MIT最新研究：无需3D地图，利用GPS和LiDAR在乡村道路上，实现自动驾驶

    高精度地图是无人驾驶发展成熟标志之一，在横向／纵向精确定位、基于车道模型的避让等都离不了高精度地图。然而，在一些偏远的乡村道路环境中，绘制高精度地图有很大的难度。MIT最近曝光了他们近期的研究成果，利用拓扑地图、开放式街道地图（OSM）和本地局部感知系统，无需3D地图，在乡村道路实现了自动驾驶。
    目前，最先进的自动驾驶系统一般都依靠详细、精确的高精度地图来完成定位。高精度地图包含大量的行车辅助信息，其中有一些必要的道路数据和道路周围固定对象的信息。通过这些数据，导航系统可以准确定位地形、道路轮廓等引导车辆行驶，车载机器人可以将精确的路网三维表征信息与本地传感器数据比对实现定位。
    这是目前高精度地图在自动驾驶中主要发挥的作用。迄今为止，绝大多数自动驾驶车辆都集中在以下两个情况：1）在标记清晰的高速公路上行驶 2）基于极其精确和手动注释的详细全球地图进行城市导航。
    然而，无论是在美国还是在中国，仍有大面积的乡村道路。这对于自动驾驶来说具有很大挑战。因为这些道路，稀疏地连接着广阔的土地。地图采集工作量大，同时车道标记和道路路网几何形状经常不可靠，建立详细的高精地图的方法显得并不切实际。
    麻省理工学院的CSAIL团队近日分享了他们正在研究的方案。研究人员在丰田汽车的帮助下，开发了一个新的MapLite框架，可以在没有任何3D地图的情况下，在乡村道路实现自动驾驶。
    MapLite将Google地图上可以找到的简单GPS数据与一系列观察路况的传感器结合在一起，在马萨诸塞州Devens的多条乡村道路上自主驾驶，并且可以提前100英尺以上可靠地探测到前方道路。
    该论文将于5月份在澳大利亚布里斯班召开的机器人与自动化国际会议（ICRA）上发布，由麻省理工学院教授丹尼拉罗斯和博士毕业生Liam Paull共同撰写。
    它是如何实现的？
    Maplite是一种新型的无网格驱动框架，它结合了稀疏拓扑地图的GPS和基于传感器的本地感知系统进行导航。首先，该系统设置最终目的地以及研究人员称之为“本地导航目标”（车内）等内容，接着，感知传感器生成一条通往终点的路径，使用LIDAR来估计道路边缘的位置，同时遵守路段横穿道路的规则。同时，结合车辆的测距法和相关方法更新这些轨迹以保持车辆行驶。利用基于最小二乘残差和递归滤波方法的不确定性，使车辆能够可靠地、高速地导航道路网络，而无需详细的先验地图。
    论文中提到了用开发道路分割算法以获得车辆的传感器中的道路边界点。然后使用RANSAC ／最小二乘法对这些点进行拟合以获得最优道路边界点内的轨迹。重要的是，拟合的质量也是从最小二乘最小化的残差输出中获得的。这允许轨道估计在下一次迭代期间被概率地融合。车辆还配备有测距传感器，用于在车辆移动之后将先前的轨迹估计传到当地车辆框架中。
    “我们极简主义的测绘方法，能够使用当地外观建筑和语义特征（如停车位或小路），在乡村道路上完成自动驾驶。”罗斯教授说。
    MapLite与其他无地图驾驶方法有所不同，它更多地依靠机器学习对一组道路的数据进行训练，然后再在其他道路上进行测试。然而，它在很多方面仍然很有限，对于山路而言，还不够可靠，因为它不能对海拔起伏较大的路况做出很多的处理。下一步，MIT车队希望增加车辆可以处理的道路种类。最终，他们希望该系统能达到与高精地图采集方案相当的性能和可靠性水平。
    论文作者罗斯教授说：“我想未来的自动驾驶汽车总会在城市地区使用3D地图，但是当这些车辆要在从未见过的陌生的道路上行驶时，就能体现我们研究更大的意义。”