自动驾驶汽车自主决策与规划技术（一）:里程定位于全局定位简介

在介绍决策规划之前，我们还是要讨论一些基础的东西：定位技术
通常，技术上我们可以分为里程计定位，以及GPS全局定位，通过合理的融合技术：卡尔曼家族滤波器（KF,EKF,PF, etc）我们可以获得对定位信息的很好的估计，帮助我们进行下一步的决策规划。

接下来，用一系列的图片来展示这两者之间的区别：

如图，左边的黑色点和箭头就是里程计定位方法下的起点，同样对于GPS 全局定位我们也给出一样的起点。

接下来，里程计会通过积分方法进行位置更新，而GPS也会对全局坐标进行更新，比如说，下一时刻，绿色箭头就是里程计的更新位置，而红色箭头就是GPS的更新位置，在往下一步，里程计的更新会建立的前一位置基础，而GPS的更新则不是马尔科夫的，意思就是下一步的位置，不受前一步位置直接影响，比如下图：

GPS的位置更新可以比里程计的位置更新要随机很多。但是，我们现在遇到的问题是，单纯的里程计更新，累计误差会越来越大，但是GPS定位虽然没有累计误差， 连续性又很差。比如下图：

然后两者给出的轨迹也大相径庭：


于是，可以通过结合这两者的信息，进行融合，通过卡尔曼的思想解决这个问题：
红色剪头和绿色剪头就是第一步里面的里程计和GPS全局定位的位置，通过卡尔曼滤波，我们可以估计出一个此时可最有可能的位置，就是紫色箭头的位置。注意，此时，里程计和GPS全局定位不是在一个坐标下的，我们必须每一步都进行坐标转化，所以确定最佳位置，即这个紫色箭头后，我们需要反推一次里程计坐标，这就是图里面的浅灰色箭头，这时，我们就已经把GPS坐标作为参考坐标系，讲里程计坐标统一在GPS全局定位坐标系下了。
在接下来，就是重复上述的工作，如图，下一步，我们再次估计出来最佳位置，（紫色箭头），更新位置，反推里程计坐标，（灰色位置）


定位的技术很复杂，主要的两支一个是通过卡尔曼思想做的优化，无论是结合IMU, 里程计，GPS中的任意两个或三个，都可以做定位优化，精度和算法本身的优劣有很大关系。另一支就不是靠卡尔曼了，以图优化的思想去解决这个问题。有兴趣的可以进一步了解。