多智能體協(xié)同高精地圖構(gòu)建關(guān)鍵技術(shù)研究

陳 龍，劉坤華，周寶定，李清泉

1. 中山大學(xué)計(jì)算機(jī)學(xué)院，廣東 廣州 510006； 2. 深圳大學(xué)土木與交通工程學(xué)院，廣東 深圳 518060； 3. 深圳大學(xué)城市智慧交通與安全運(yùn)維研究院，廣東 深圳 518060； 4. 深圳大學(xué)廣東省城市空間信息工程重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060； 5. 自然資源部大灣區(qū)地理環(huán)境監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060

高精地圖專為自動(dòng)駕駛設(shè)計(jì)，是自動(dòng)駕駛核心技術(shù)之一。它又被稱為高分辨率地圖，具有高精度的道路場(chǎng)景(車道線、交通標(biāo)志、路沿等)、定位等信息，可以輔助自動(dòng)駕駛過(guò)程中的感知、定位、路徑規(guī)劃、決策與控制，提高駕駛過(guò)程中的安全性。

近年來(lái)，針對(duì)高精地圖的研究可以分為以下3個(gè)研究方向：高精地圖格式[1-2]、高精地圖數(shù)據(jù)結(jié)構(gòu)和高精地圖制作方法。由于本文主要討論高精地圖的數(shù)據(jù)結(jié)構(gòu)和制作方法，因此，對(duì)高精地圖格式不做詳細(xì)介紹。從高精地圖數(shù)據(jù)邏輯方面分析，文獻(xiàn)[3]對(duì)高精地圖的靜態(tài)圖層數(shù)據(jù)邏輯結(jié)構(gòu)進(jìn)行了分析，認(rèn)為高精地圖應(yīng)該包括：道路層、車道網(wǎng)絡(luò)層、車道線層與交通標(biāo)志層。文獻(xiàn)[4]提出了路徑導(dǎo)航車道級(jí)地圖體系結(jié)構(gòu)。由于靜態(tài)地圖不能保證行駛的安全，文獻(xiàn)[5]提出局部動(dòng)態(tài)地圖的概念，首次將動(dòng)態(tài)物的感知納入地圖范疇。文獻(xiàn)[6]提出不同駕駛級(jí)別的自動(dòng)駕駛汽車需要依賴不同級(jí)別的高精地圖；自動(dòng)駕駛級(jí)別越高，對(duì)高精度地圖的要求越高；指出L5級(jí)別自動(dòng)駕駛汽車的需求為智能化的高精地圖，即動(dòng)態(tài)高精地圖+分析數(shù)據(jù)的能力。

從高精地圖制作方法分析，目前的高精地圖制作均面向L3或L4級(jí)別的自動(dòng)駕駛，未對(duì)L5級(jí)別的自動(dòng)駕駛地圖進(jìn)行研究。面向L3或L4級(jí)別自動(dòng)駕駛高精地圖的構(gòu)建可以分為數(shù)據(jù)采集、制圖與地圖更新3個(gè)步驟。其中，數(shù)據(jù)采集方案[7]均為通過(guò)搭配多種傳感器的自動(dòng)駕駛車輛或全景移動(dòng)測(cè)量系統(tǒng)進(jìn)行數(shù)據(jù)采集。但是無(wú)論自動(dòng)駕駛數(shù)據(jù)采集車輛還是全景移動(dòng)測(cè)量系統(tǒng)，成本均太過(guò)昂貴，不能實(shí)現(xiàn)大規(guī)模的數(shù)據(jù)采集，影響高精地圖的制圖和地圖更新；同時(shí)，目前制圖算法多基于深度學(xué)習(xí)來(lái)實(shí)現(xiàn)圖像理解、定位等，該類算法存在數(shù)據(jù)需求量大、可解釋性差等問(wèn)題。

本文以智能化的高精地圖為研究對(duì)象，提出多智能體協(xié)同高精地圖構(gòu)建定義與框架，并對(duì)其關(guān)鍵技術(shù)、構(gòu)建過(guò)程中存在的挑戰(zhàn)進(jìn)行了分析，該框架的核心思想包括以下兩點(diǎn)。

(1) 將數(shù)據(jù)采集平臺(tái)由自動(dòng)駕駛車輛或全景移動(dòng)測(cè)量系統(tǒng)擴(kuò)展為機(jī)器人、自動(dòng)駕駛車輛、無(wú)人機(jī)等多種類型的智能體。通過(guò)搭配相同或者不同類型傳感器的、不同類型的多個(gè)智能體協(xié)同采集數(shù)據(jù)，既降低了采集設(shè)備的成本，又保證了數(shù)據(jù)采集速度。

(2) 為保證高精地圖的智能性、精度和地圖更新速度，提出多智能協(xié)同高精地圖的制作和更新框架。

本文的主要內(nèi)容包括：①提出了多智能體協(xié)同高精地圖構(gòu)建定義和框架；②分析了多智能體協(xié)同高精地圖構(gòu)建過(guò)程中的關(guān)鍵技術(shù)；③研究了其構(gòu)建過(guò)程中存在的挑戰(zhàn)。

1 多智能體協(xié)同高精地圖構(gòu)建定義及框架

多智能體協(xié)同高精地圖構(gòu)建指采用多個(gè)搭建相同或不同傳感器(攝像機(jī)、激光雷達(dá)、GNSS、IMU等)、不同類型的智能體(自動(dòng)駕駛車輛、機(jī)器人、無(wú)人機(jī)等)協(xié)同采集數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)智能高精地圖制作和更新的過(guò)程。依據(jù)多智能體協(xié)同高精地圖構(gòu)建定義，其具體構(gòu)建框架如圖1所示。

(1) 多智能體數(shù)據(jù)采集：通過(guò)對(duì)多智能體進(jìn)行路徑規(guī)劃，使其協(xié)同進(jìn)行數(shù)據(jù)采集的過(guò)程。其中，如何令多智能體協(xié)同工作、規(guī)劃多智能體數(shù)據(jù)采集路徑，實(shí)現(xiàn)高效、高質(zhì)量采集某區(qū)域的數(shù)據(jù)是該部分的重點(diǎn)和難點(diǎn)。

(2) 數(shù)據(jù)一體化表達(dá)：由于不同的傳感器具有不同的數(shù)據(jù)表達(dá)形式(數(shù)據(jù)內(nèi)容、格式、特性、精度等)，為方便智能高精地圖的制作，需要對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行一體化表達(dá)，得到三維地圖。

(3) 場(chǎng)景認(rèn)知：智能化的高精地圖具有理解靜態(tài)物、半靜態(tài)物、半動(dòng)態(tài)物和動(dòng)態(tài)物的能力，還具有解釋數(shù)據(jù)(認(rèn)知)的能力。而目前基于深度學(xué)習(xí)的場(chǎng)景感知方法要求大量訓(xùn)練數(shù)據(jù)，且模型泛化能力差、不具有可解釋性。因此，智能化的高精地圖構(gòu)建需要發(fā)展對(duì)數(shù)據(jù)量要求小、模型泛化能力強(qiáng)、具有可解釋性的場(chǎng)景認(rèn)知方法。

(4) 軌跡規(guī)劃：軌跡規(guī)劃用于表達(dá)虛擬道路和道路間的邏輯關(guān)系，并對(duì)自動(dòng)駕駛車輛在各車道的可行駛軌跡進(jìn)行規(guī)劃，為自動(dòng)駕駛車輛行駛過(guò)程中的導(dǎo)航提供強(qiáng)約束。

(5) 地圖融合：基于認(rèn)知數(shù)據(jù)和軌跡數(shù)據(jù)將不同空間、時(shí)間、層次的數(shù)據(jù)高精度地融合成為一個(gè)完整的高精地圖。

(6) 矢量化表達(dá)：將形成的智能高精地圖從俯視圖角度進(jìn)行矢量化表達(dá)，形成矢量地圖，提供給自動(dòng)駕駛車輛使用。

(7) 地圖更新：自動(dòng)駕駛程度越高，對(duì)高精度地圖的準(zhǔn)確度要求越高。而由于現(xiàn)實(shí)生活中頻繁的道路建設(shè)和維修，使地圖不能保持現(xiàn)勢(shì)性，進(jìn)而不能為自動(dòng)駕駛車輛提供準(zhǔn)確信息。因此，智能化的高精地圖需要具有較好的更新能力。

圖1 多智能體協(xié)同高精地圖構(gòu)建Fig.1 Multi-agent collaborative high definition map construction

2 多智能體協(xié)同高精地圖構(gòu)建關(guān)鍵技術(shù)

2.1 多智能體數(shù)據(jù)采集路徑規(guī)劃

多智能體數(shù)據(jù)采集路徑規(guī)劃，即多個(gè)單智能體信息交互，在共同完成某個(gè)區(qū)域數(shù)據(jù)采集的過(guò)程中，每個(gè)智能體的路徑規(guī)劃；其本質(zhì)為多智能體路徑規(guī)劃。針對(duì)多智能體路徑規(guī)劃問(wèn)題，傳統(tǒng)的方法一般采用遺傳算法[8]和蟻群算法[9]求解。然而，隨著問(wèn)題規(guī)模的增大、計(jì)算復(fù)雜度增加，傳統(tǒng)方法不能高效地規(guī)劃多智能體路徑。近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，涌現(xiàn)出眾多基于深度強(qiáng)化學(xué)習(xí)的路徑規(guī)劃方法[10]，提高了規(guī)劃的效率[11-12]。但是，現(xiàn)有的算法在進(jìn)行多智能體路徑規(guī)劃時(shí)，通常將問(wèn)題抽象為多旅行商問(wèn)題[13-14]，多旅行商問(wèn)題不考慮場(chǎng)景的復(fù)雜性與動(dòng)態(tài)性。而在多智能體數(shù)據(jù)采集時(shí)，場(chǎng)景的復(fù)雜性與動(dòng)態(tài)性是影響數(shù)據(jù)采集效率和通信效率的重要因素之一，不可以被忽略。為解決此問(wèn)題，本文建立適用于多智能體協(xié)同建圖的路徑規(guī)劃模型。

集中學(xué)習(xí)和分散執(zhí)行是一種多智能體協(xié)同策略。集中學(xué)習(xí)指通過(guò)應(yīng)用集中的方法訓(xùn)練一組智能體，從而減輕智能體間通信負(fù)擔(dān)。分散執(zhí)行指智能體可以在其局部觀測(cè)優(yōu)勢(shì)的基礎(chǔ)上分散執(zhí)行[15]，這種體系在通信受限的情況對(duì)于保持多智能體間的信息高效交互意義重大[16]。文獻(xiàn)[17]基于集中學(xué)習(xí)分散執(zhí)行框架，提出了一種集中式專家監(jiān)督多智能體強(qiáng)化學(xué)習(xí)算法，該算法采用DAgger算法獲得單智能體分散執(zhí)行策略，可以在較低的樣本復(fù)雜度下訓(xùn)練分散執(zhí)行多智能體策略。文獻(xiàn)[18]將集中和分散的思想應(yīng)用到主從多智能體架構(gòu)中，主智能體處理來(lái)自從智能體的信息；從智能體接受主智能體消息，并結(jié)合自身信息來(lái)執(zhí)行動(dòng)作，顯著降低了多智能體系統(tǒng)的通信負(fù)擔(dān)。實(shí)際上，集中學(xué)習(xí)分散執(zhí)行策略已成為多智能體系統(tǒng)協(xié)同的標(biāo)準(zhǔn)框架[19]。

為了實(shí)現(xiàn)多智能體間信息交互與協(xié)同路徑規(guī)劃，本文提出采用“集中學(xué)習(xí)和分散執(zhí)行”結(jié)合“多智能體強(qiáng)化學(xué)習(xí)”的多智能體協(xié)同路徑規(guī)劃模型，如圖2所示，以集中式深度學(xué)習(xí)模型學(xué)習(xí)多智能體全局路徑規(guī)劃，以分散式執(zhí)行實(shí)現(xiàn)多智能體間高效信息交互，充分利用二者在信息處理與信息交互方面的優(yōu)勢(shì)。即：首先，基于深度強(qiáng)化學(xué)習(xí)算法分析單一智能體的觀測(cè)和行為，學(xué)習(xí)建圖環(huán)境狀態(tài)更新信息；其次，通過(guò)深度神經(jīng)網(wǎng)絡(luò)，集中學(xué)習(xí)智能體之間的溝通和協(xié)同方法；最后，基于網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)智能體之間的交互及協(xié)同規(guī)劃，從而完成基于集中學(xué)習(xí)分散處理的多智能體路徑規(guī)劃方案。

具體來(lái)講，各智能體向集中式學(xué)習(xí)模型發(fā)送建圖環(huán)境狀態(tài)更新信息，如場(chǎng)景隨時(shí)間動(dòng)態(tài)變化、與預(yù)測(cè)復(fù)雜度差異較大等；集中式學(xué)習(xí)模型將全部更新信息集中表達(dá)為圖神經(jīng)網(wǎng)絡(luò)的形式，并基于該網(wǎng)絡(luò)同步更新全局實(shí)時(shí)地圖特征。更新后的全局特征發(fā)送至所有智能體，為多智能體路徑規(guī)劃提供一個(gè)新的全局視野。多智能體接收來(lái)自集中學(xué)習(xí)模型提取的全局地圖特征，結(jié)合局部觀測(cè)信息進(jìn)行分布式規(guī)劃得到新的執(zhí)行策略。

圖2 集中學(xué)習(xí)分散執(zhí)行路徑規(guī)劃模型Fig.2 Path planning model with centralized learning and decentralized execution

2.2 多源異構(gòu)一體化數(shù)據(jù)融合與表達(dá)

在多智能體協(xié)同地圖構(gòu)建中，基于不同采集平臺(tái)得到的多源異構(gòu)數(shù)據(jù)需要進(jìn)行融合以構(gòu)建地圖。此過(guò)程中的難點(diǎn)為數(shù)據(jù)的異構(gòu)性，即基于不同智能體及傳感器得到的數(shù)據(jù)具有不同的內(nèi)容、格式、特性及精度等。例如：激光雷達(dá)提供了測(cè)距范圍與點(diǎn)反射值數(shù)據(jù)；相機(jī)提供了彩色或灰度圖像數(shù)據(jù)；IMU提供了自身加速度、角速度等動(dòng)量測(cè)量值；GNSS則提供了粗略的全局定位坐標(biāo)。如何基于異構(gòu)數(shù)據(jù)的不同特征描述數(shù)據(jù)關(guān)聯(lián)，準(zhǔn)確聯(lián)合多時(shí)空數(shù)據(jù)，進(jìn)行多源異構(gòu)傳感器數(shù)據(jù)時(shí)空域?qū)R；充分利用各異構(gòu)傳感器測(cè)量的優(yōu)勢(shì)并實(shí)現(xiàn)數(shù)據(jù)一體化表達(dá)，是完成多源異構(gòu)數(shù)據(jù)融合、實(shí)現(xiàn)多智能體協(xié)同高精地圖構(gòu)建的重要基礎(chǔ)。

高維學(xué)習(xí)的方法[20]可以提取高動(dòng)態(tài)、劇烈變化環(huán)境下多源異構(gòu)數(shù)據(jù)的特征，通過(guò)多源異構(gòu)特征匹配能夠在幀間實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的關(guān)聯(lián)。同時(shí)，使用因子圖[21]的方法，將概率圖模型與圖優(yōu)化方法結(jié)合，能夠?qū)缀巍⒄Z(yǔ)義和數(shù)據(jù)關(guān)聯(lián)置于統(tǒng)一的框架中，進(jìn)行環(huán)境建模和狀態(tài)的估計(jì)。在地圖的表示方法中，面元[22]在靈活性、表達(dá)能力占據(jù)了優(yōu)勢(shì)，能夠支持多種傳感器數(shù)據(jù)進(jìn)行環(huán)境整合。因此，通過(guò)引入高維學(xué)習(xí)來(lái)進(jìn)行異構(gòu)數(shù)據(jù)的時(shí)空關(guān)聯(lián)，并基于非高斯多假設(shè)估計(jì)器構(gòu)建基于面元的多源異構(gòu)一體化數(shù)據(jù)的表達(dá)模型，從而實(shí)現(xiàn)準(zhǔn)確的多源異構(gòu)一體化數(shù)據(jù)融合與表達(dá)，在理論上具備高可行性。

本文提出的多源異構(gòu)一體化數(shù)據(jù)融合與表達(dá)主要分為3個(gè)部分：多源異構(gòu)特征的選取，信息融合以及地圖存儲(chǔ)與表達(dá)。目前的工作大多使用高度近似的表達(dá)方式概括測(cè)量數(shù)據(jù)，尚缺乏多種異構(gòu)數(shù)據(jù)緊耦合的方法。此外，現(xiàn)有的工作應(yīng)用于數(shù)據(jù)分布未知的數(shù)據(jù)時(shí)，通?；趩胃咚狗植技僭O(shè)進(jìn)行數(shù)據(jù)關(guān)聯(lián)和殘差構(gòu)建，這類方法容易出現(xiàn)估計(jì)器狀態(tài)不一致的問(wèn)題，使得模型無(wú)法正常收斂。對(duì)于現(xiàn)有工作的不足，本文提出了4點(diǎn)改進(jìn)的思路，如圖3所示。

(1) 通過(guò)引入高維學(xué)習(xí)的方法，改造前驅(qū)數(shù)據(jù)處理框架，進(jìn)行多源異構(gòu)數(shù)據(jù)的超特征追蹤；選擇場(chǎng)景表達(dá)最豐富的圖像數(shù)據(jù)作為關(guān)鍵幀，利用立體深度圖作為構(gòu)造半稠密點(diǎn)云的先驗(yàn)。采用滑動(dòng)窗口的形式，通過(guò)固定滯后平滑器優(yōu)化窗口內(nèi)深度狀態(tài)量，提升半稠密點(diǎn)云精度。在激光雷達(dá)點(diǎn)云存在時(shí)，通過(guò)顯著角點(diǎn)、深度連續(xù)三維線特征構(gòu)建異構(gòu)數(shù)據(jù)關(guān)聯(lián)，為后端優(yōu)化提供約束條件。

圖3 多源異構(gòu)一體化數(shù)據(jù)融合與表達(dá)Fig.3 Multi-source heterogeneous integration data fusion and expression

(2) 引入循環(huán)完備像素關(guān)聯(lián)光流變換器，提升異構(gòu)數(shù)據(jù)的時(shí)空關(guān)聯(lián)性。針對(duì)未知深度的數(shù)據(jù)(例如：RGB圖像)，依據(jù)序列的連續(xù)性假設(shè)，通過(guò)估計(jì)其“密集位移場(chǎng)”，進(jìn)行幀間特征數(shù)據(jù)關(guān)聯(lián)。利用深度網(wǎng)絡(luò)從輸入的每一幅圖像序列進(jìn)行處理，得到特征編碼；通過(guò)在所有序列的特征編碼估計(jì)視覺(jué)相關(guān)性，構(gòu)建圖像金字塔；通過(guò)上下文網(wǎng)絡(luò)和基于金字塔的輔助信息，計(jì)算圖像序列幀間相關(guān)性。在密集高維特征圖間，進(jìn)行幀間的特征跟蹤，最終得到光流計(jì)算結(jié)果。

(3) 研究非高斯多模態(tài)的最大后驗(yàn)估計(jì)器，考慮覆蓋的數(shù)據(jù)不確定性范圍。引入多假設(shè)非高斯因子圖模型和“假設(shè)修剪”去除冗余假設(shè)，充分支持概率信息的分發(fā)與因子增量更新。同時(shí)考慮進(jìn)行多假設(shè)貝葉斯樹的推斷，引入對(duì)觀測(cè)的全貝葉斯推斷，以確保參數(shù)得到最優(yōu)的估計(jì)。

(4) 基于不確定性建模的面元構(gòu)建表達(dá)模型，從而建立更準(zhǔn)確的多源異構(gòu)一體化數(shù)據(jù)表達(dá)模型，最終求解得到初始的環(huán)境模型及三維地圖。對(duì)異構(gòu)數(shù)據(jù)進(jìn)行時(shí)空關(guān)聯(lián)，并計(jì)算得到測(cè)量誤差，根據(jù)誤差和先驗(yàn)的傳感器測(cè)量噪聲模型構(gòu)建殘差因子，利用多假設(shè)非高斯因子圖模型進(jìn)行求解得到初始的環(huán)境模型。此外，利用形變圖來(lái)進(jìn)行面元調(diào)整，完成模型表面形變，細(xì)化環(huán)境模型。

2.3 道路場(chǎng)景認(rèn)知

在傳統(tǒng)的高精地圖構(gòu)建中通常實(shí)現(xiàn)對(duì)道路場(chǎng)景的理解，即對(duì)道路場(chǎng)景元素進(jìn)行識(shí)別[23]、檢測(cè)[24-26]、分割[27-28]和修復(fù)[29-30]。近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，道路場(chǎng)景理解取得了顯著的成果。但是，現(xiàn)有的道路場(chǎng)景理解多為對(duì)其進(jìn)行感知理解?；谏疃葘W(xué)習(xí)的感知理解需要大量的訓(xùn)練數(shù)據(jù)，并且訓(xùn)練后的模型泛化能力差，沒(méi)有分析數(shù)據(jù)能力，無(wú)法服務(wù)智能化的高精地圖?；趫D推理的認(rèn)知方法可以解決以上問(wèn)題，目前基于圖推理的認(rèn)知僅在人體解析語(yǔ)義分割[31]、人體目標(biāo)檢測(cè)[32]和視覺(jué)語(yǔ)言任務(wù)[33]有少量的研究。但是該類研究的數(shù)據(jù)集簡(jiǎn)單，推理方法也相對(duì)簡(jiǎn)單。而道路場(chǎng)景認(rèn)知任務(wù)的數(shù)據(jù)集里包含汽車、自行車、摩托車、標(biāo)志、行人、路面等多個(gè)元素，且元素間關(guān)系復(fù)雜；認(rèn)知結(jié)果面向無(wú)人駕駛車輛，認(rèn)知精度要求高，因此，需要探索面向道路場(chǎng)景的認(rèn)知方法。本文提出了基于圖推理的道路場(chǎng)景認(rèn)知方案，該方案分為了兩個(gè)階段：首先基于元素之間的相互關(guān)聯(lián)特性構(gòu)建道路場(chǎng)景異構(gòu)圖(圖4)，然后基于圖推理理論設(shè)計(jì)道路場(chǎng)景認(rèn)知理解網(wǎng)絡(luò)(圖5)，實(shí)現(xiàn)對(duì)道路場(chǎng)景的認(rèn)知。

圖4 道路場(chǎng)景理解異構(gòu)圖Fig.4 Road scene understanding heterogeneous graph

圖5 基于圖推理的道路場(chǎng)景認(rèn)知理解網(wǎng)絡(luò)Fig.5 Cognitive understanding network of road scene based on graph reasoning

(1) 道路場(chǎng)景異構(gòu)圖構(gòu)建。道路場(chǎng)景有汽車、行人、路面等多個(gè)元素組成。其中，部分元素可以依據(jù)特征進(jìn)行細(xì)化，如汽車特征可以細(xì)化為車燈、車身、排氣筒、車輪；車燈可以進(jìn)一步細(xì)化為近光燈、前位燈、遠(yuǎn)光燈等。本文定義道路場(chǎng)景元素的特征為第1特征，第1特征構(gòu)成的圖層為第1特征層；第1次細(xì)分的特征為第2特征，第2特征構(gòu)成的圖層為第2特征層；第3特征和第3特征層的定義依據(jù)上述規(guī)則。特征層內(nèi)依據(jù)元素間物理關(guān)系實(shí)現(xiàn)圖內(nèi)推理，相鄰特征層間依據(jù)元素間物理關(guān)系實(shí)現(xiàn)圖間推理。準(zhǔn)確表達(dá)道路場(chǎng)景各特征層的圖內(nèi)推理和圖間推理，即完成了道路場(chǎng)景異構(gòu)圖的構(gòu)建。

(2) 基于圖推理的道路場(chǎng)景認(rèn)知理解網(wǎng)絡(luò)?；诖罱ǖ牡缆穲?chǎng)景異構(gòu)圖，可以設(shè)計(jì)出道路場(chǎng)景理解網(wǎng)絡(luò)。該網(wǎng)絡(luò)以道路場(chǎng)景RGB圖像為輸入，首先，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(CNNs)提取圖像特征；然后，通過(guò)圖間卷積實(shí)現(xiàn)所有特征層的圖內(nèi)推理，并對(duì)其進(jìn)行特征再表達(dá)，實(shí)現(xiàn)所有特征層的道路理解；最后，通過(guò)圖間推理方法，實(shí)現(xiàn)圖間特征理解，即完成了道路場(chǎng)景認(rèn)知理解。

2.4 智能化的高精地圖融合

多智能體采集的地圖數(shù)據(jù)包含了地圖不同時(shí)間、空間、層次采集到的信息；同時(shí)，由于場(chǎng)景的變化，不同時(shí)空的信息之間可能發(fā)生變化，造成地圖的不一致；各智能體采集到的數(shù)據(jù)也存在誤差，需要經(jīng)過(guò)地圖融合來(lái)得到一致的高精地圖。傳統(tǒng)的地圖融合方案在處理這些誤差和不一致時(shí)，通常采用貝葉斯濾波[34]或手工較準(zhǔn)等方法。但是，對(duì)于數(shù)據(jù)種類越來(lái)越多，數(shù)據(jù)規(guī)模越來(lái)越大的高精地圖而言，傳統(tǒng)的方案難以滿足需求。因此，發(fā)展智能地圖融合技術(shù)是未來(lái)高精地圖構(gòu)建中一項(xiàng)不可或缺的關(guān)鍵技術(shù)。為了解決此問(wèn)題，本文從3個(gè)方面(圖6)進(jìn)行了研究。

(1) 基于認(rèn)知抽取關(guān)鍵幀。智能化的高精地圖數(shù)據(jù)量巨大，如何有效地濾除冗余數(shù)據(jù)，精簡(jiǎn)數(shù)據(jù)量的同時(shí)保證不損失地圖的關(guān)鍵信息，對(duì)于城市規(guī)模量級(jí)的地圖構(gòu)建和融合具有重要意義。關(guān)鍵幀的抽取能夠減少地圖中的冗余信息，但傳統(tǒng)的關(guān)鍵幀抽取方法[35]通常只考慮到局部的幾何信息，沒(méi)有考慮到全局的重復(fù)性和特殊性。而基于場(chǎng)景的認(rèn)知，可以有效利用場(chǎng)景全局的信息。本文提出基于場(chǎng)景認(rèn)知結(jié)構(gòu)抽取關(guān)鍵幀，實(shí)現(xiàn)對(duì)數(shù)據(jù)的差異化度量，抽取關(guān)鍵幀，降低誤差和冗余。

圖6 地圖融合技術(shù)Fig.6 Map fusion technology

(2) 基于認(rèn)知關(guān)聯(lián)數(shù)據(jù)。由于多智能體協(xié)同建圖的傳感器種類多、精度參差不齊，在建圖的過(guò)程中會(huì)由于傳感器誤差和建圖誤差降低高精地圖的精度?；丨h(huán)檢測(cè)已經(jīng)被證明是一種有效的提升建圖精度的方法[36]，其利用場(chǎng)景中重復(fù)出現(xiàn)的部分，優(yōu)化地圖構(gòu)建與融合。本文基于場(chǎng)景認(rèn)知方法抽象出單幀數(shù)據(jù)中關(guān)鍵元素的關(guān)系[37]，由此設(shè)計(jì)基于元素拓?fù)潢P(guān)系的回環(huán)檢測(cè)框架，可進(jìn)一步實(shí)現(xiàn)精細(xì)化數(shù)據(jù)關(guān)聯(lián)，從而建立序列數(shù)據(jù)時(shí)空關(guān)聯(lián)約束，降低地圖誤差，提升地圖精度。

(3) 基于圖優(yōu)化理論對(duì)地圖進(jìn)行全局優(yōu)化。三維地圖的輸出，需要對(duì)所有的約束信息進(jìn)行集中優(yōu)化計(jì)算，從而得到精準(zhǔn)的環(huán)境模型[21]。本文基于圖優(yōu)化理論構(gòu)建優(yōu)化模型，提出將多類別、多層次的數(shù)據(jù)關(guān)聯(lián)，放在統(tǒng)一的圖優(yōu)化框架中進(jìn)行全局一致性整合與提升，從而實(shí)現(xiàn)平滑誤差，提升地圖精度。

2.5 智能化的高精地圖更新

在自動(dòng)駕駛領(lǐng)域，精度越高的地圖意味著越高的安全性、可操作性。隨著時(shí)代的高速發(fā)展，地圖信息瞬息萬(wàn)變，因此，智能化的高精地圖更新是一個(gè)重要問(wèn)題。在傳統(tǒng)的地圖更新工作中，由于更新數(shù)據(jù)的數(shù)據(jù)量巨大、數(shù)據(jù)類型復(fù)雜，造成了云端響應(yīng)時(shí)間長(zhǎng)、網(wǎng)絡(luò)擁堵等不良情況。對(duì)此，文獻(xiàn)[6]提出了“眾包+邊云協(xié)同計(jì)算”模式來(lái)處理這個(gè)問(wèn)題。此模式?jīng)]有考慮智能體間的通信信息，且眾包下部分智能體不受控，會(huì)造成智能體數(shù)據(jù)雜亂、冗余等問(wèn)題，使得多智能體協(xié)同建圖中的地圖更新能力受限。針對(duì)多智能體通信問(wèn)題，文獻(xiàn)[38]提出了基于方差控制和多智能體強(qiáng)化學(xué)習(xí)的通信方法，證明了多智能體強(qiáng)化學(xué)習(xí)可以用于提高多智能體通信效率。本文提出基于邊緣計(jì)算[39]和多智能體強(qiáng)化學(xué)習(xí)的高精地圖更新方案(圖7)。

圖7 邊緣計(jì)算+多智能體強(qiáng)化學(xué)習(xí)架構(gòu)Fig.7 Edge computing+multi-agent reinforcement learning architecture

如圖7所示，數(shù)據(jù)采集源包括自動(dòng)駕駛汽車、無(wú)人機(jī)、機(jī)器人等設(shè)備，在進(jìn)行數(shù)據(jù)一體化操作后，將更新數(shù)據(jù)提交給邊緣云，邊緣云在邊緣計(jì)算技術(shù)的支持下進(jìn)行多智能體強(qiáng)化學(xué)習(xí)，處理后向用戶反饋局部高精地圖。同時(shí)中心云在收到邊緣云傳來(lái)的海量數(shù)據(jù)后利用大數(shù)據(jù)技術(shù)進(jìn)行處理，以協(xié)同各邊緣云的更新工作，突出各邊緣云需要的更新數(shù)據(jù)，處理完畢后向邊緣云反饋全局高精地圖。整個(gè)高精地圖更新工作被分為了局部更新和全局更新兩部分完成，理論上可以達(dá)到實(shí)時(shí)更新的效果。

具體來(lái)講，中心云根據(jù)各邊緣云所處環(huán)境不同，向不同的邊緣云提出不同的地圖更新需求，如更新的數(shù)據(jù)類型、上傳的數(shù)據(jù)量等。邊緣云根據(jù)需求對(duì)該范圍內(nèi)的多智能體進(jìn)行多智能體強(qiáng)化學(xué)習(xí)，即中心化訓(xùn)練、去中心化執(zhí)行。在多智能體執(zhí)行過(guò)程中，智能體間通過(guò)通信[38]，傳遞彼此狀態(tài)信息，從而促進(jìn)各智能體更好地協(xié)同，得到優(yōu)化的更新數(shù)據(jù)。最終，通過(guò)多智能體強(qiáng)化學(xué)習(xí)方法區(qū)分出高更新頻率的數(shù)據(jù)類型和非高更新頻率的數(shù)據(jù)類型。如果是高更新頻率的數(shù)據(jù)類型，則進(jìn)行局部的高精地圖更新；如果是非高更新頻率的數(shù)據(jù)類型，則判斷是否達(dá)到了中心云設(shè)定的周期，如果滿足，則進(jìn)行全局的高精地圖更新。

3 存在的挑戰(zhàn)

本文提出了多智能體協(xié)同高精地圖構(gòu)建的框架，并對(duì)其關(guān)鍵技術(shù)進(jìn)行了研究，但是在制圖過(guò)程中，仍存在著以下挑戰(zhàn)。

(1) 隨著經(jīng)濟(jì)的快速發(fā)展，地圖數(shù)據(jù)采集場(chǎng)景變化越來(lái)越快(車輛及行人流動(dòng)性，建筑物改造等)，而智能體的數(shù)據(jù)交互及處理能力有限，如何解決多智能體系統(tǒng)異步通信帶來(lái)的延遲問(wèn)題，保證系統(tǒng)一致性，是多智能體路徑規(guī)劃的一個(gè)主要挑戰(zhàn)。

(2) 以特征間關(guān)系構(gòu)建的道路場(chǎng)景異構(gòu)圖中，圖內(nèi)關(guān)系和圖間關(guān)系錯(cuò)綜復(fù)雜，如何建立準(zhǔn)確有效的道路場(chǎng)景元素異構(gòu)圖，發(fā)展圖內(nèi)推理和圖間推理方法，是實(shí)現(xiàn)道路場(chǎng)景認(rèn)知的關(guān)鍵科學(xué)問(wèn)題，也是目前亟待解決的重要挑戰(zhàn)。

(3) 為保證地圖的覆蓋率及更新頻率，需要采集大量的數(shù)據(jù)。在地圖融合的過(guò)程中，如何有效地濾除冗余信息，同時(shí)保證不損失地圖的關(guān)鍵信息，對(duì)于城市規(guī)模量級(jí)的地圖構(gòu)建工作是一個(gè)挑戰(zhàn)。

4 總 結(jié)

為實(shí)現(xiàn)高效、高精度、智能化的地圖構(gòu)建，本文定義了一種多智能體協(xié)同地圖構(gòu)建方式，提出了其構(gòu)建框架，對(duì)其關(guān)鍵技術(shù)進(jìn)行了分析。具體包括集中學(xué)習(xí)分散執(zhí)行路徑規(guī)劃模型、多源異構(gòu)一體化數(shù)據(jù)融合與表達(dá)框架、基于推理的道路場(chǎng)景認(rèn)知理解框架、智能化的地圖融合技術(shù)框架、基于邊緣計(jì)算和多智能體強(qiáng)化學(xué)習(xí)的地圖更新框架，并對(duì)其在構(gòu)建過(guò)程中可能存在的挑戰(zhàn)進(jìn)行了分析。