Apollo自动驾驶施工区域通行方案：多传感器融合与决策优化

1次阅读

共计 1672 个字符，预计需要花费 5 分钟才能阅读完成。

施工区域对自动驾驶系统提出了三重挑战：

几何结构突变：临时锥桶摆放形成的车道偏移、原有车道线被覆盖或重绘，导致高精地图（HD Map）与实际场景出现不一致。
动态障碍物复杂：工程车辆频繁启停、工人随机走动，其运动模式难以用常规交通参与者的行为模型预测。
传感器干扰源多：警示灯闪烁影响摄像头曝光，金属材料反射导致雷达虚警，扬尘环境干扰激光雷达点云质量。

激光雷达（Lidar）：
优势：精确测距，锥桶等低矮障碍物检测（高度 <1m）
处理：使用 DBSCAN 聚类算法，欧式距离阈值设为 0.3m
摄像头（Camera）：
优势：语义理解，识别施工标志牌、临时车道线颜色
处理：改进的 DeepLabV3+ 模型，增加橙色锥桶专用类别
毫米波雷达（Radar）：
优势：速度测量，追踪突然横穿的工程车
处理：多假设跟踪 (MHT) 算法处理遮挡场景

1. 全局路径修正：\hat{P}_{global} = P_{map} \oplus \Delta P, \quad \Delta P=\sum_{i=1}^n w_i \cdot p_{cone_i}

其中 w_i 为锥桶权重，距车辆越近权重越大

局部轨迹优化：
使用 QP 二次规划，代价函数包含：
- 偏离修正路径的惩罚项
- 与动态障碍物的 TTE（Time To Enter）安全裕度

// modules/perception/obstacle/lidar/roi_filter/roi_filter.cc
void HdmapROIFilter::Filter(
    const PointCloud& cloud, 
    const HdmapStructPtr& hdmap,
    std::vector<bool>* mask) {
  // 参数说明：施工区扩展边界 2.5 米
  const double expand_distance = 2.5; 
  for (size_t i = 0; i < cloud.size(); ++i) {(*mask)[i] = WithinPolygon(cloud[i], 
               hdmap->road_polygons, 
               hdmap->junction_polygons,
               expand_distance);
  }
}

// modules/prediction/predictor/vehicle/lane_sequence_predictor.cc
void UpdateKalmanFilter(const Feature& feature) {Eigen::MatrixXd F(4, 4); // 状态转移矩阵
  F << 1, 0, dt, 0,
       0, 1, 0, dt,
       0, 0, 1, 0,
       0, 0, 0, 1;

  // 施工车辆过程噪声调大 30%
  if (feature.label() == "construction_vehicle") {Q_(0,0) *= 1.3; 
    Q_(1,1) *= 1.3;
  }
  kf_.Predict(F, Q_);
}