[论文解读] Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories

Hanlin Chen, Renyuan Luo+1 more|arXiv (Cornell University)|Jan 22, 2023

Automated Road and Building Extraction被引用 5

一句话总结

本文提出了一种基于众包的新型方法，通过利用车辆轨迹数据，结合高斯混合模型（GMM）构建动态可行驶区域与占用网格图（OGM），显著提升了自动驾驶车辆（AV）在临时施工区域的制图与导航能力。与仅使用SLAM的方法相比，该方法在感知精度和规则符合性方面均有显著提升，AV在SLAM失败时仍能避免规则违规。

ABSTRACT

Prevalent solutions for Connected and Autonomous vehicle (CAV) mapping include high definition map (HD map) or real-time Simultaneous Localization and Mapping (SLAM). Both methods only rely on vehicle itself (onboard sensors or embedded maps) and can not adapt well to temporarily changed drivable areas such as work zones. Navigating CAVs in such areas heavily relies on how the vehicle defines drivable areas based on perception information. Difficulties in improving perception accuracy and ensuring the correct interpretation of perception results are challenging to the vehicle in these situations. This paper presents a prototype that introduces crowdsourcing trajectories information into the mapping process to enhance CAV's understanding on the drivable area and traffic rules. A Gaussian Mixture Model (GMM) is applied to construct the temporarily changed drivable area and occupancy grid map (OGM) based on crowdsourcing trajectories. The proposed method is compared with SLAM without any human driving information. Our method has adapted well with the downstream path planning and vehicle control module, and the CAV did not violate driving rule, which a pure SLAM method did not achieve.

研究动机与目标

• 解决高清地图与SLAM在动态变化环境（如施工区域）中的局限性。
• 提升AV对施工区域临时可行驶区域与交通规则的感知能力。
• 通过整合众包轨迹数据，减少对车载传感器的单一依赖。
• 开发一种稳健、数据驱动的方法，实现实时临时道路配置制图。
• 确保AV路径规划与控制模块在复杂施工区域场景中安全、合规运行。

提出的方法

• 从多辆通过施工区域的车辆中收集众包轨迹数据。
• 应用高斯混合模型（GMM）对轨迹的空间分布进行聚类与建模，识别可行驶区域。
• 利用GMM输出生成动态占用网格图（OGM），表示临时可行驶区域与障碍物。
• 将生成的地图与车载SLAM数据融合，提升定位精度与环境理解能力。
• 将增强后的地图集成至下游路径规划与车辆控制模块，实现实时导航。
• 在原型系统中通过对比SLAM-only导航方式验证系统性能。

实验结果

研究问题

• RQ1 众包车辆轨迹能否提升临时施工区域可行驶区域检测的准确性？
• RQ2 与仅使用SLAM相比，集成轨迹衍生地图在AV导航性能方面有何提升？
• RQ3 基于GMM的制图方法在动态环境中对交通规则符合性的提升程度如何？
• RQ4 众包数据与SLAM的融合能否降低施工区域的导航误差与规则违规？
• RQ5 所提方法在真实世界、时变施工区域场景中的鲁棒性如何？

主要发现

• 所提方法成功利用众包轨迹与GMM聚类，构建了高精度的动态可行驶区域地图。
• 基于GMM的OGM有效捕捉了施工区域常见的临时车道变更与障碍物分布模式。
• 使用众包地图的AV避免了交通规则违规，而仅依赖SLAM的导航则导致了规则违反。
• 轨迹衍生地图的集成显著提升了路径规划的可靠性与车辆控制性能。
• 系统在实时运行中表现出强鲁棒性，在复杂、瞬态环境中优于SLAM-only方法。
• 原型验证表明，众包技术可显著提升AV在临时道路配置下的环境感知能力。