城市NOA下的SLAM算法

芝能科技出品

SLAM算法（Simultaneous Localization and Mapping）在城市自动驾驶中扮演着重要角色。城市NOA（导航辅助）作为目前最重要的竞争环节，需要依赖先进的SLAM算法来实现自主行驶和完成复杂的驾驶任务。

SLAM算法通过实时定位和地图构建帮助自动驾驶系统理解周边环境。在城市驾驶中，对车辆周围环境的准确理解至关重要，例如跟从依赖高精地图到无图方案的技术转变，对SLAM算法的需求增加。无图方案更依赖于车辆实时的感知和环境建模能力，而SLAM提供了这种能力。

01

无图有图的关键

高精地图这个事，行业内已经有所定论，解决NOA城市是否好用就是泛化的能力。部署城市NOA需要精准高效的感知融合算法，SLAM提供的实时定位和地图信息对于感知模块的性能至关重要，SLAM算法变成了必选项，也有助于降低因摆脱高精地图，提高城市NOA的覆盖率（商业化落地效率已经是其次，大家都能开城，核心是单个城市的道路覆盖率）。

什么是SLAM算法？

SLAM算法的实现不仅提供了精确的环境理解和自我定位能力，还是实现高级自动驾驶功能的基石，可以让自动驾驶汽车能够在复杂多变的城市交通环境中安全自主地行驶，促进了城市NOA的商业化落地。

在自动驾驶中，SLAM算法是一种能够实时进行定位和地图构建的关键技术。其核心功能包括：SLAM能够同时进行定位和地图构建，确保车辆在行驶过程中对自身位置和周围环境的准确感知。SLAM通常需要识别图像中的低级特征点，通过这些特征点的位置变化来获取场景结构和相机本身的位姿信息。

所以了解相机的内外参数对于SLAM系统尤为重要，这有助于准确地估计相机的运动并正确地构建环境地图，结合深度学习模型来识别高级特征信息，提高了识别的准确性和鲁棒性。

一个有效的SLAM算法需要能够提供准确且及时的定位精度，确保车辆的安全性和有效性。重视感知能力、减少对地图的依赖的技术趋势下，SLAM还是能发光发热的。

● 特殊场景下的离线地图构建：在某些复杂场景中，实时感知能力可能受限，或者无法提供足够准确的信息。针对这些特殊场景，仍然需要通过离线地图构建技术（如SLAM）来生成高精度地图，以供智能驾驶系统使用。这种需求可能出现在复杂的城市环境、极端天气条件下或者地形复杂的区域等。

● 数据驱动的感知能力提升：离线地图构建不仅仅用于提供地图数据，还可以作为感知模型的训练和验证数据集。通过离线地图构建的真实环境数据，可以用于训练感知模型，提升其在特定场景下的识别和预测能力。因此，即使在重视感知能力的发展趋势下，SLAM技术仍然会作为感知能力提升的重要工具之一存在。

02

SLAM低速应用

在低速无GNSS场景下，如地下停车场，传统的全局定位无法使用。解决方案之一是利用SLAM技术构建定位地图，为全局路径规划提供全局定位能力。在地下停车场等场景中，这种方法可以通过构建地图实现定位，同时利用众包建立SD地图。

● 感知受限：地下停车场等环境中，传感器受限，感知精度有限，对定位建图提出了挑战。

● 数据复用与闭环：多车众包建图需要有效的数据复用和闭环处理，以确保地图质量和准确性。

通过SLAM技术构建3D模型，实现2D图像的精确标注，为位感知提供真实训练数据。

小结

随着城市NOA和泊车自主化竞争激烈，每个细节都需要来不断思考。