无人驾驶实践入门——定位

无人驾驶实践入门——定位

定位的任务：
确定你的车辆在这张高精度地图上的位置

现有GPS定位1~3米，特殊情况精度更低，不能满足自动驾驶需求。

解决方案：
通过传感器比对地图内容，测量与静态障碍物之间距离来精确定位位置。

坐标系问题：
车辆坐标应与地图坐标间进行转换。

最终至少实现10cm的定位精度。

常见无人驾驶定位方法：

• GNSS
• RTK
• 惯性导航
• LiDAR定位
• 视觉定位

举例：野外迷路，你会怎么做？
通过静态地标定位，通过地图确定位置，该方案成为三角测量。这就是GPS定位(全球定位系统)的原理，GPS是一种GNSS(全球导航卫星)。

GPS定位

GPS组成

• 大约30颗卫星
• 世界各地的控制站，用于监视控制卫星，验证精确度
• GPS接收器，即手机等设备中的接收器，正常情况下每次至少接收4颗卫星信号

减小误差手段：

• 卫星配置高精度原子钟
• 实时运动定位(RTK)，即基站定位
  
  通过基站定位可定位精度达10cm

仍存问题：

• 高楼或障碍物阻碍信号
• GPS更新频率低(10Hz)

惯性导航

定位方案：
提供速度，加速度，初始位置等信息计算相对位移

测量方法：
加速度：三轴加速度计
全局坐标系转换：陀螺仪，测量旋转轴与三个外部平衡环的相对位置

它们两者组成了惯性测量单元(IMU)的主要组件。
特点：

• 高频率更新
• 运动误差随时间增加而积累

解决方案：
GPS弥补IMU运动误差
IMU弥补GPS更新频率
但仍不能解决环境条件差时的无法定位问题。

激光雷达定位

定位方案：
点云匹配，即将激光雷达数据与高精地图进行连续匹配

匹配点云算法

• 迭代最近点(ICP)，通过旋转点云达到最小误差
• 滤波算法(误差平方和算法SSD)，消除冗余信息，Apollo采用直方图滤波
  
• 卡尔曼滤波，根据过去和当前状态预测未来

特点：

• 稳健性好
• 高精度地图更新困难

视觉定位

实现原理：
将摄像头图像信息与地图进行对比，通过概率确定，即粒子滤波方法

匹配对象：
树、车道线等静态参照物

特点：

• 图像数据容易获得
• 缺乏三维信息且对三维信息较为依赖

Apollo定位系统

基于GPS、IMU、激光雷达的多传感器融合定位，提高了稳定性的精确性。
GNSS定位输出位置和速度信息，LiDAR输出位置和行进方向信息，经过卡尔曼滤波结合。
惯性导航用于卡尔曼滤波的预测，GNSS和LiDAR用于卡尔曼滤波的结果更新。