规划，反之亦然。局部规划模块被设计用于提供沿着一系列车道的符合系统的在线运动规划，其考虑高级的车辆动力学和环境中的动态物体。泊车规划器模块特别适合进出狭窄停车位的可能更复杂的操作。

A.局部规划器

快速的局部运动规划器计算了运动指令，减轻静态障碍物和行人以及车辆的影响。它以基于采样的方式运行，以树形方式沿着参考路径生成很多符合系统的候选运动。这种轨迹扩展策略被广泛应用于汽车应用，然而与这些相关工作不同之处在于候选运动小段的构建方式。本项目通过详细车辆模型的前向模拟来构建候选运动，而不是使用可能不符合车辆非完整系统模型的几何小段或者参数化函数并且其必须在后期进行裁剪。结合一个模拟控制器将系统调节到车道对齐流形的采样上，这些候选运动本质上是可行驶的，并且能够容易地建模具有挑战性的系统特性，例如停滞时间和执行器限制。与碰撞检测时间相比，前向模拟时间仍然较短。

本项目在10s的有限规划时间内预测其他的交通参与者。对于车辆，来自语义层的道路网络信息被用于稳定这些中期预测。更高级的行为修正被实现用于支持平稳的护航/列队行驶和十字路口的处理。使用工作空间时空中的快速、时间感知BHV数据结构来测试候选自车运动与其他交通参与者的预测是否碰撞。为了考虑其他做出决策的交通参与者随时间运动预测的不确定性，预测的与其他交通参与者的碰撞作为指数下降代价项被纳入局部规划器的代价函数中。这减少了自车在未来可能发生不相关碰撞的不稳定行为，并且在物体检测中增加对噪声的容忍性。

反应时规划方法在静态环境（包括狭窄路段）中展示了出色的导航性能。动态环境中的导航展示了护航/列队行驶和行人避让的良好结果。局部运动规划器的统计数据是从真实世界测试数据中自动生成的，这些数据是在6:47小时（24.63km）的自动化运行过程中记录的。在99.3%的时间内，规划器以标称模式运行；在0.2%的时间内，没有找到有效的无碰撞候选运动。图13描述了后一种情况的两个主要场景：1）行人非常靠近车辆（左侧）；2）穿过两侧仅有几十厘米间隙的大门（右侧）。

在第一个场景中，采用的纯反应式规划方法过于保守。一种协作的方法将弥补这个缺陷，并且这也是我们当前的研究目标。

B.泊车规划器

为了获得“自然的”泊车行为（即仅包含最少数量的尖端且占用很少的空间），使用一种复杂度增加的三阶段规划级联（见表格IV）。

前两个阶段由确定性方法组成，因为人类倾向于以类似的行为停车。混合A*规划器被应用于第三阶段，它提供了最高的灵活性。泊车规划器执行这三个阶段，直到找到无碰撞的策略。在大约两个月的时间内执行的267次记录的实验（向后和向前）中证实了该泊车规划器的鲁棒性，其平均成功率为97%。

将车辆停放到充电板上，要求纵向精度为±15cm，横向精度为±10cm。根据这些要求，我们在大量的真实世界实验中评估泊车规划器最终位姿的平均绝对偏差。对于前向泊车操作，纵向偏差为 3.3cm±2.1cm，横向偏差为2.1cm±1.0cm。对于后向泊车操作，由于它是更复杂的操作涉及若干尖端，所以我们获得纵向偏差为6.8cm±6.5cm，横向偏差为6.4cm±4.6cm。

在仿真中评估泊车操作所需要的库位宽度以消除干扰因素，例如感知和执行不准确。在表格V中给出了不同仿真库位宽度的泊车成功率和平均揉库次数。

注意，泊车操作的不确定性结果源于使用不同的初始位姿。停车位越狭窄，泊车成功率越低，同时平均揉库次数增加。进入停车位后加上感知系统0.12m±0.05m的不确定性，对于泊车成功率达到100%，我们需要近似0.6m的间距。这些结果符合我们完整系统的现场测试。

总结

V-Charge项目展示了仅使用贴近市场的传感器即可在指定区域中实现可靠的自动驾驶。车辆在各种室内和室外停车场和车库中成功演示。我们看到在未来项目中应该进一步探究的两个主要的研究领域：1）长期建图和标定概念，以最大限度地减少地图和车辆的维护工作；2）交互感知运动规划和物体预测方法，这些方法可能涉及机器学习技术以处理靠近车辆的其他交通参与者。

文章转载自公众号：自动驾驶专栏