基于高精度地圖的車道推薦開發

蔡珂芳，姚為民

基于高精度地圖的車道推薦開發

蔡珂芳1，姚為民2

（1.零束科技有限公司，上海 201600；2.吉林大學 汽車工程學院，吉林 長春 130025）

為滿足當前高階智能化車輛對車道推薦引導的需求，文章基于車機導航地圖（SD-Map）和高精度地圖（HD-Map）進行關聯匹配，完成道路和車道的映射關系表達，提出了可行域空間的路網模型和車道綜合推薦系數的計算規則?；谛熊嚨缆肥Ｓ嗑嚯x、車道限速和車道擁堵信息，建立車輛運動學模型，使用動態窗口法（DWA）優化算法定義速度空間，建立以車道路剩余距離、車道限速和車道擁堵信息為因子的綜合成本函數，通過迭代優化獲得最優車道推薦列表。最后通過實車測試驗證優化結果，與基于靜態地圖數據推薦的車道相比，能夠更加有效靈活地基于距離目的地剩余距離、車道限速情況和車道擁堵狀態進行車道推薦，保證車輛當前行車速度最優。

高精度地圖；車道推薦開發；路網模型；SD-Map；HD-Map；DWA

為適應自動駕駛需求，提供可靠、穩定的道路環境信息，四維圖新、高德、百度等圖商在傳統地圖基礎之上，推出了精度更高、元素維度更豐富，具有一定鮮度的高精度地圖，其支持自動駕駛車輛進行車道級定位及車道級規劃，以滿足安全穩定的運行環境。研究所提到的高精度地圖是一種面向L3級及以上級別高階自動駕駛的地圖，與傳統的導航電子地圖、先進駕駛輔助系統地圖相比具有精度高、維度豐富、鮮度能夠保證的特點。

目前已有多家車企在高精度地圖方面取得重要應用，百度的Robtaxi能夠基于高精度地圖完成車道級定位，實現城區道路的車道級路徑規劃[1]，蔚來、小鵬等車企基于高精度地圖和融合定位技術實現高速領航輔助（Navigate on Pilot, NOP）功能，實現車輛自動變道、自動上下匝道等高階功能，以上汽集團為代表的知己、非凡等車型均基于高精度地圖完成高階自動駕駛功能開發，大幅提升了駕乘性能的智能化。

針對高精度地圖當前的應用形態，主要概括為以下三個方面[2-3]：1）高精度地圖可以實現車道級定位，即基于全球衛星導航系統（Global Navigation Satellite System, GNSS）/載波相位差分技術（Real-Time Kinematic, RTK）、慣性測量單元（Inertial Measurement Unit, IMU）信息實現車輛的絕對定位，進而獲取車輛周圍道路環境信息，結合Camera信息和高精地圖信息進行邦路計算，最終實現車道級定位技術；2）高精度地圖可以對車端感知設備進行冗余完善，在遇到車道線模糊、下雪、下雨等惡劣環境時，車輛自身傳感器會產生不可靠的行為，可結合高精度地圖進行冗余管理，提升感知效果；3）高精度地圖可以實現超視距感知和車道級誘導，其作為一種不隨外界環境變化的靜態信息存儲車端，可提前對復雜路況信息進行規劃決策，實現車道級規劃。

盡管多家圖商基于高精度地圖進行車道級定位和規劃引導，但其主要針對靜態地圖元素，比如匝道處、道路合并或者分叉處、車道合并或者分叉處等信息進行基于全局道路級規劃的車道推薦，并不能夠很好地考慮全局車道間拓撲信息、車道動態通行信息、行車道路剩余距離等信息，最終導致不能有效地進行車道推薦?；谝陨蠁栴}，提出基于高精地圖進行路網模型建模，結合行車道路剩余距離、車道限速信息、車道擁堵信息獲得車道推薦系數，為下游決策規劃模塊提供實時、有效的車道推薦。

1 車道路網模型建模

1.1 高精度地圖路網的基礎表達

高精地圖制作過程中，路網通常由有限個有向線段（Link）和節點（Node）組成，其中Node定義了Link之間的連接關系，由于Link和Node組成的道路網絡較為復雜，為了能夠高效準確地表達車輛前方的可通行路線，將車輛前方的Link和Node通過道路路線（Path）表示，可以大大簡化路網的復雜性[4]，如圖1所示。

圖1 高精地圖路網表達

車道作為車輛通行區域的基本單元，主要包括車道的屬性、車道之間的拓撲關系，以及車道與道路層之間的映射關系。對車道路網模型建模主要基于所規劃的車機導航地圖（Standard Definition Map, SD-Map）路徑與高精度地圖（High Definition Map, HD-Map）進行匹配，然后基于車道與道路層之間的映射關系，識別出車道是否在SD-Map導航路徑上存在（onRoute）屬性，最后基于onRoute屬性、車道之間的拓撲關系，以及圖商所推薦的靜態路徑進行車輛可行域生成。車道屬性主要包括車道數目、通行方向、寬度、類型、邊線屬性、限速信息等，因此，需要將車道按照屬性進行切分，以每個section進行定義，基于此所生成的車道可行域能夠準確地表達實際路網的結構，如圖2所示。

圖2 路網section表達

1.2 可行域空間設計

當車輛處于導航狀態時，實際路網情況如圖3所示，其中車道Lane0、車道Lane1、車道lane2之間連通、車道Lane3與車道Lane4之間聯通，可進行變道，具體可行域生成步驟如下：1）基于SD-Map路徑表與HD-Map進行匹配，確定車輛終點車道Lane6；2）根據車道間橫縱向拓撲關系，由最優靜態路徑的最遠端Lane6開始，向其前向車道和橫向車道做拓撲延伸，若具備與最優靜態路徑上的車道有直接或間接拓撲關系，則作為可行域車道。如圖3所示最優靜態路徑為onRouteList = [Lane6、Lane3、Lane0]，基于橫縱向拓撲關系，車道可行域空間為onRouteList = [Lane6、Lane3、Lane0、Lane4、Lane1、Lane2]；3）將所有可行域空間的車道onRoute屬性賦值為True。

圖3 可行域空間表達

1.3 剩余距離定義

為了能夠基于全局規劃路徑，推薦車輛準確進行變道，需要基于可行域空間準確表達車輛在當前車道上能夠運行的最長距離（Route_left_ distance）?；谲囕v前方所有車道的 onRoute屬性，遍歷自車所在section的所有車道，并沿著相應車道根據縱向拓撲向前做路徑探索，若下游任一車道的onRoute==True，則繼續下游探索；若探索到某條Lane的所有縱向下游車道的onRoute == false，則結束探索，并將當前探索到的最后一條lane的終點作為最晚變道點，定義當前自車至最晚變道點的沿路距離為Route_left_distance，如圖4所示。

圖4 車道剩余距離表達

2 車道推薦系數

2.1 車道推薦系數定義

最基本的路徑規劃主要是研究在已知的路網環境中，以一定的約束條件和優化目標規劃出一條由起點至終點的路徑[5]。基于對高精地圖處理信息的高效性，以及從車輛決策、規劃、控制時效性的考慮，本項目將對位于車輛前方5 km的高精地圖數據進行車道推薦優化，綜合當前行車道路剩余距離、車道限速信息以及擁堵信息，實時計算行車道路剩余距離系數、各車道限速系數和擁堵系數，通過權重優化，計算各個行車道路的綜合推薦系數，獲得最終的車道推薦列表。為對比各行車道路的綜合推薦系數，定義該值為0～999的整數，其數值越小，推薦程度越高，其中百位表示剩余距離的推薦系數，取值為0～9；十位表示限速的推薦系數，取值為0～9；個位表示擁堵的推薦系數，取值為0～9，從而獲取行車道路限速、擁堵等信息和最大剩余距離信息的偽代碼如下：

//獲得剩余距離最長的行車道路

GetMaxDistInfo (lane_datas, max_dist_info);

//獲得行車道路限速、交通擁堵信息

GetLaneInfo (lane_datas, lane_info_map);

{GetSpeedLimitInfo (lane_datas, i, lane_info. speed_limit);

GetTrafficJamInfo(lane_datas,i,lane_info.jam_ level);}

2.2 車道剩余距離推薦系數

考慮到剩余距離對推薦系數的影響為非線性，當剩余距離小于一定閾值時，表示換道距離不能滿足換道需求，對應推薦系數應達到最大值9，強烈不推薦變道；反之則對應推薦系數在該位應該達到最小值0，強烈推薦變道。同時考慮到從自車道換道至目標車道時，中間車道的擁堵情況，需要為車輛預留一定的換道距離和交通擁堵導致的預留距離。綜上剩余距離推薦系數的偽代碼如下：

//獲得剩余距離排序的推薦值

GetPriorityByDistance(lane_info_map, max_dist_info, lane_element, cur_lane_index);

{

for(max_dist_lane_pair : max_dist_info)

{

//若當前車道包含在行車道路lane_element, 則推薦車道為0

if(max_dist_lane_pair.first == cur_lane_index);

{

Priority_value = 0;}

//預留變道距離reserve_dist

reserve_dist = 0;

//當前車道位于最長lane_element的右側

if （max_dist_lane_pair.first > cur_lane_index）

{

//基于相隔車道數目和擁堵信息計算預留距離

reserve_dist=nbr_reserve_jam_dist+lanenum_ reserve_dist;}

//當前車道位于最長lane_element的左側，計算預留距離

if （max_dist_lane_pair.first < cur_lane_index）

{reserve_dist=nbr_reserve_jam_dist+lanenum_reserve_dist;}

//計算當前行車道路的推薦值

dist_cur_priority_value=ConvertDistanceToPrioty(reserve_dist);}

}

2.3 車道限速推薦系數

在計算各行車道路的限速系數時，需要基于行車道路為基本單位進行限速加權平均，獲得的加權限速越高，則對應的道路推薦系數在該位應該達到較小值，偽代碼如下所示：

//獲得行車道路限速的推薦值GetPriorityBy SpeedLimit(lane_info_map, cur_lane_index);

{//獲得當前行車道路的限速信息

cur_lane_info=lane_info_map.at(cur_lane_index);

//當前法規準許最大值120km/h進行0-9等級劃分

speedlimit_cur_priority_value=floor((120-cur_ lane_info.speedlimit) / 121.0 * 10)}

2.4 車道擁堵推薦系數

行車道路擁堵系數為0～9分布，對最小擁堵等級和最大擁堵等級之間進行插值計算，對應數值0～9，偽代碼如下所示：

GetPriorityByTrafficJam(lane_info_map, cur_ lane_index);

{//獲得當前行車道路的限速信息

cur_lane_info=lane_info_map.at(cur_lane_index);

//根據當前交通等級擁堵推薦暢通為0，嚴重擁堵為9，進行10等級劃分0-9

trafficjam_cur_priority_value=floor(cur_lane_ info.jam_level / 10.0)}

3 車道推薦優化

本文提到的車道推薦，由于存在交通擁堵等動態信息，同時考慮到系統對軟硬件資源的限制和高效性，本項目使用機器人操作系統（Robot Operating System, ROS）內部提供的動態窗口法（Dynamic Window Approach, DWA）[6]的基礎上進行車道推薦優化，其原理主要是在速度空間（,）范圍中采樣多組速度，并模擬這些速度在一定時間內的運動軌跡，再通過車道推薦評價函數對軌跡打分，最優速度會被映射到行車道路，進而獲得最優車道路徑，具體思路如下：

3.1 建立車輛運動學模型

考慮到終點研究車道推薦優化算法，并不關注車輛運動學和動力學性能，因此，為了簡化模型，提高車道推薦模塊高效性，建立以平移速度和旋轉角速度的車輛運動學模型[7]，假設每段行駛軌跡時間間隔為Δ，當Δ足夠小時，車輛軌跡可視為直線運動，得到機器人的運動模型為

式中，x、y、θ為車輛在時刻的坐標位姿；x+1、y+1、θ+1為車輛在+1時刻的坐標位姿；v、ω分別為車輛在時刻的平移速度與旋轉角速度。

3.2 建立速度空間

基于車輛運動學模型，建立以[]要素構成的運動學空間約束s，即

在動力學性能約束下，車輛在當前平移速度v和旋轉角速度ω工況下，通過Δ時間段，車輛所能達到的速度空間即動力學約束d為

考慮到行駛過程中，交通設施對行駛軌跡也會形成空間約束，假設車輛距離障礙物空間距離為dist(,)車輛以最大減速度進行緊急制動，建立障礙物約束a，即

3.3 建立綜合成本函數

式中，dist_cur_priority_value(,)為剩余距離推薦系數，推薦值越低說明所推薦車道到達目的地距離越經濟；speedlimit_cur_priority_value(,)為車道限速推薦系數，推薦值越低說明推薦車道可行駛速度越高；trafficjam_cur_priority_value(,)為交通擁堵推薦系數，推薦值越低說明所推薦車道交通越暢通。綜上，遍歷動態窗口內所有軌跡，獲得綜合推薦分值G(,)越低，成本越小，獲得的車道推薦列表即為最優推薦。

4 應用測試驗證

為驗證車道推薦優化算法的可行性和準確性，基于實測的感知數據、融合定位數據、交通擁堵等級數據，以到達目的地最小時間和最大速度為目標，以車道推薦系數為優化變量，以交通規則和車輛位姿為約束條件進行應用測試驗證。選取安亭汽車收費站至曹安公路收費站的路線數據為對象，將SD-Map路線以道路段形式發送至高精地圖接受端，并將SD-Map與HD-Map進行路網信息匹配，獲得路徑PathID、道路LinkID、車道LaneID的關聯表單，所匹配的路線如圖5所示。

圖5 關聯匹配的路線

基于關聯表單，取自車前方5 km地圖數據（G12往南通方向）對交通擁堵等級進行人為干預設置，基于路網模型進行車道推薦優化，軌跡結果如圖6所示，車道推薦優化算法推薦車道為Lane6-> Lane5-> Lane2，在基于較快速車道行駛情況下，完全避開了交通擁堵；圖商推薦的車道軌跡為Lane6-> Lane5-> Lane3-> Lane2，主要基于靜態地圖數據進行推薦，因未考慮到交通擁堵等動態情況導致進入緩行狀態，導致所推薦的路徑無法滿足駕駛需求?？梢娝彳嚨劳扑]算法，能夠更好地結合道路和車道規則以及實際情況對車道進行推薦。

圖6 車道推薦路線

5 結論

基于SD-Map和HD-Map匹配完成車道推薦優化，主要進行了以下工作：1）基于車道的屬性、車道間的拓撲關系，以及車道與道路層間的映射關系提出車輛可行域空間概念，并基于此建立車道級路網模型；2）基于采集的道路數據，提出了行車道路剩余距離系數、限速系數和擁堵系數的計算規則，基于此進行車道推薦優化工作；3）通過測試驗證手段，對比了車道推薦優化軌跡和圖商所提供的車道軌跡，車道推薦優化算法考慮到車道限速、車道擁堵等動態信息，更加有效地對車道推薦引導。

該研究仍存在一定局限性，由于當前對道路數據采集的局限性，如車道施工狀態和車道擁堵等狀態無法采集，因此，如對地圖數據進行一定人為干預，后期仍需大量路測數據對此算法進行驗證和完善。

[1] 周勇,劉尚魁.構建基于Appollo 的高精度地圖解決方案[J].電子技術與軟件工程,2018(21):139.

[2] 董祚帆.基于高精度地圖的自動駕駛車輛車道級路徑規劃方法研究[D].蘭州:蘭州交通大學,2022.

[3] 陶璐.高精度自動駕駛地圖與傳統導航地圖路網匹配方法研究[D].武漢:武漢大學,2017.

[4] ADASIS Forum.ADASIS v3 Protocol: v3.1.0[EB/OL]. (2018-07-05) [2023-01-05].https://blog.csdn.net/zyq88 0625/article/details/ 123742297.

[5] 張捍東,鄭睿.岑豫皖.移動機器人路徑規劃技術的現狀與展望[J].系統仿真學報,2005(2):439-443.

[6] 卞永明,季鵬成,周怡和,等.基于改進型DWA的移動機器人避障路徑規劃[J].中國工程機械學報,2021, 19(1):44-49.

[7] 曹彪.基于動態窗口法和改進A*算法的多車路徑規劃[D].秦皇島:燕山大學,2022.

Development of Lane Recommendation Based on High-definition Map

CAI Kefang1, YAO Weimin2

( 1.Z-one Technology Company Limited, Shanghai 201600, China;2.College of Automotive Engineering, Jilin University, Changchun 130025, China )

In order to meet the requirement of high-level intelligent vehicles for lane recom- mendation, this paper has completed the mapping relationship between road and lane based on the correlation matching which is from standard definition map(SD-Map) and high-definition map(HD-Map), proposes the feasible domain space of road network, and the calculation rule of the comprehensive lane recommendation coefficient.Based on the remaining distance of road, lane speed limit and lane congestion information, a vehicle kinematics model is established, the speed space is defined by the dynamic window method (DWA) optimization algorithm, and a comprehensive cost function based on the remaining distance of the road, lane speed limit and lane congestion information is established, and the optimal lane recommendation list is obtained through iterative optimization. Finally, the optimization results are verified through the real vehicle test. Compared with the most recommended lanes based on the static map data, it can recommend lanes more effectively and flexibly based on the remaining distance from the destination, the lane speed limit and the lane congestion state, so as to ensure the optimal driving speed of the vehicle.

High precision map; Lane recommendation development;Road network model;SD-Map;HD-Map;DWA

U469.5

A

1671-7988(2023)10-34-06

10.16638/j.cnki.1671-7988.2023.010.007

蔡珂芳（1990—），男，博士，工程師，研究方向為智能制造開發，E-mail:caikf2015@163.com。