电动汽车自动代客泊车和充电（上）

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

摘要

自动代客泊车服务通过缓解电动汽车目前两个主要的缺陷（缩短的行驶距离和延长的充电时间），提供了巨大的潜力来增加电动汽车的吸引力。欧洲研究项目V-Charge旨在仅使用贴近市场的传感器在指定停车场提供这项服务。为此，该项目开发了开发一种系统原型，它能够仅使用相机和超声传感器在指定停车场和GPS信号失效的车库的混合交通中执行自主导航。本文总结了该项目的工作，包括网络通讯和停车位调度、多相机标定、语义建图概念、视觉定位和运动规划方面的进展。该项目将视觉定位、环境感知和自动泊车提高到厘米级精度。开发的基于基础设施的相机标定和半监督的语义建图概念大大地减少了维护的工作量。该项目的结果来自长达一个月的现场测试。

介绍

除了其它措施外，应对气候变化还需要新的出行概念。更广泛地使用电动汽车是有助于减少二氧化碳排放的关键措施之一，而大量的二氧化碳由内燃机汽车产生。减少与搜索库位相关的交通是另一个相关方面。

V-Charge项目通过引入一种新的出行概念来解决这些问题，以缓解电动汽车目前的两个缺陷：缩短的行驶距离和增加的充电过程。提倡无人泊车和充电是为了方便旅行者从使用电动汽车的个人短途交通工具转移到乘坐火车或者飞机的长途公共交通工具。将旅行者从寻找库位的耗时任务中解脱出来将使得公共交通更具吸引力。

这一概念要求在室内和室外停车场区域进行全自主驾驶。V-Charge项目为它自己设定了有挑战性的任务，即仅使用贴近市场的低成本传感器来实现这类自动驾驶功能。使用仅由四个单目鱼眼相机、两个双目相机和超声传感器组成的传感器装置有助于降低车辆硬件成本，但是需要增加与处理获取的传感器数据相关的科学和工程工作量。归功于自主代客泊车服务，每次充电过程结束时，充电站都能够腾出空间，全程无需人工干预。这一点和可能高密度的停车场为停车场经营者带来显著的好处。为了降低安装成本，V-Charge仅需要一个通信信道和一个服务器，但是不需要对停车场基础设施进一步改装。

从科学和工程的角度看，V-Charge概念的实现需要在各个研究领域取得最新的进展。不对基础设施和环境改装的室内自主导航需要仅使用车载传感器进行与GPS无关的定位。自动和手动操作的汽车在停车场行驶时需要检测、分类和估计其它交通参与者的意图。在狭小空间进行全自主泊车需要车辆的精确环境感知和控制。最后但同样重要的是，尽管停车位和充电站分配的复杂调度算法在后台运行，但是需要为用户提供一个方便的交互界面，使得用户上下车尽可能的容易。

在该项目的四年过程中，开发了三个能够在室外停车场和室内停车库自主运行的完整功能原型。两个内燃机VW Golf VI平台和一个全电动VW e-Golf原型配备了贴近市场的相机和该项目中开发的导航软件。该原型在多个地方成功演示，包括若干室内停车库和一个中型的室外停车场。全自主代客泊车功能在高达10km/h的低速范围内演示。项目的中间结果见工作Toward Automated Driving in Cities using Closeto-Market Sensors, an Overview of the V-Charge Project。以下部分总结了项目的最终状态，并且报告了最终结果。

平台和传感器装置

V-Charge原型是基于VW e-Golf平台，如图1所示。

其配备水平视场角（FOV）分别为45°和120°的前视和后视立体相机。4个具有标称视场角185°的130万像素单目鱼眼相机以12.5Hz的频率同步触发，提供了360°环视。该原型的广角后视双目相机使用了5cm宽的基线以及与单目相机具有相同的鱼眼镜头。12个超声传感器被用于近距离的障碍物检测。传感器装置如图4所示，并且配有里程表。

多相机标定

地图创建、视觉定位和障碍物检测都依赖于车辆上安装的四个单目鱼眼相机提供的图像数据。因此，这些相机需要标定内参和相对于车辆里程计坐标系的外参。将三维路标投影到图像点上需要以下标定参数以及车辆位姿：每个相机的内参以及每个相机和车辆之间的外参变换。不精确的标定参数将导致不准确的路标反向投影，从而造成基于多相机的算法（例如运动估计、位姿估计和稠密重建）生成次优的结果。我们开发了“CamOdoCal”软件来标定这种新型的鱼眼多相机装置，并且将该软件开源（工作Camodocal：http://www.github.com/hengli/camodocal）。

环境变化、传感器磨损和振动导致标定参数缓慢变化，因此需要频繁地重新标定。为了避免操作员劳累，V-Charge项目为环视相机系统开发了无监督、高度精确的标定方法。该标定方法利用环境中的自然特征来最小化基础设施安装的代价。在工作Camodocal: Automatic intrinsic and extrinsic calibration of a rig with multiple generic cameras and odometry中，我们引入一种自标定方法，它利用多相机SLAM来同时构建环境地图并且估计标定参数。

典型的标定花费几个小时的时间。为了尽量缩短标定时间，我们开发了一种基于基础设施的标定方法，该方法使用自标定方法作为生成标定区域地图的一次性的bootstrapping步骤。基于图像的定位（见图2）首先被用于估计相机位姿，然后该相机位姿被用于估计标定参数。

这种基于基础设施的标定能够在几分钟内而不是几小时内完成标定。这两种标定方法都利用自然路标，并且不需要诸如棋盘格标定板或者标记等人工标定物体（除了第一次计算相机内参）。进一步的细节信息能够在工作Leveraging image-based localization for infrastructure-based calibration of a multi-camera rig中找到。

离线建图

为了在GPS信号失效的室内停车库运行，V-Charge车辆使用相对于包含视觉特征的地图的视觉定位。当驾驶车辆穿过需要建图的区域时，我们使用从多相机系统采集的图像，遵循标准的从运动估计结构（SfM）的框架来离线地构建地图。

首先，我们对所有采集的图像执行运动估计。由于多相机装置导致非透视相机（来自单个相机的光线无法在单个投影中心相交），因此无法使用对极几何进行运动估计。相反，我们将多相机系统建模为通用的相机，其中所有光线都相对于公共坐标系定义。这导致了用于运动估计的通用对极几何。这种方法的简单实现对于实际使用而言计算代价太高。我们利用这样一个事实，即多相机系统刚性安装在车辆上以约束运动，因此大大地降低了计算复杂度。在估计所有相机位姿之后，从特征对应关系的三角化来获取三维地图点。每个三维点还与观测到该点的所有图像中的描述子相关联，以进行视觉定位。

为了获得全局一致的地图，实现了一种基于词袋方法的视觉位置识别器来检测回环。我们提出一种鲁棒的优化技术，以针对视觉位置识别器检测的错误回环来最小化回环误差。图3展示了使用该流程创建的示例性离线地图。

感知

感知车辆周围环境的障碍物对于安全导航至关重要。图4所描述的V-Charge传感器装置被设计用于提供车辆周围环境的完整且冗余的覆盖。双目相机和超声传感器为车辆前方和后方提供障碍物信息，但是这些信息往往不够。为了进一步覆盖车辆的侧面，开发了针对单目相机的SfM流程。所有传感器信息都在占据栅格地图（OGM）中融合。

A.运动双目/从运动恢复结构

当沿着一排已停放车辆行驶同时搜索一个空车位时，很难仅使用前视/后视相机看到空闲的停车位。同样，当在狭窄通道行驶时，也需要面向侧面的障碍物信息。我们的流程使用单目鱼眼相机和轮式里程计来输出静态障碍物信息。该流程首先使用来自单个相机的若干连续图像上的立体匹配来计算深度图。在第二步中，深度地图被投影到两维的平面上，并且提取地平面上的障碍物。

对于立体匹配，我们使用众所周知的平面扫描方法。为了从单目相机获得立体匹配的基线，我们使用在移动时顺序捕获的若干图像（仅重建静态障碍物）。相机位姿由轮式里程计和鱼眼相机的外参标定来计算。为了充分利用鱼眼相机宽FOV，我们避免了事先矫正。这允许我们使用高端GPU实时计算深度地图，如图5所示。我们开源了平面扫描实现（http://cvg.ethz.ch/research/planeSweepLib/）。

通过该方法，当在多个相机上实时地同时运行时，能够获得停车位尺寸和到障碍物距离的精确测量。计算的深度地图也能够被用于生成环境的稠密高度地图。

B.占据栅格地图融合

我们使用的每个传感器具有不同的能力和限制，比如有限的FOVs和精度以及不同的假阳性/假阴性率。为了结合传感器的优势同时消除它们的缺陷，我们的OGM以每秒十个样本的速度在车辆周围局部环境中的度量栅格上融合单个传感器的输出。接下来，我们评估网格融合的完整性和精确度。

OGM的完整性是在若干场景中评估的，这些场景包含的元素对于我们套件中的传感器而言通常是困难的。这些元素包括木制围栏和铁丝网围栏等具有重复纹理的障碍物（这对于基于双目和基于SfM的障碍物传感器而言众所周知都是非常困难的），以及具有高度超声吸收能力的物体和小障碍物（例如交通锥和电线杆）。基于融合OGM的简介，我们确定物体是否漏检以及是否能够安全驾驶（见表格I）。

整个系统能够检测大多数类型的障碍物，除了停车场大门的扶手，它无法通过单个传感器感知，这需要停车场服务器向车辆传达大门扶手的打开/关闭状态。虽然弱纹理/重复纹理的障碍物不会对相机传感器造成太大问题，但是由于有限的垂直FOV，双目相机无法可靠地检测小的交通锥。铁丝网围栏仅能通过超声传感器进行可靠的感知。SfM比超声传感器能够以更远的距离检测车辆侧面的停车位，这在车辆行驶时是至关重要的。

OGM的精确度通过图6所示的过程进行评估，结果如表格II所示。停车位两侧停放的车辆限制了它的宽度。

这两种立体传感器的精度在11-21厘米的范围内。超声传感器在泊车操作的早期阶段中不够精确，因为其感知范围有限。最终，SfM具有最间接的测量原理，因此它最容易受到传感器标定、同步和位姿估计误差的影响。

V-Charge传感器装置在感知停车场遇到的不同障碍物类别以及精确地测量它们的度量范围方面都表现得非常出色。我们已经将一组具有有限FOV或者距离的精密传感器（双目和超声）与360°环视SfM结合到一起。这为我们在估计障碍物之间的间距和停车位范围方面提供了良好的度量性能。同时，传感器装置完全地覆盖了车辆的周围环境，从而能够使车辆在停车场安全地导航。

文章转载自公众号：自动驾驶专栏