智能驾驶进阶课程3——定位技术

无人车的定位技术

技术入门

无人车的自定位系统：相对某一个坐标系（局部坐标系、全局坐标系），确定无人车的位置和姿态。
位置和姿态的6个自由度：

• 位置：XYZ
• 姿态：三个方向的旋转，欧拉角表示，包括航向、俯仰、横滚，是车辆坐标系相对于XYZ（本地）坐标系的变化夹角
  还包括置信度等

自动驾驶汽车定位系统指标要求

• 精度
• 鲁棒性
• 场景
  
  为什么无人车需要精准的定位系统
• 人是一个自然的智能体，无人车无法进行自然的智能识别。
• 可以提供速度、角速度、加速度等信息用于路线规划和车辆控制。

三种定位方法：

• 基于电子信号定位
  • GNSS
• 航迹推算
  • IMU
• 环境特征匹配
  • LiDAR、Camera

实时动态差分技术

• 距离差分
  • 伪距差分：卫星信号传递到地面基站和接收站，得到距离差分
  • 载波相位差分：估计一个载波相位的整周（波长固定，到）
• 位置差分

激光定位

• 预先做出一个地图
  • 2D概率地图
  • 点云地图

视觉定位

SLAM机器人同时定位与建图
适用于车道线、红绿灯定位信息

IMU

加速度计提供瞬时加速度（需要剔除重力加速度），陀螺仪提供瞬时角速度。
加速度积分得到速度，同理角速度可以得到姿态信息，结合得到位置信息。

优点

• 6自由度信息
• 短时精度高
• 输出频率高、无延迟
• 无外部依赖

缺点

• 误差随着时间积累

多传感器融合定位

KF卡尔曼滤波器是核心的模块，会接收IMU输出的递推作为时间的更新，保证滤波器有高频输出，又接收GPS、激光点云定位或视觉定位，更新低频的位置状态
·

基础知识

• 三维的几何变换
  • 二维旋转，用于车辆中描述车辆坐标系相对于一个固定的相对坐标系的旋转
  • 三维旋转，旋转空间点就是将三维矩阵与要旋转的点的矩阵进行3X1的计算。元素较多，有九个，优化困难
    • 欧拉角
    • 四元数
  • 三维平移
  • 刚体的位置和朝向
    • 刚体坐标系：确定刚体的位置和朝向，在刚体内取一点P为原点建立刚体坐标系
    • 刚体位置：可以看作刚体原点P相对参考坐标系原点O做的平移，用三维平移向量表示
  • 坐标系
    • 根据各个轴的位置关系不同，分为左手坐标系和右手坐标系（大部分用这个）
    • ECI地心惯性坐标系（I系）：不随着地球自转变化的坐标系，地球表面载体运动时存在这个坐标系可以作为相对坐标系
    • ECEF地心地固坐标系（E系）：X、Y轴随着地球自转而转动，旋转到指定位置时与ECI重合，ECI绕Z轴做时间上的旋转可以得到ECEF
    • 当地水平坐标系（L系）：原点在载体上面，东向北向天向（ENU）为XYZ，随地球一起转，与E系可以相互转换
    • UTM坐标系（横轴墨卡托坐标系）：经纬度划分地球规定带，6度一个带，形成投影带
    • 车体坐标系：原点位于车体后轴中心位置，用与N系的旋转关系表明车的姿态
    • IMU坐标系：类似车体坐标系，依赖于IMU的安装误差
    • 相机坐标系
    • 导航坐标系（N系）
    • 激光雷达坐标系：局部坐标定义与相机坐标系不同
      

百度无人车的定位技术

GNSS定位

• GPS定位技术基本原理
  • 24颗GPS卫星
  • 2个载波信号频率：L1、L2
  • 信号调制：载波信号上调制有测距码（L1上为C/A码和P码，L2上为P码）和导航电文
  • 系统基本功能：定位、测速、授时
  • 美国GPS、中国北斗
  • TOA测距

载波定位技术

• 固定载波整周数，消除噪声，达到更高的精度
• RTK（无人车在用）
• PPP ：一种很强的单点，需要很多种基础基站的建设。卫星数据的误差在基站中做分离处理，消除误差后在对车端定位。
• RTK缺点：要建基站
  
• GPS在无人车中的作用
  • GPS授时
  • HD-MAP制图，在RTK基础上进行后解算，做出更精准的位置信息
  • 在线定位

激光点云定位技术

点云输出的是四个维度：XYZ Yaw（航向角），Z由定位地图获得

• 图像对齐模块
  • 航向角优化
• SSD-HF模块
  • XY的优化
• 两个输入
  • 预测的初始位姿：因为是局部搜索过程
  • 实时点云数据

激光点云定位地图格式

• 定位地图（每一个格子可以有以下两种表示）
  • 反射值地图块：灰度值/颜色值
  • 高度值地图块：存储z值

SSD-HF

• 利用SSD，颜色值与地图找一个相应的点
• 引用直方图滤波器
  
  

航向角优化：基于LK的光流优化算法
（用于小误差）。

视觉定位系统

• 也是输出XYZ和Yaw
• 视觉定位是通过识别图像中具有语义信息的稳定特征，并与地图匹配来获得车辆的位置和朝向
• 视觉定位算法流程
  • 3D特征地图离线生成，是基于视觉的全局定位算法基础
  • 图像特征检测以及匹配是定位算法的核心，IMU和轮速计信息在这个环节用于估计车辆运动，预测位姿
  • 最后的数据融合将GPS、视觉定位、IMU数据整合，优化定位结果
    
• 第一部分：3D地图生成：采用结构化（分段直线）表示，3D地图提取路灯、电线杆等物体的竖直部分，2D地图提取车道线、停止线、导流线等路面标记。
• 第二部分：
  • 在线特征检测：检测车道线、检测杆状物。
  • 特征匹配：绝对定位。车道线特征匹配的难点的解决方法：粒子滤波

捷联惯性导航系统

• 需要初始对准：IMU坐标系与世界/导航坐标系对应（位置、姿态）
  • 高精度IMU通过重力矢量和地球自转矢量和车本身坐标系
  • 低等级IMU需要外部给一初始位置、速度，要知道俯仰、横滚，航向角利用双天线方式或者让车跑起来
• 惯导解算：已知位姿，输入新的加速度和角速度，得到新的位置

组合导航

利用卡尔曼滤波