基于車道駕駛態勢的拓撲構建與路徑規劃

祖似杰，張 攀，羅躍軍

（1.上海汽車集團股份有限公司，上海 200041；2.武漢中海庭數據技術有限公司，湖北 武漢 430200；3.武漢光庭信息技術股份有限公司，湖北 武漢 430073）

在智能交通和自動駕駛領域，由于精度、內容和完整性方面的缺失，現有的商用導航地圖已不能滿足高層次的運用需求[1]。對高精度地圖的需求已得到廣泛的認同和接受[2]，如在Google和Daimler[3]的自動駕駛汽車中，地圖都是重要的組成部分。準確和全面的環境感知是自動駕駛的基礎，地圖對道路幾何形狀和交通屬性的描述可為自動駕駛提供準確的先驗信息。自動駕駛感知系統通過傳感器數據與地圖數據的匹配融合，實現對周圍環境的感知；規劃和控制系統則基于感知結果進行規劃和控制。

車道是高精度地圖最重要的數據內容，車道模型的優劣將直接影響高精度地圖的應用效率。LIU L M[4]等提出了包含道路、車道、車道標線的詳細道路交通環境Smart Map。該地圖數據包含全局幾何拓撲網絡和車道級幾何拓撲網絡，分別用于完成宏觀的路徑規劃和在路口區域的車道級微觀路徑規劃。與GPS導航系統規劃的路徑相比，Smart Map規劃的路徑更加平滑、安全。2011年Grand Cooperative Driving Challenge大賽中，獲獎團隊AnnieWay使用2D平面模型對道路進行建模，以0.5 m的間隔將高精度的道路中心線數據單獨分段，并通過2D kd-tree對道路數據進行管理，實現高效的鄰域搜索；相應地，車道表達為相對于道路中心線的橫向偏移[5]。Bétaille D[6]等提出了增強地圖，采用直線、圓、回旋曲線來表達道路的幾何信息，該方法保證了道路幾何的完整性和精確性，同時地圖中也包含了車道間的拓撲連接關系。動態地圖是日本SIP- adus[7]計劃的重要組成部分，其實質是一種含有各類動態信息的高精度地圖，主要包括link級、lane級、道路形狀級[8]3個層次。其中，link級網絡即道路級幾何拓撲網絡，主要用于傳統導航、大范圍路徑探索；lane級網絡即車道級幾何拓撲網絡，該層數據詳細表達了每個車道的信息，主要面向智能交通領域的輔助駕駛和自動駕駛。

國內外自動駕駛研究機構從不同角度設計了高精度地圖車道模型，但大多停留在概念和試驗階段，還沒有形成成熟穩定的模型和應用體系；雖然都表達了車道的幾何形狀與拓撲關系，但大多只能獨立提供感知信息，難以與其他傳感器數據融合，不能發揮高精度地圖時空參考平臺的作用。針對上述問題，本文探討了一種基于車道駕駛態勢的高精度地圖車道數據組織方式，并構建了車道拓撲關系，進行了路徑規劃實踐。其結果可作為自動駕駛多源傳感數據融合的基礎，對高精度地圖在自動駕駛中的應用突破具有重要意義。

1 車道駕駛態勢

車道駕駛態勢是指在遵循正確交通規則的條件下駕駛車輛通過車道后將達到的空間方位和通行狀態，即駕駛車輛通過該車道段后可明確直行、左轉或右轉，以及發生上述駕駛行為后的延展信息，如右轉后將達到另外一條道路。道路上的車道分隔線和地面印刷標識可作為判定車道駕駛態勢的重要依據，如路口的駛入路口車道地面一般印刷了通行方向箭頭，且車道分隔線呈虛實變化，實線分隔表明不再允許橫向變道，該車道的駕駛態勢鎖定。如圖1所示，根據地面箭頭標識，下方道路駛入路口的左車道只能左轉，右車道可以直行和右轉，雖在同一條道路，但兩個車道的駕駛態勢已完全不同。車道駕駛態勢變化的臨界線可根據車道分隔線、經驗值、車輛長度和車輛動力學特性等多因素綜合考慮進行劃分，圖1中根據車道分隔線虛實變化進行了劃分，虛線部分（紅色部分）兩條車道的駕駛態勢一致，可直行也可相互變道，而到達實線部分，兩條車道的駕駛態勢則變得不同。

圖1 路口車道駕駛態勢

2 基于車道駕駛態勢的拓撲構建

獲得車道駕駛態勢和劃分變化臨界線后，可生成車道級的可通行區間，即lanezone。在lanezone內部允許車輛直行或左右變道，且保持橫向水平，即lanezone內部車道的駕駛態勢相同。如圖2所示，左側是常見分叉路，其中分叉路的最右側車道一般采用實線分隔車道，若要右轉則需提前變道以保障安全駕駛。根據每段車道的駕駛態勢，劃分出6個lanezone。

圖2 基于車道駕駛態勢的拓撲構建

2014年Bender P[9]等提出了可駕駛的車道區間概念lanelet。Lanelets地圖包括lanelet、規則元素和駕駛走廊3個元素。lanelet是可駕駛的車道區間，由左右邊界構成，是lanelets地圖的最小單元；規則元素是關聯在lanelet上的交通規則信息，如交通信號燈、交通標志、路口交通規則等，由規則信息和為遵循該規則所需要的參數兩方面構成，如在交通信號燈前，規則信息為“遇紅燈停止”，相應的參數為交通信號燈的位置和停止線位置；駕駛走廊是有序的、接續的lanelet序列，是到達目的地的具體駕駛路徑。在lanelets地圖中，車道級拓撲網絡通過lanelet間的連接關系來構建，如圖3所示。lanelets地圖為奔馳S500智能汽車感知、規劃、決策系統提供數據支持，完成了奔馳超過100 km的完全自動駕駛實驗。

圖3 lanelet車道模型

本文提出的lanezone概念與Lanelet有所不同，它注重保持可通行區間的橫向水平，而不是只基于單車道構建可通行區間。Lanezone首先基于車道駕駛態勢構建道路橫向上的全部可通行區間，更有利于多傳感器數據融合以及實際路況下多車協同的自動駕駛感知和認知；然后構建可通行區間之間的拓撲關系，以表達車輛是否被允許從一個可通行區間到另一個可通行區間，如圖4左側lanezone之間拓撲關系，可被提取為右側的拓撲網，拓撲網的邊長可設定為該lanezone的道路長度，作為通行代價的距離因子參與路徑規劃；最后構建可通行區間內部的拓撲關系，可通行區間內部車道駕駛態勢相同，可自由變道，所以只需記錄駛入車道拓撲點列ZoneIn和駛出車道拓撲點列ZoneOut，如圖5所示，標識出lanezone每條車道的起始中心點，以表征該車道的拓撲關系。

圖4 lanezone之間拓撲關系構建

lanezone內部拓撲關系如表1所示。在lanezone內ZoneIn任意一個拓撲點均可到達ZoneOut任意一點，因此ZoneIn和ZoneOut可以看作是lanezone的“接口”，只要能從ZoneIn駛入，就可從ZoneOut駛出。

圖5 lanezone內部拓撲關系構建

表1 lanezone駛入和駛出拓撲點列

3 基于車道拓撲關系的路徑規劃

基于lanezone級別的拓撲關系，其實質是一種含權重的有向圖，因此可以使用雙向Dijkstra算法進行最優路徑規劃。首先根據定位匹配結果計算起點和終點所在的lanezone編號，然后從起點到終點進行正向搜索，獲得起點能達到的lanezone序列，再從終點到起點反向搜索，獲得終點能達到的lanezone序列，兩次搜索后，將既能達到起點也能達到終點的lanezone放入結果，即路徑規劃結果。Dijkstra算法流程如圖6所示，Open表保存所有已生成而未考察的節點，Close表記錄已訪問過的節點。

lanezone路徑規劃結果為最優路徑規劃下車輛從當前位置到達目的地的所有可通行車道，可作為自動駕駛一次規劃的基礎底圖以及多源數據融合參照，如在該結果上疊加其他傳感器感知的可通行區間，實現對動態障礙物的過濾和通行區間的細化。通過lanezone的駛入和駛出拓撲點列，可快速獲取lanezone內部車道路徑規劃結果。如圖7所示，黑色方塊分別代表車輛起點和終點位置，通過上一步lanezone道路計算，得到的lanezone路徑規劃結果為：1-4-6。lanezone1的駛出 ZoneOut={14,15,16}，lanezone4的駛入 ZoneIn={16}，駛出ZoneOut={41}，lanezone6的駛入ZoneIn={41}，因此車道級路徑規劃結果為：起點-16-41-終點。

圖6 Dijkstra算法流程圖

圖7 車道級路徑規劃

通過應用程序實現上述路徑規劃方法的展示結果如圖8所示，其中G代表終點；淺青色代表路徑規劃結果，即可通行區間集合；藍色區塊代表被過濾的車道區間，該區域橫向上以實線分隔車道，不能從藍色區塊變道到G點所在車道，即無法達到目的地，因此被排除在路徑規劃結果之外，而根本原因則是車道駕駛態勢不同。綜上所述，基于車道駕駛態勢的變化和分布，構建lanezone級別及其內部的車道拓撲關系，可實現顧及變道信息在內的車道級路徑規劃，為自動駕駛提供更為精確的車道級感知和認知基礎。

圖8 車道級路徑規劃展示

4 結 語

針對高精度地圖在自動駕駛中的應用，本文提出了一種基于車道駕駛態勢的拓撲構建和路徑規劃方法，并進行了實驗驗證；實現了車道級導航功能和自動駕駛一次規劃，并為自動駕駛二次規劃提供可駕駛道路區間。在lanezone內允許車輛直行或左右變道，且保持橫向水平。lanezone之間的拓撲關系以區間縱向長度為通行代價之一，構成含權重的有向圖；運用Dijkstra算法進行最優路徑規劃，完成自動駕駛一次規劃。本文通過駛入和駛出接口來表達lanezone內部拓撲關系，可快速完成車道級路徑規劃，為自動駕駛二次規劃提供依據。未來還需大范圍實驗和測試以評估和優化該方法的應用效率，并深入融合多源傳感器數據，系統驗證自動駕駛二次規劃功能。

[1] TAO Z, Bonnifait P, Fremont V, et al. Mapping and Localization Using GPS, Lane Markings and Proprioceptive Sensors[C].IEEE/RSJ International Conference on Intelligent Robots and Systems,2013,8 215(2):406-412

[2] Nedevschi S, Popescu V, Danescu R, et al. Accurate Egovehicle Global Localization at Intersections Through Alignment of Visual Data with Digital Map[J]. IEEE Transactions on Intelligent Transportation Systems,2013,14(2):673-687

[3] Ziegler J, Bender P, Schreiber M, et al. Making Bertha Drive: an Autonomous Journey on a Historic Route[J]. IEEE Intelligent Transportation Systems Magazine,2014,6(2):8-20

[4] LIU L M, WU T, FANG Y Q, et al. A Smart Map Representation for Autonomous Vehicle Navigation[C].International Conference on Fuzzy Systems and Knowledge Discovery,2015:2 308-2 313

[5] Geiger A, Lauer M, Moosmann F, et al. Team AnnieWAY's Entry to the 2011 Grand Cooperative Driving Challenge[J]. IEEE Transactions on Intelligent Transportation Systems,2012,13(3):1 008-1 017

[6] Bétaille D, Toledo-Moreo R. Creating Enhanced Maps for Lane-level Vehicle Navigation[J]. IEEE Transactions on Intelligent transportation systems,2010,11(4):786-798

[7] Amano H, Uchimura T. A National Project in Japan: Innovation of Automated Driving for Universal Services[M].Road Vehicle Automation 3. Springer International Publishing,2016:15-26

[8] 渡辺陽介,高田広章.運転支援·自動運転高精度日本ロ學會2015,33(10):754-759

[9] Bender P, Ziegr J, Stiller C. Lanelets: Efficient Map Representation for Autonomous Driving[C]. IEEE Intelligent Vehicles Symposium Proceedings,2014:420-425