从一踏上自动驾驶上下求索之路（四）——定位

前段时候恰幸亏温习卡尔曼滤波，是以就“歪个楼”写了些卡尔曼滤波的文章，也是希望大师能重视根本算法的进修。

明天回归主线，继续研讨自动驾驶的各个模块。既然之前聊了卡尔曼滤波，我们就来看看利用到这个算法的重要模块——定位。

阅读过《从零开启自动驾驶工程师之路》系列的小伙伴应当会发现，里面惟独没有具体味商的模块就是定位模块，明天我们一路来进修一下。

谈到定位，现实上每小我都很熟悉。不管是你手机里的GPS还是交换相同时“我在xxx”，都是一个定位的概念的表达。

而对于无人驾驶车辆而言，它也需要表达自己的位置。那这时辰它不能仅仅简单地表达“我在某某路上”，这太粗糙了，我们需要晓得每个时辰它处于一个什么点位上，这时辰就需要引入座标系了，由于在座标系下你便可以用XYZ来暗示你的具体位置了，而且该位置是唯一的。

关于坐标系既可以利用全局坐标系，例如GPS获得的全球定位坐标；也可以利用一个部分坐标系，例如你明天就只运转在某段封锁门路或园区内，便可以以起点作为坐标系原点。

除了这些外在的不会随意变化的坐标系，无人驾驶汽车自己还有一个自车坐标系，也就是常说的位姿。位姿就是位置+姿势，位置即X、Y、Z三维，姿势即横摆yaw、俯仰pitch、侧倾roll。对于车辆而言，一般都行驶在路面上，发生Z这个维度的数值比力少见。一样地，俯仰和侧倾也相对较少。假如发生大范围侧倾，那能够自动驾驶功用是没本事改正返来了，这时辰能够需要叫个拖车。

定位功用为后续计划、控制模块供给了重要的输入信息，也是以对定位模块提出了很高的需求。具体可以看看下表。

首先是精度要求，我们常说定位要精准，那怎样精准法，就是要求误差不能跨越10cm。想想，假如你的定位和现实位置差得太大，那在碰到复杂场景时想要变道躲避就会和此外方针发生碰撞。鲁棒性说的是定位系统的容错才能，保证最差不会差过30cm。全天候场景也好了解，谁也不希望车在雨雪大雾天大概地道里就不能使了。

那末，要实现这么高的要求需要怎样的技术呢？

常用的有三种：（1）基于电子信号的定位；（2）航迹推算；（3）情况特征婚配。

先来说说第一种。基于电子信号的定位用浅显点的话来说就是GPS定位。经过接管卫星实时的电子信号，解算出方针当前时辰的位置。不外GPS定位算法也有好有差，例如我们手机里用的定位误差就能到达三四米，这也是为什么有的时辰你在桥上走，定位却显现你在水里游的缘由。

那汽车明显不能用误差这么大的方式，因而就有了实时静态载波相位差分技术。说人话就是经过车辆到天上多个卫星之间的回波周期数，经过比力消除周期模糊，肯定一个数值，这个值就是切确的定位位置。这个方式的上风就是定位精度是真的很高，能到达5cm，可是弱点也很明显，他得需要在车上安装一套装备，既和卫星通讯也和基站交互，同时还不能去高楼大厦、地道、立交桥这类对信号有遮挡的地方。明显，这一方式满足了精度，缺轻忽了鲁棒性和场景。

航迹推算说的是按照上一时辰的位置姿势，连系当前丈量到的信息来猜测现在的位姿。做航迹推算必不成少的传感器即是IMU惯性丈量单元。有印象的同学会记得我们在之前的系列中讲过这一传感器，不记得的同学请点击下方传送门，这里就不赘述这个传感器了。

间接来说说这一方式的优点，由于IMU是装在自己车上的，装上就能测，也不需要接收啥内部信号，是以对于场景就完全不在意。同时这个小工具输出频次很是高，5ms就输出一次位姿信息，而且短时精度也很高，看着相当生猛。它的弱点就是会累计误差，用着用着就越来越不准了，是以需要不停的校准，经常与其他定位方式连系在一路消除零漂。明显，这一方式满足了精度和场景，可是鲁棒性不够。

最初我们再来看看情况特征婚配。所谓的情况特征婚配实在就是SLAM技术，实时定位与建图。那SLAM有激光SLAM和视觉SLAM，所以按照传感器分歧分为激光情况特征婚配和视觉情况特征婚配。

激光定位就是操纵激光雷达事前天生一个舆图，这个舆图可所以3D的也可以是2D的。随后我们把感知获得的实时点云和预先建立的舆图停止婚配，最轻易想到的就是搜索方式。任选舆图中的某一块地区，拿现有点云和它去做比力，看色彩信息能否接近、高度信息能否分歧，计较出一个婚配几率，几率最高确固然就是婚配成功的点。经过这类方式我们就完成了一个现实天下到舆图的转换，可以很切确计较出我们处在舆图中的某个位置，类似在景区舆图上找自己地点位置的感受。

视觉定位与上述激光定位道理分歧，也是需要一幅预制好的高精舆图，经过摄像头感知到的实时数据与舆图上的信息停止婚配，确认自己的位置。可是需要留意的一点是，视觉定位在自动驾驶中受光照干扰很大，由于室外场景光芒会不竭变化，是以之条件前到的特征点能够换个时候就提取不到了。这时辰对视觉感知提出了更高要求，需要从场景中提取语义信息，例如交通标志牌、红绿灯等等参考方针，他们相对于光照要稳定的多。除非门路大革新，否则一块路牌、一个红绿灯立在那很多年是没题目标。

这类基于情况特征的定位由于有高精舆图buff在手，因此定位再差也不会差到哪儿去，同时实时的丈量值输入进来也不竭较准系统的猜测。这样看来，这个方式的鲁棒性可以获得保证。

先容完这三种定位方式，你会发现“小孩子才做挑选，成年人全都要”。多传感器融合定位才能扬长避短，让全部系统发挥出最优效能，实现自动驾驶汽车的精准定位。