目錄

1. 定位的概述

2. 定位方法介紹

2.1 GNSS RTK

2.2 慣性導(dǎo)航

2.3 激光雷達(dá)定位

2.4 視覺定位

2.5 Apollo定位

---

本文轉(zhuǎn)自微信公眾號：Apollo開發(fā)者社區(qū)? 原創(chuàng)：?阿波君?Apollo開發(fā)者社區(qū)?8月17日

上周我們發(fā)布了?Apollo入門課堂第②講—高精地圖，收到了很多開發(fā)者的認(rèn)同和贊賞，也看到越來越多的開發(fā)者對學(xué)習(xí)自動駕駛技術(shù)有了濃厚的興趣，希望有更多開發(fā)者能夠通過本門課程，學(xué)到更多的自動駕駛知識。

本周我們將介紹定位模塊的知識，了解車輛如何以個位數(shù)厘米級別的精度進(jìn)行自定位。

定位是讓無人車知道自身確切位置的方法，這是一個美妙但是十分艱難的任務(wù)，同時也對無人駕駛車十分重要。定位不僅僅是找出自身的大概方位，而是要以10cm級別，將車感信息與高精地圖信息進(jìn)行比較來精確的位置尋找。

---

視頻鏈接為：Apollo入門課程-Sebastian定位_騰訊視頻

1. 定位的概述

在日常生活中假設(shè)你手中有一張高精地圖，定位的任務(wù)是確定你的車輛在這張高精地圖上的位置。

大多數(shù)時候，我們使用GPS來進(jìn)行定位，但是GPC對于無人車來說還不夠精確。因此我們必須找到另一種方法來更準(zhǔn)確地確定車輛在地圖上的位置。最常用的方法是將汽車傳感器所看到的內(nèi)容與地圖上所顯示的內(nèi)容進(jìn)行比較。車輛傳感器可以測量車輛與靜態(tài)障礙物之間的距離。我們在車自身的坐標(biāo)系中測量這些距離以及這些靜態(tài)障礙物的方向。在車的坐標(biāo)系中，汽車的前進(jìn)方向始終向前，坐標(biāo)系正方向始終與車頭保持一致，但不一定與地圖坐標(biāo)系保持一致。當(dāng)車輛傳感器測量到地圖上的物體，會將傳感器的地表觀測值與地圖上的位置匹配，轉(zhuǎn)換到地圖自帶坐標(biāo)系，反之亦然，從而達(dá)到地圖與車感數(shù)據(jù)的對比。

定位提供了許多可選擇的方法，但每種都有自己的劣勢。接下來將介紹主流的定位方法。

高精地圖最重要特征之一是精度，手機(jī)上的導(dǎo)航地圖只能達(dá)到米級精度，而高精地圖可以使車輛能夠達(dá)到厘米級的精度，這對確保無人車的安全性至關(guān)重要。

2. 定位方法介紹

2.1 GNSS RTK

如果在野外迷路，假如你看到自己離一棵樹75米遠(yuǎn)，你只知道自己位于一個以樹為中心半徑為75米的圓上。但是如果看到一個離自己64米遠(yuǎn)的房子，你就會知道自己位于兩個圓的交點(diǎn)處，但仍不知道自己位于哪個交點(diǎn)上。假設(shè)你看到了第三個路標(biāo)，如路燈。經(jīng)過測量你發(fā)現(xiàn)自己離路燈55米遠(yuǎn)，自己就知道了相對于這些地標(biāo)的確切位置。

首先。假設(shè)現(xiàn)在有一個世界地圖標(biāo)注了這三個地標(biāo)在世界上的確切位置，那么就可以知道自身的確切位置了，這就被稱為三角測量。

GPS就是這樣的工作原理，只是參照物并不是地標(biāo)而是衛(wèi)星。三顆衛(wèi)星再加上一顆用來定位高度的衛(wèi)星，4顆衛(wèi)星就可以知道自身的確切位置了。GPS這類系統(tǒng)的通用名稱為全球?qū)Ш叫l(wèi)星系統(tǒng)或GNSS，GPS是其中使用最廣泛的GNSS系統(tǒng)。

GPS分為三部分。第一部分是衛(wèi)星，在任何特定時間大約有30顆GPS衛(wèi)星在外層空間運(yùn)行，它們各自距離地球表面約2萬公里。第二部分由世界各地的控制站組成，控制站用于監(jiān)視和控制衛(wèi)星，其主要目的是讓系統(tǒng)保持運(yùn)行并驗(yàn)證GPS廣播信號的精確度。第三部分是GPS接收器，GPS接收器存在于手機(jī)、電腦、汽車、船只以及許多其他設(shè)備中。

GPS接收器實(shí)際上并不直接探測你與衛(wèi)星之間的距離，它首先測量信號的飛行時間即TOF原理。通過將光速乘以這個飛行時間，來計算離衛(wèi)星的距離。由于光束的值很大，即使是少量的時間誤差也會在距離計算中造成巨大的誤差。

因此每顆衛(wèi)星都配備了高精確度的原子鐘。為進(jìn)一步減小誤差，使用實(shí)時運(yùn)動定位（RTK）。RTK涉及在地面上建立幾個基站，每個基站都知道自己精確的 “地面實(shí)況”位置，但是每個基站也通過GPS測量自己的位置。已知的 "地面實(shí)況"位置與通過GPS測量的位置之間的偏差，為GPS測量結(jié)果中的誤差。然后將這個誤差傳遞給其他GPS接收器以供其調(diào)整自身的位置計算。在RTK的幫助下，GPS可以將定位誤差限制在10厘米以內(nèi)。

但是仍存在高樓和其他障礙物可能阻擋GPS信號的問題，這使定位變得苦難或根本無法定位。GPS的更新頻率很低，大約為10赫茲。由于無人駕駛車在快速移動，可能需要更頻繁的更新位置。

2.2 慣性導(dǎo)航

假設(shè)一輛汽車正以恒定速度直線行駛，如果提供了汽車的初試位置、速度、行駛時長，那么汽車的位置即從初試位置開始，然后速度乘以時間。

假如給予一輛汽車的初始速度，并給予加速度和駕駛時間，就可以使用加速度、初始速度、初始位置來計算汽車在任何時間點(diǎn)的車速和位置。

加速度需要三軸加速度計的傳感器來測量，有三種不同類型的三軸加速度計，它們采用不同的方法，但共同的目標(biāo)是精確測量加速度。加速度計根據(jù)車輛的坐標(biāo)系記錄測量結(jié)果，還需要陀螺儀傳感器將這些測量值轉(zhuǎn)換為全局坐標(biāo)系測量值。

三軸陀螺儀的三個外部平衡環(huán)一直在旋轉(zhuǎn)，但三軸陀螺儀中的旋轉(zhuǎn)軸始終固定在世界坐標(biāo)系中。在坐標(biāo)系中的位置是通過測量旋轉(zhuǎn)軸和三個外部平衡環(huán)的相對位置來計算的。

加速度計和陀螺儀是慣性測量單元（IMU）的主要組件，IMU可以以高頻率更新，可達(dá)1000赫茲，所以IMU可以提供接近實(shí)時的位置信息。但缺點(diǎn)在于其運(yùn)動誤差隨時間增加而增加，我們只能依靠慣性測量單元在很短的時間范圍內(nèi)進(jìn)行定位。但是我們可以結(jié)合GPS和IMU來定位汽車，一方面IMU彌補(bǔ)了GPS更新頻率較低的缺陷。另一方面GPS糾正了IMU的運(yùn)動誤差。但是即使將GPS和IMU系統(tǒng)相結(jié)合也不能完全解決定位問題，比如我們在山間行駛或城市峽谷中或在地下隧道中行駛，那么可能長時間沒有GPS更新。

2.3 激光雷達(dá)定位

利用激光雷達(dá)，可以通過點(diǎn)云匹配來對汽車進(jìn)行定位。該方法將來自激光雷達(dá)傳感器的檢測數(shù)據(jù)與預(yù)先存在的高精地圖之間匹配，通過這種比較可獲知汽車在高精地圖上的全球位置的行駛方向。匹配點(diǎn)云有多種方法，比如迭代最近點(diǎn)（ICP）就是一種方法。對于第一次掃描中的每個點(diǎn)，需要找到另一次掃描中最接近的匹配點(diǎn)。最終會收到許多匹配點(diǎn)對，把每個點(diǎn)的距離誤差相加，然后計算平均距離誤差。假設(shè)我們對兩次點(diǎn)云掃描進(jìn)行匹配。我們的目標(biāo)是通過點(diǎn)云旋轉(zhuǎn)和平移來最大限度地降低這一平均距離誤差，就可以在傳感器掃描和地圖之間找到匹配，將通過傳感器掃描到的車輛位置轉(zhuǎn)換為全球地圖上的位置并計算出在地圖上的精確位置。

濾波算法是另一種LiDAR定位方法。將通過傳感器掃描到的位置轉(zhuǎn)換為全球地圖上的位置并進(jìn)算出在地圖上的精確位置。濾波算法可消除冗余信息并在地圖上找到最可能的車輛位置。Apollo使用了直方圖濾波算法，該方法有時也被稱為誤差平方和算法（SSD）。為了應(yīng)用直方圖濾波，將通過傳感器掃描的點(diǎn)云滑過地圖上的每個位置，在每個位置上計算掃描的點(diǎn)與高精度地圖上的對應(yīng)點(diǎn)之間的誤差或距離然后對誤差的平方求和，求得的和越小掃描結(jié)果與地圖之間的匹配越好。在事例中，藍(lán)色表示較好，紅色教差，綠色表示一般。

卡爾曼濾波是另一種LiDAR定位方法，卡爾曼濾波用于根據(jù)我們在過去的狀態(tài)和新的傳感器測量結(jié)果預(yù)測我們當(dāng)前的狀態(tài)。具體來說，卡爾曼濾波使用了預(yù)測更新周期，首先我們根據(jù)之前的狀態(tài)以及對移動距離的方向來估計我們的新位置。當(dāng)然運(yùn)動估計并不完美，所以需要通過使用傳感器測量我們的位置并加以糾正。一旦傳感器測量了我們的新位置，我們便可以使用概率規(guī)則將不完美的測量結(jié)果與現(xiàn)有位置匹配起來。我們會永遠(yuǎn)遵循這個預(yù)測更新周期，只要我們需要對車輛進(jìn)行定位，先預(yù)測我們的新位置，然后用傳感器測量我們的位置。LiDAR定位的主要優(yōu)勢在于穩(wěn)健性，只要從高精地圖開始并且存在有效的傳感器，就始終能夠進(jìn)行定位。主要缺點(diǎn)在于難以構(gòu)建高精地圖并使其保持最新，事實(shí)上幾乎不可能讓地圖完全保持最新，因?yàn)閹缀趺總€地圖均包含瞬態(tài)元素，汽車，行人，停放的汽車，垃圾等。

2.4 視覺定位

圖像是要收集的最簡單的數(shù)據(jù)類型，攝像頭便宜且種類繁多，易于使用。通過圖像實(shí)現(xiàn)精確定位卻非常困難，實(shí)際上攝像頭圖像通常與來自其他傳感器的數(shù)據(jù)相結(jié)合以準(zhǔn)確定位車輛，將攝像頭數(shù)據(jù)與地圖和GPS數(shù)據(jù)相結(jié)合，比單獨(dú)使用攝像頭圖像進(jìn)行定位的效果更好。假設(shè)一輛車正在路上行駛，感知到右邊有樹，但是地圖顯示道路右側(cè)有幾棵樹有很多不同的點(diǎn)位置。如何知道車輛現(xiàn)在看到哪棵樹？我們可以使用概率來確定哪個點(diǎn)最可能代表我們的實(shí)際位置。有些店是無法看到右邊有樹，可以先排出。

繼續(xù)開車可以發(fā)現(xiàn)，有些點(diǎn)右邊只有一棵樹，也可以排出。

該過程稱為粒子濾波。當(dāng)然樹木在許多道路上比較稀少，但是車道線在許多道路上卻很常見，可以使用相同的粒子濾波原理對車道線進(jìn)行拍照，然后使用拍攝的圖像來確定車輛在道路中的位置，可以將道路攝像頭圖像與地圖進(jìn)行比較。如圖所示，藍(lán)色代表地圖上兩個不同位置的車道線，紅色代表車輛攝像頭觀察到的車道線，紅線與右側(cè)藍(lán)線的匹配度要比與左側(cè)藍(lán)線的匹配度高得多，更有可能位于右側(cè)圖像位置上。

視覺定位的優(yōu)點(diǎn)在于圖像數(shù)據(jù)很容易獲得，缺點(diǎn)在于缺乏三維信息和對三維地圖的依賴。

高精地圖不僅可以減少計算需求，還可以通過提供有關(guān)駕駛環(huán)境的詳細(xì)信息，來確保無人車的安全。保持這些地圖的更新是一項(xiàng)重大任務(wù)，測試車隊需要不斷地對高精度地圖進(jìn)行驗(yàn)證和更新。此外，這些地圖可能達(dá)到幾厘米的精度，這是水準(zhǔn)最高的制圖精度。

2.5 Apollo定位

Apollo使用基于GPS、IMU、激光雷達(dá)的多傳感器融合定位系統(tǒng)，這種方法利用了不同傳感器的互補(bǔ)優(yōu)勢，也提高了穩(wěn)定性和準(zhǔn)確性。

Apollo定位模塊依賴于GPS、IMU、激光雷達(dá)、雷達(dá)、高精地圖，這些傳感器同時支持GNSS定位和LiDAR定位，GNSS定位輸出位置和速度信息，LiDAR定位輸出位置和行進(jìn)方向信息。融合框架通過卡爾曼濾波將這些輸出結(jié)合在一起。

卡爾曼濾波建立在兩步預(yù)測測量周期之上，在Apollo中，慣性導(dǎo)航解決方案用于卡爾曼濾波的預(yù)測步驟，GNSS和LiDAR定位用于卡爾曼濾波的測量結(jié)果更新步驟。

更多詳細(xì)課程內(nèi)容，大家可以登陸官網(wǎng)繼續(xù)學(xué)習(xí)！

也可以添加社區(qū)小助手（Apollodev）為好友，回復(fù)“課程學(xué)習(xí)”進(jìn)群與其他開發(fā)者共同交流學(xué)習(xí)。 ?

自課程上線以來，瀏覽量已超10萬，已幫助全球97個國家約 7000 名學(xué)員入門自動駕駛與 Apollo 開源平臺，其中37%為海外學(xué)員，本門課程已成為優(yōu)達(dá)學(xué)城 (Udacity) 近期獲得關(guān)注度最高的免費(fèi)課程之一

總結(jié)

以上是生活随笔為你收集整理的Apollo自动驾驶入门课程第③讲 — 定位的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。