高精度地图是无人驾驶发展成熟的标志之一，对于水平/垂直精确定位和基于车道模型的避障必不可少。但是，在一些偏远的乡村道路环境中，绘制高精度地图是非常困难的。麻省理工学院近日曝光了他们的最新研究成果，在没有3D地图的情况下，利用拓扑地图、开放街道地图(OSM)和本地局部感知系统，实现了在乡村道路上的自动驾驶。
目前最先进的自动驾驶系统一般都是依靠详细、准确、高精度的地图来完成定位。高精地图包含了大量的驾驶辅助信息，包括一些必要的道路数据和道路周围固定物体的信息。通过这些数据，导航系统可以精确定位地形和道路轮廓来引导车辆，车载机器人可以将道路网络的精确三维表示信息与本地传感器数据进行对比，实现定位。
这是目前自动驾驶中高精地图的主要功能。到目前为止，绝大多数的自动驾驶车辆都集中在以下两种情况：1)在有明确标记的高速公路上行驶，2)基于极其精确和人工标注的详细全球地图的城市导航。
然而，无论是在美国还是在中国，仍然有大面积的乡村道路。这对自动驾驶来说是一个很大的挑战。因为这些路，广袤的土地稀疏相连。地图采集工作量大，车道标线和路网几何往往不可靠，建立详细高精度地图的方法不现实。
麻省理工学院的CSAIL团队最近分享了他们正在研究的方案。在丰田的帮助下，研究人员开发了一种新的MapLite框架，可以在没有任何3D地图的情况下，在乡村道路上实现自动驾驶。
MapLite将在谷歌地图上找到的简单GPS数据与一系列传感器结合起来观察路况，可以在马萨诸塞州德文斯的许多乡村道路上自动驾驶，并可以提前100多英尺可靠地检测前方的道路。
该论文将于5月在澳大利亚布里斯班举行的机器人与自动化国际会议(ICRA)上发表，由麻省理工学院教授丹尼拉罗斯(Daniila Ross)和博士研究生利亚姆保罗(Liam Paull)共同撰写。(智车科技第一时间拿到论文，后台回复：Maplite，下载论文。)
是如何实现的？
Maplite是一种新的无网格驱动框架，它将GPS与稀疏拓扑地图和基于传感器的局部传感系统结合起来用于导航。首先，该系统设置最终目的地和研究人员所谓的“局部导航目标”(在车内)。然后，传感传感器生成到达目的地的路径，并使用激光雷达估计道路边缘的位置，同时观察道路交叉的规则。同时，通过结合车辆测距方法和相关方法来更新这些轨迹，以保持车辆运行。利用基于最小二乘残差的不确定性和递归滤波方法，车辆可以在没有详细先验地图的情况下可靠、高速地在路网中导航。
在本文中，提出了一种道路分割算法来获取车辆传感器中的道路边界点。然后用ran sac/最小二乘法对这些点进行拟合，得到最优道路边界点处的轨迹。重要的是，拟合的质量也从最小二乘最小化的残差输出中获得。这允许在下一次迭代中概率性地融合轨道估计。车辆还配备有测距传感器，用于在车辆移动后将先前的轨迹估计传输到本地车辆框架。
图1:使用稀疏拓扑映射的无缝导航。
上图：来自openstreetmap.org的众包拓扑图显示黄色顶点贯穿红色部分。从威力登HDL-64激光扫描仪获得的点云显示了车辆传感器可见的全球地图区域。下图：完整的端到端完美无瑕的自动控制系统在乡村道路上演示。
“我们的极简测绘方法可以利用当地的外部建筑和语义特征(如停车位或路径)来完成乡村道路上的自动驾驶。”罗斯教授说。
MapLite不同于其他没有地图的驾驶方式。它更多的是依靠机器学习来训练一组道路的数据，然后在其他道路上进行测试。但在很多方面还是有局限性的，对于山路也不够可靠，因为无法应对海拔起伏较大的路况。接下来，麻省理工学院的团队希望增加车辆可以行驶的道路类型。最后，他们希望系统能够达到与高精度地图采集方案相当的性能和可靠性水平。
论文的作者罗斯教授说：“我认为未来的自动驾驶汽车将一直在城市地区使用3D地图，但当这些车辆在从未见过的陌生道路上行驶时，它可以反映出我们研究的更大意义。