柚子快報邀請碼778899分享：自動駕駛之定位技術總結(jié)

http://yzkb.51969.com/

1 前言2 典型的單個定位方式2.1 基于通信的定位方法2.1.1 GNSS 全球衛(wèi)星導航系統(tǒng)2.1.1.1 gnss的優(yōu)點與缺點2.1.1.2 gnss定位技術2.1.1.2.1 RTK定位技術2.1.1.2.2 PPP定位技術

2.1.1.2 gnss定位技術總結(jié)

2.1.2 車聯(lián)網(wǎng)定位

2.1 基于航位推算的定位方法2.1.1 慣性測試單元定位IMU2.1.1.1 IMU陀螺儀的三個角度2.1.1.2 IMU的優(yōu)缺點2.1.1.3 IMU的預積分算法2.1.1.4 IMU的構成2.1.1.5 IMU的輸出信號

2.1.2 里程計估計定位（Odometry）2.1.2.1 輪式里程計（輪速計）2.1.2.2 激光里程計2.1.2.3 視覺里程計2.1.2.4 慣性里程計

2.3 **基于特征匹配的定位方式**2.3.1 高精地圖2.3.2 激光雷達定位2.3.3 雷達定位2.3.4 超聲波定位2.3.5 相機定位

2.4 單個定位技術對比

3 融合定位技術**3.1 GPS/IMU融合定位****3.2 Camera/IMU融合定位**3.2.1 特性互補3.2.2 視覺與 IMU 松耦合3.2.3 視覺與 IMU 緊耦合3.2.4 融合視覺 與 IMU 數(shù)據(jù)的 SLAM 系統(tǒng)

**3.3 LiDAR/Camera融合定位****3.4 多種方式混合定位**

**4 SLAM系統(tǒng)**5 ADAS ICA 等自動駕駛專有名詞

1 前言

自動駕駛技術主要分為四個部分：環(huán)境感知、地圖定位、決策規(guī)劃、控制執(zhí)行。環(huán)境感知是指對車輛周圍環(huán)境信息進行采集和處理，主要包含車輛與行人的識別檢測，車道線檢測等。定位是指以精確的方式確定車輛在環(huán)境中的當前位姿。決策與規(guī)劃是在感知和定位的前提下，根據(jù)環(huán)境和定位信息進行路徑規(guī)劃，并實施相應的控制策略來代替人類的駕駛決策?？刂婆c執(zhí)行則是負責車輛的加速、減速與轉(zhuǎn)向。

所以定位目的在于明確車輛相對于全局的絕對位置或相對于周邊環(huán)境（道路、行人等）的相對位置，以及車子的朝向、前后左右的傾斜程度（也就是說定位是：知道車在哪以及車的姿態(tài)，也就是車的位姿），定位精度直接決定了自動駕駛的安全性和準確性。

下面對已有的定位方法進行系統(tǒng)的梳理，重點分析各種定位方式的基本原理和優(yōu)缺點，以及對現(xiàn)階段典型的組合定位方式進行梳理，最后做出了定性和定量的對比。

2 典型的單個定位方式

從所使用的方法層面上，單個定位方式可以劃分成三類：基于通信、基于航位推算和基于特征匹配的方式，下圖為自動駕駛中單個定位方式概覽圖

2.1 基于通信的定位方法

2.1.1 GNSS 全球衛(wèi)星導航系統(tǒng)

全球衛(wèi)星導航系統(tǒng)(Global Navigation Satellite System，GNSS)包含了以下幾種定位系統(tǒng)：

美國的全球定位系統(tǒng)（Global Positioning System，GPS）中國的北斗衛(wèi)星導航系統(tǒng)歐洲的伽利略（Galileo）俄羅斯的格洛納斯（GLONASS）

是目前自動駕駛中最常用最基本的定位方式

2.1.1.1 gnss的優(yōu)點與缺點

優(yōu)勢：GNSS是在高精度地圖生產(chǎn)過程中唯一可以提供絕對位置的傳感器。所以現(xiàn)在的自動駕駛方案都會有GNSS傳感器的身影

缺點：因為gnss需要接收來自衛(wèi)星微弱的信號來實現(xiàn)定位，很容易受環(huán)境的影響。城市峽谷或者林蔭路會導致定位精度的急速下降，甚至在隧道等場景下完全不可用。所以單獨的GNSS傳感器肯定無法滿足我們L4/L5級別的自動駕駛需求，所以在自動駕駛的定位系統(tǒng)中一般采用組合定位方式，來增強定位的精確性和穩(wěn)定性。

2.1.1.2 gnss定位技術

GNSS傳感器可以提供高精度位置的技術主要有兩種（這兩種技術也可以說是GNSS技術的輔助技術）：載波相位差分定位（RTK）和精密單點定位（PPP）

2.1.1.2.1 RTK定位技術

RTK，英文全名叫做Real-time kinematic，也就是實時動態(tài)載波相位差分定位技術，可以說RTK技術一個對GNSS進行輔助的技術

什么是RTK技術？

先了解下GNSS技術，GNSS衛(wèi)星之所以能夠?qū)Φ厍蛏系慕K端（例如手機、汽車、輪船、飛機等）進行定位，依靠的是三維坐標系。

它是通過測量已知衛(wèi)星到接收機之間的距離（這個距離也被稱為“偽距”），然后綜合多顆衛(wèi)星的數(shù)據(jù)進行計算，就可以知道接收機的具體位置。當然這個定位是存在誤差的：

衛(wèi)星星載時鐘和接收機上的時鐘不可能總是同步，所以會造成時間上的偏差。衛(wèi)星信號在經(jīng)過大氣層、對流層以及遇到障礙物時會出現(xiàn)各種反射，導致傳播路徑變長，出現(xiàn)測距誤差

這些原因造成的誤差高達2~10m

此時出現(xiàn)RTK技術，能夠更好地消除誤差、提高定位精度。

RTK技術通過基準站和流動站同時接收來自多顆衛(wèi)星的觀測數(shù)據(jù)，基準站把接收到的數(shù)據(jù)實時發(fā)送到流動站，流動站結(jié)合自身接收數(shù)據(jù)和基準站發(fā)射數(shù)據(jù)完成差分計算，從而精確地計算出流動站的三維坐標和精度。這種方法能夠消費大氣層、對流層以及時鐘等誤差，從而獲得高定位精度，達到厘米級。

第①步，基準站先觀測和接收衛(wèi)星數(shù)據(jù)。 第②步，基準站通過旁邊的無線電臺（數(shù)據(jù)鏈），將觀測數(shù)據(jù)實時發(fā)送給流動站（距離一般不超過20公里）。 第③步，流動站收到基準站數(shù)據(jù)的同時，也觀測和接收了衛(wèi)星數(shù)據(jù)。 第④步，流動站在基準站數(shù)據(jù)和自身數(shù)據(jù)的基礎上，根據(jù)相對定位原理，進行實時差分運算，從而解算出流動站的三維坐標及其精度，其定位精度可達1cm~2cm。至此，測量完成

傳統(tǒng)的RTK技術：流動站和基準站之間存在距離限制

距離越遠，誤差因素差異變大，定位精度就會下降。而且，距離遠了，超過了無線電臺的通信范圍，也就無法工作了

網(wǎng)絡RTK技術：在網(wǎng)絡RTK技術中，在一個較大的區(qū)域內(nèi)，均勻分散設置多個基準站（3個或以上），構成一個基準站網(wǎng)，

網(wǎng)絡RTK相比傳統(tǒng)RTK，其實是用區(qū)域型的GNSS網(wǎng)絡誤差模型取代了單點GNSS誤差模型

多個基準站組成的基準站網(wǎng)，它們將數(shù)據(jù)發(fā)給中央服務器。中央服務器會根據(jù)數(shù)據(jù)，模擬出一個“虛擬基準站”。（所以，網(wǎng)絡RTK也被稱為“虛擬基準站技術”或“虛擬參考站技術”

其次，對于用戶來說，不需要自建基準站，節(jié)約了大量成本（只需要支付一些通訊費用）

RTK定位技術已經(jīng)非常成熟，而且國內(nèi)也存在多家差分數(shù)據(jù)提供商以及國內(nèi)外存在不下數(shù)十家的定位模組提供商，簡單配置即可獲得絕對的高精度位置，存在大量的商業(yè)應用案例

2.1.1.2.2 PPP定位技術

PPP定位技術，或者說延伸的PPP-RTK定位技術，個人看到的明顯優(yōu)于RTK技術的兩個方面：

第一，可以在沒有網(wǎng)絡的情況下依然可以獲取高精度位置；

第二，存在比較明朗的完好性技術路線。

PPP技術除了需要處理衛(wèi)星信號，也需要接收服務商提供的精密衛(wèi)星軌道鐘差/偽距載波偏差/大氣改正信息，修正后固定單差模糊度，進而獲得高精度的位置。

當然也有部分主機廠，選擇使用PPP-RTK技術。PPP-RTK技術可以認為是PPP的高級形態(tài)，也有人認為是PPP與RTK的融合，更有人吹噓說是下一代的定位技術，暫時沒有一個很明確的定義。

2.1.1.2 gnss定位技術總結(jié)

GNSS傳感器基本上是自動駕駛不可或缺的硬件之一，RTK技術基本上是現(xiàn)在的主流自動駕駛采用的定位技術，也存在部分廠家采用了成本相對較高的PPP-RTK技術。

2.1.2 車聯(lián)網(wǎng)定位

車聯(lián)網(wǎng)(Vehicle to Everything，V2X)指車輛與其他一切事物的連接和信息交互，包含車輛對車輛通信（Vehicle to Vehicle，V2V）、車輛對基礎設施通信（Vehicle to Infrastructure，V2I）、車輛對行人通信（Vehicle to Pedestrian，V2P）等，實現(xiàn)“聰明的車，智能的路”的協(xié)同。目前主流的通信標準有兩個，一個是專用短程通信技術 （Dedicated Short-Range Communications, DSRC），它多應用在碰撞預警等場合；另一個是采用蜂窩通信網(wǎng)絡的長期演進技術-車輛通信（ Long Term Evolution - Vehicle，LTE-V）標準，該標準在從LTE-V2X逐步向NR-V2X演進發(fā)展

V2V定位的基本原理是利用車輛自組網(wǎng)（Vehicular Ad-hoc Network，VANET），整合相鄰車輛的位置信息進行定位。優(yōu)點是：1）可以獲取視野以外的車輛位置, 2）成本低，3）數(shù)據(jù)處理量小。缺點是在高速移動場景下，車輛與車輛之間的連接切換頻繁，導致穩(wěn)定性低。

V2I定位采用與路邊單元 (Road Side Unit，RSU)或者蜂窩基站通信的方式，獲取位置信息。它有以下優(yōu)點：1）因使用固定安裝的RSU,定位精度高；2）穩(wěn)定性好。當然也有缺點：1）為實現(xiàn)連續(xù)通信，需要安裝大量的RSU,因此，成本較高。

所以車聯(lián)網(wǎng)定位在自動駕駛中用的較少。

2.1 基于航位推算的定位方法

利用物體的初始位置，通過觀測物體的移動方向和距離，推測下一時刻位置的方法。此種方法是比較傳統(tǒng)的定位方式，主要分為慣性導航定位系統(tǒng)（Inertial Navigation System，INS）和里程計定位兩種方式

2.1.1 慣性測試單元定位IMU

（慣導系統(tǒng)不是IMU，IMU只是慣導系統(tǒng)里面最常用的器件，但一般我們將IMU出來的數(shù)據(jù)稱為Inertial data 慣導數(shù)據(jù)）

在慣性導航定位系統(tǒng)中，最常用的器件是慣性測量單元（Inertial Measurement Unit，IMU）。它通過測量出物體的三個軸上的加速度和角速度（加速度用加速度計，角速度用陀螺儀）實現(xiàn)相對定位，其坐標系示意圖如圖4所示。一般情況，它包含3個方向的加速度計（用于獲取加速度，積分后得到速度）和3個單軸的陀螺儀（用于獲得方位角角速度，積分后得到俯仰角pitch和橫滾角roll）。為了提高姿態(tài)的估計精度，一些IMU內(nèi)還會添加磁力計（估計偏航角yaw）

（加速度積分得到該物體的速度。再積分得到該物體的位置或者說距離。角速度得到物體在旋轉(zhuǎn)過程中所轉(zhuǎn)過的角度，也就是角位移。所以IMU可以得到位置和姿態(tài)，分別由加速度計和陀螺機獲得，但是是相對定位）

2.1.1.1 IMU陀螺儀的三個角度

IMU中有三個角度，roll，pitch和yaw

yaw:即偏航角ψ,圍繞Z軸旋轉(zhuǎn)的角度

pitch:即俯仰角0,圍繞Y軸旋轉(zhuǎn)的

roll:滾轉(zhuǎn)角Ф,圍繞X軸旋轉(zhuǎn)的角度

在自動駕駛汽車來說的話，在平面上跑的話，不會存在roll和pitch，只有yaw偏航角，類似于左轉(zhuǎn)右轉(zhuǎn)這種

2.1.1.2 IMU的優(yōu)缺點

該定位方式重要有以下優(yōu)點：1）不依賴于外部環(huán)境，可獨立工作，也可復雜環(huán)境條件下工作；2）更新頻率高（100Hz）；3）可獲取六個自由度的信息。主要缺點有：1）長里程定位，誤差會累計，存在漂移現(xiàn)象；2) 精度受環(huán)境溫度影響。因GPS沒有累計誤差，IMU不受多路效應和遮擋的影響，所以IMU常與GPS結(jié)合一起定位

2.1.1.3 IMU的預積分算法

預積分的目的：

IMU通過加速度計和陀螺儀測出的是加速度和角速度，通過積分獲得兩幀之間的旋轉(zhuǎn)和位移的變換；在后端非線性優(yōu)化的時候，需要優(yōu)化位姿，每次調(diào)整位姿都需要在它們之間重新傳遞IMU測量值，需要重新積分，這將非常耗時，為了避免重新傳遞測量值，所以采取預積分策略；

2.1.1.4 IMU的構成

IMU是通過測量出物體的三個軸上的加速度和角速度（加速度用加速度計，角速度用陀螺儀）實現(xiàn)相對定位的，所以常見的IMU是由三軸的加速度計和三軸的陀螺儀構成的，也成為**六軸的IMU，有些還包含三軸的磁力計，成為九軸的IMU。用于自動駕駛中的航位推算**。

2.1.1.5 IMU的輸出信號

IMU輸出的不是位置信號，經(jīng)緯度信息是GNSS輸出的部分信號，而IMU輸出的是六個（2組）信號，分別是3個加速度信號和3個角速度信號，這兩組信號互相取長補短，以此來解算所測試物體的位姿

2.1.2 里程計估計定位（Odometry）

里程計是一種利用從移動傳感器獲得的數(shù)據(jù)來估計物體位姿隨時間的變化而改變的**方法**，請注意他并不是某個物件。

他的輸出是{pose[0],pose[1],pose[2]}

各種里程計分類就是通過不同的傳感器類型去估計物體的位姿隨時間的變化的算法

比如說輪式里程計，他并不是某個具體的傳感器，而是通過輪速編碼器去計算車輛底盤位姿的一種算法

里程計信息是指車輛行駛的距離，通常以米為單位。為了得到里程計信息，需要對 yawrate 和 speed 信息進行積分

具體來說，對 speed 信息進行積分可以得到車輛行駛的距離，對 yawrate 信息進行積分可以得到車輛的航向角度。將這兩個積分結(jié)果結(jié)合起來，就可以得到車輛的里程計信息

需要注意的是，積分過程中會存在誤差累積的問題，因此需要對積分結(jié)果進行修正和校準，以提高里程計信息的準確性

里程估計（odometry）的方式分為內(nèi)部感知和外部感知（相當于人閉著眼睛和睜開眼睛走路的兩種模式），內(nèi)部感知有電機碼盤和IMU，外部感知有激光里程計和視覺里程計，如下圖：

目前來講視覺里程計是最為熱點的研究

2.1.2.1 輪式里程計（輪速計）

輪式里程計是一種通過安裝在輪子上的傳感器（輪速編碼器）獲取車輛速度和位移的信息的一種算法。它一般分為三類：純機械式、機械-電子式和純電子式。例如純電子式旋轉(zhuǎn)編碼器，根據(jù)電磁感應原理，將輪胎轉(zhuǎn)動圈數(shù)轉(zhuǎn)變成電壓信號，以此測量行駛速度和角度；再通過對速度在時間軸上的積分（通過積分處理之后的數(shù)據(jù)才是里程計信息），實現(xiàn)定位的目的

輪式里程計定位優(yōu)點在于1）簡單易用；2）體積小、成本低；3）短距離內(nèi)，定位精確高。與IMU定位類似，該方法也有類似的缺點：1）誤差會隨時間而累積；2）輪子滑動或者道路不平情況下，會導致定位精度降低。因此，在行人導航和室內(nèi)導航中應用較多，在自動駕駛中，常用作輔助定位

2.1.2.2 激光里程計

LO laser odometry：是通過激光雷達的方式去做里程估計的。激光雷達又是通過產(chǎn)生3D點云地圖，然后使用特定的算法（如基于REGISTRATION的方法、基于FEATURES的方法或基于DEEP LEARNING的方法）對比當前采集的點云數(shù)據(jù)特征，找出車輛所在的位置和朝向（位姿）。

激光雷達是通過點云信息進行處理，視覺里程計是通過圖像信息進行處理

2.1.2.3 視覺里程計

研究熱點

VO visual odometry：視覺里程計是通過車輛卸載的攝像頭傳感器得到的圖像信息來估計自身的運動的算法

2.1.2.4 慣性里程計

慣性里程計也就是我們說的IMU

IMU是一個集成的模塊，直接放在車里面就可以。

2.3 基于特征匹配的定位方式

2.3.1 高精地圖

為了實現(xiàn)高度自動駕駛，業(yè)界普遍認為，高精地圖（High Definition Map，HD Map）是必不可少的。對于基于特征匹配的定位方式，更是如此。高精地圖直接影響定位的精度，同時為規(guī)劃模塊提供基本的數(shù)據(jù)支持。

但對于高精地圖的具體形式，目前還沒有統(tǒng)一的標準。目前高精地圖分為兩類：平面分層地圖和3D點云地圖。前者通過衛(wèi)星和航空影像，獲取基本的地圖圖層信息，再加上車道級別路網(wǎng)信息，形成HD Map。它在不同的地圖層上顯示不同的道路環(huán)境信息；后者通過3D傳感器，如激光雷達、相機等，獲取地圖中元素的三維信息，形成HD Map，如圖5所示。Liu 等出了類似但不完全相同的分類方式。它將高精地圖分為三個子模型：用于導航整體路線的道路模型（Road Model）、用于車道局部路線規(guī)劃的車道模型（Lane Model）,及用于輔助定位的定位模型（Localization Model），同樣具有重要的參考意義。

高精地圖示例。綠色點為道路及周邊點云模型，帶箭頭的直線和弧線為車道矢量模型

關于HD Map的數(shù)據(jù)格式標準，目前有2種較為流行：導航數(shù)據(jù)標準（Navigation Data Standard，NDS）和開放駕駛標準（OpenDRIVE）。這兩者與傳統(tǒng)的地理數(shù)據(jù)文件（Geographic Data File，GDF）標準對比如表1所示。不論使用哪一種分類方式，高精地圖在基于特征匹配定位的方式上，都起重要作用

值得說明的是，高精地圖區(qū)別于傳統(tǒng)地圖的重要一方面是，地圖的精度從米級上升到厘米級。一個典型的例子是定位精度從道路級別，上升到車道級別。同時，未來的高清地圖需要依靠空中下載技術（Over The Air，OTA）進行實時動態(tài)更新，5G技術和云計算的發(fā)展將推動其快速前進

2.3.2 激光雷達定位

激光雷達（Light Detection and Ranging，LiDAR），是由傳統(tǒng)的雷達技術和現(xiàn)代的激光技術結(jié)合而成，通過發(fā)射“激光”，檢測飛行時間，以確定自身到測量物之間的距離。根據(jù)測量維數(shù)的不同，LiDAR可分為線性、平面和三維3種類型

使用激光雷達進行定位時，首先通過采集車獲取道路信息，利用建圖技術生產(chǎn)出3D點云地圖，然后使用特定的算法（如基于REGISTRATION的方法、基于FEATURES的方法或基于DEEP LEARNING的方法），對比當前采集的點云數(shù)據(jù)特征，找出車輛所在的位置和朝向

激光雷達具有如下優(yōu)點：1）可直接產(chǎn)生豐富的空間數(shù)據(jù)，如點的3D坐標和紋理等；2）因為分辨率較高（距離、角度和速度），所以精度高、實時性好；3）抗干擾能力強，因激光波長較短，一定程度減小了多路效應；4）不受光照強度影響；5）體積小，安裝方便。但也有一些缺點：1）受環(huán)境中氣候的影響較大，如在雨、雪、霧、塵等極端天氣下，傳播距離會急劇衰減；2）價格高，這是目前很多汽車廠商（如TESLA）試圖尋找其他定位方案的重要原因；3）數(shù)據(jù)量較大，需要高效的處理流程。

因自動駕駛對定位精度有較高的要求，所以激光雷達發(fā)揮越來越重要的作用。目前在RTK信號缺失時，使用激光雷達和高精地圖進行匹配是主流的高精定位方式。機械式的激光雷達現(xiàn)階段比較成熟，但因其旋轉(zhuǎn)部件成本較高，低成本的固態(tài)式的激光雷達獲得了逐步發(fā)展的機會。不過固態(tài)激光雷達也有自身的局限性，如水平視角（小于180°）不如機械式的激光雷達。所以多個固態(tài)激光雷達組合使用，可能是未來一種成本低、覆蓋范圍廣的高精度定位方式

2.3.3 雷達定位

雷達（Radio Detection and Ranging，RADAR）是利用“電磁波”探測物體的距離、方向、速度或高度等的設備。按照波長，它可劃分為毫米波雷達、分米波雷達等。目前在自動駕駛領域，應用較廣泛的是毫米波雷達（頻率范圍10GHz~300GHz，其中常用的頻段有24GHz和77GHz）。根據(jù)傳播的距離，可將毫米波雷達分為短程雷達 (Short Range RADAR，SRR)、 中距雷達 (Medium Range RADAR，MRR)和長程雷達 (Long Range RADAR，LRR)。

整體來說，毫米波雷達有如下優(yōu)點：1）可全天候工作，因其對煙霧和灰塵等有較強的穿透能力（除大雨天）；2）空間分辨率高；3)相對視覺和激光雷達而言，可以用來測量物體速度；4）天線尺寸較小，功耗低。當然，它也有自身的缺點：1）探測距離受制于頻段損耗，即頻段越高，探測距離才有可能越遠；2）現(xiàn)階段高頻（如77GHz）的毫米波技術發(fā)展不成熟。

（1）SRR

短程雷達，主要使用24GHz的頻段。它的探測距離較近，有30m左右，不過探測角度相對較大，最高可達120°左右。短程雷達有成本低，技術發(fā)展相對成熟的優(yōu)點，同時也有體積相對較大的缺點。鑒于上述情況，短程雷達主要用于盲區(qū)檢測、車道保持、變道輔助和泊車輔助等場合。

（2）MRR/LRR

中程雷達，主要使用76-77GHz的頻段，探測距離在60m左右，探測角度可達60°左右。對于長程雷達，主要使用77GHz頻段，探測距離一般可達在200m左右，探測角度一般只有20°左右。中長程雷達相對短程雷達，具有1）檢測精度較高，2）體積小的優(yōu)點；但同時也有1）制作工藝要求高，2）目前發(fā)展還不夠成熟的缺點。鑒于此，它一般應用場合有輔助剎車、和緊急制動等。圖7為三種車載毫米波雷達探測范圍的一個示例

2.3.4 超聲波定位

超聲波（Ultrasound，又稱超聲波雷達）定位，即使用發(fā)射探頭發(fā)出頻率大于20KHz的聲波和計算飛行時間來探測距離。常用的超聲波頻率有40KHz、48KHz和58KHz，其中最常用的頻率是40KHz。使用超聲波定位，一般精度在1cm3cm之間，探測適用范圍在0.2m5m之間。

優(yōu)點如下：1）穿透能力強，一定程度上可以防水、防沙、防塵；2）成本低；3）不受電磁效應的干擾。這種方式也有一些缺點：1）檢測角度小、探測距離短，因此一輛車上會選擇安裝多個超聲波傳感器，并在低速行駛中使用；2）無法精確描述障礙物的位置，如兩個障礙物同時返回相同的探測距離時；3）抗干擾能力差，易受到車速、震動、溫度及濕度的影響。

由于以上特點，超聲波在倒車、自動泊車、盲區(qū)檢測等方面廣泛應用，如圖8所示。常用的超聲波雷達有兩種，停車輔助（Ultrasonic Parking Assistance，UPA）超聲波雷達和自動泊車（Automatic Parking Assistance，APA）超聲波雷達。UPA超聲波雷達探測范圍較近，一般在0.1m2.5m，常安裝在車輛的前后保險杠上，輔助倒車。APA超聲波雷達探測距離稍遠，在0.3m5m左右，一般安裝在車輛的側(cè)面，且具有較強的指向性，用于探測車輛左右兩側(cè)的障礙物。不過相比之下，APA功率略大，成本略高

超聲波在倒車時的應用示意圖。藍色扇形區(qū)域為APA超聲波雷達探測范圍，透明扇形區(qū)域為UPA超聲波雷達探測范圍

2.3.5 相機定位

基于圖像的相機定位，是基于視覺的定位（Vision-Based Localization，VBL）中的一個重要研究領域。視覺定位是指在一個已知的空間表示（如矢量地圖、點云地圖等）中，使用視覺類的數(shù)據(jù)元素，檢索出物體位姿（位置和朝向）的方法。這些視覺元素有圖像、3D模型和彩色點云等，它們包含光學信息、幾何信息和語義信息等。

總體來說，視覺定位有以下優(yōu)點：1）硬件成本低，技術相對成熟；2）特定場合精度高（如交通標示識別）；3）提供的信息量充足；4）信息直觀方便。但也有缺點：1）對光照依賴較大，在逆光、強光、黑夜、霧、霾及雨雪天氣情況下定位困難；2）紋理少的區(qū)域，定位精度低；3）精度依賴圖像分辨率、計算量較大，距離較遠時物體分辨困難。

這里主要討論自動駕駛應用場景下的基于圖像的視覺定位的幾個重要方法：多點透視問題（Perspective n Point，PnP）問題、視覺里程計（Visual Odometry，VO）、路標定位，以及與此關系密切的基于視覺的同步定位與地圖構建技術（Visual Simultaneous Localization And Mapping，V-SLAM，或稱為視覺SLAM）

2.4 單個定位技術對比

GPS在大場景室外定位中扮演重要角色；V2X提供的精確的信息對車輛定位有較大幫助；IMU因其獨立作業(yè)的優(yōu)點，對環(huán)境的**魯棒性**較好；LiDAR在獲取精確的尺度信息和地圖構建上很有優(yōu)勢；RADAR定位在兼顧精度和距離的同時，對天氣的適應能力更強；相機定位在精度和距離上有很大的發(fā)展空間。當然，沒有哪種定位方式可以適用于所有場景，最終的決定因素在于用戶的需求

3 融合定位技術

3.1 GPS/IMU融合定位

融合GPS和IMU進行定位是較典型的方式。一方面GPS依賴于外部衛(wèi)星信號，易受天氣、電磁波等的干擾，面臨隧道無信號、有多路效應等問題；而IMU不依賴于外部信號，不會受上述因素的影響。一方面IMU有累計誤差，而GPS的誤差不會累計,所以兩者取長補短（IMU每5ms更新一次，但是誤差不斷累計；每100ms，可以得到一次GPS數(shù)據(jù)更新，對IMU累計的誤差進行校正）。但是在這種融合方式下，IMU在勻速運動時加速度計失效的情況，只能靠GPS單方面進行速度估計，不過普通GPS的米級精度對自動駕駛來說是不夠的。然而，隨著RTK-GPS技術的發(fā)展和普及，低成本的厘米級精度的方案也是可以預見的事情。

GPS和IMU的融合方式有兩種：松耦合和緊耦合。松耦合的工作原理是兩個系統(tǒng)單獨工作，得到最終結(jié)果（位置和速度）后，再進行卡爾曼濾波，對IMU進行補償校驗。它具有簡單易實現(xiàn)的優(yōu)點，也有定位精度低的缺點。緊耦合將接收到的GPS原始數(shù)據(jù)直接與IMU的輸出一起進行校正，最終得到一個統(tǒng)一的估計結(jié)果。它具有精度高的優(yōu)點，但實現(xiàn)較復雜?；?*GPS/IMU定位的方式，還可以與輪式里程計定位相結(jié)合**。如冼承鈞等[40]提出的多傳感器融合導航方法，Dedicated Short-Range Communications, DSRC當GPS有效時，使用GPS/IMU定位；當GPS失效時，使用里程計抑制IMU誤差的累計，進行定位。

此外人們還提出了不依賴與GNSS的定位，如下面兩種融合方式。

3.2 Camera/IMU融合定位

將相機（單目相機、雙目相機和RGB-D相機）與慣性測量單元IMU進行融合，形成的視覺慣性里程計（Visual-Inertial Odometry，VIO）,也是目前較為經(jīng)典的、低成本的融合定位方式。它們組合在一起的導航系統(tǒng)，被稱之為視覺慣性導航系統(tǒng)（Visual-Inertial Navigation System，VINS）。

相機類別優(yōu)點缺點單目相機成本低、計算量少、使用方便具有尺度不確定性、初始化容易漂移雙目相機可通過雙目計算深度計算量較大RGB-D 相機測距準確成本高、受日光干擾、測量范圍小

融合的主要原因在于，相機可以提供豐富的場景信息，但獲取尺度信息困難，且受環(huán)境（光照、天氣等）影響較大，而IMU可提供尺度信息，基本不受環(huán)境影響。同時兩者成本都較低、功耗小，所以常被用作GNSS無效的情況下（隧道、地下停車場等環(huán)境下）、低成本、高精度的定位方案。

3.2.1 特性互補

IMU 在長時間運動情況下累積誤差會越來越大，而短時間內(nèi)對 IMU 數(shù)據(jù)進行處理可以得到較準確的位姿信息。因此，視覺與 IMU 能有效地進行優(yōu)勢互補，可根據(jù)視覺信息估計 IMU 的噪聲，同理可知，IMU 可為視覺提供圖像模糊時的定位。融合 IMU 和視覺可以得到更高的定位精度、提高系統(tǒng)魯棒性，IMU 數(shù)據(jù)與視覺數(shù)據(jù)融合的方式可分為松耦合和緊耦合

3.2.2 視覺與 IMU 松耦合

將 IMU 積分得到的位姿與視覺求解出來的位姿直接融合，一般使用卡爾曼濾波的方法對這兩種數(shù)據(jù)進行處理

3.2.3 視覺與 IMU 緊耦合

一般使用非線性優(yōu)化的方法處理視覺與 IMU 數(shù)據(jù)，并且能優(yōu)化傳感器的參數(shù)。

松耦合時， 視覺定位和 IMU 定位單獨計算，將結(jié)果數(shù)據(jù)融合，計算較為簡單。而緊耦合將兩傳感器的原始數(shù)據(jù)進行融合，考慮了兩傳感器噪聲的互相影響， 充分利用了數(shù)據(jù)，更易達到全局最優(yōu)解

所以一般選擇視覺與慣導的緊耦合實 現(xiàn)車輛在沒有 GPS 信號場景下的定位

3.2.4 融合視覺 與 IMU 數(shù)據(jù)的 SLAM 系統(tǒng)

相機與 IMU 具有互補性，融合視覺 與 IMU 數(shù)據(jù)的 SLAM 系統(tǒng)擁有更好的魯棒性和更高的精度

(魯棒性是指系統(tǒng)在面對不確定性因素時仍能保持穩(wěn)定和性能的能力)

3.3 LiDAR/Camera融合定位

相機可以獲取豐富的信息，但尺度信息獲取較為困難，但LiDAR能獲取精確的尺度信息，兩者可以優(yōu)勢互補。在制作HD Map過程中，兩者都發(fā)揮著不可或缺的作用。在車輛行駛過程中，可以通過LiDAR和Camera獲取當前位置的特征（如點云信息、車道信息等），然后跟事先已經(jīng)建立好的HD Map進行對比，實現(xiàn)精確定位。

Xu等人提出使用立體圖像匹配3D點云數(shù)據(jù)（位置、強度等信息）的定位方法。該方法首先將3D點坐標從世界坐標系轉(zhuǎn)換到相機坐標系，然后與圖像上對應的點進行對比定位。其定位誤差可達0.08m~0.25m。為滿足在不同季節(jié)變化環(huán)境中的定位，Viswanathan等人[44]首先采集不同季節(jié)的衛(wèi)星圖像；然后依據(jù)LiDAR數(shù)據(jù)將車輛全景相機拍攝的圖像分成地面和非地面部分，再進行變換得到鳥瞰圖；最后對比衛(wèi)星圖像的地面部分和上述鳥瞰圖以實現(xiàn)定位。Zuo等人為了提高定位的魯棒性和精度，提出LIC-Fusion，使用多狀態(tài)約束卡爾曼濾波器（Multi-State Constraint Kalman Filter，MSCKF）架構，將LiDAR、IMU和Camera進行數(shù)據(jù)融合。與此融合方式類似的工作，還有Zhao提出的融合了VIO和激光里程計（Lidar Odometry and Mapping，LOAM）、將精度優(yōu)化到1cm的VIL-SLAM。

當然欲達到自動駕駛的高精度、高可靠性，定位信息應該有冗余，以便于在某一個傳感器失效時，系統(tǒng)還能正常工作。下面探討多種傳感器混合的定位方式。

3.4 多種方式混合定位

自動駕駛是一個綜合性的任務，同一個傳感器不一定只能滿足一種需求（如使用相機可以用于定位，也可以用于檢測目標、分析語義）；同樣，多個傳感器可能都具備某一種功能（如定位）。所以，充分發(fā)揮每一種傳感器的功能，是十分有意義的。

百度Apollo項目組的Wan等人，提出基于RTK-GNSS/IMU/LiDAR融合的定位方案。其充分利用LiDAR的強度和高度信息，在預先建立好的GMM（Gaussian Mixture Model）網(wǎng)格單元地圖上進行初步定位，然后融合RTK和IMU的定位結(jié)果，在復雜場景下（市區(qū)道路、隧道）達到5cm~10cm的橫向和縱向精度。與此類似，Levinson等人同樣使用GPS/IMU/LiDAR及概率網(wǎng)格地圖以實現(xiàn)高精度的定位；不同的是，該方法使用Bayes推理以減少地圖元素的不確定性，并試圖通過離線SLAM方法對地圖中的環(huán)境元素作對齊操作，以提高在動態(tài)環(huán)境中定位的魯棒性。

但是使用RTK或者LiDAR意味著成本較高。Suhr等人提出基于粒子濾波（Particle Filter，PF）的GPS/IMU/Camera融合的低成本定位方式。其使用道路標記(symbolic road marking，SRM，如車道線、直行箭頭和左轉(zhuǎn)箭頭等)制作輕量級的地圖，再使用相機檢測這些特定標記得到初步的位置信息，然后融合GPS/IMU/里程計的信息實現(xiàn)定位。不過該方式在沒有道路標記的地方，精度會有所下降。

4 SLAM系統(tǒng)

同步定位與建圖（Simultaneous Localization And Mapping，SLAM）技術

已經(jīng)在移動機器人領域活躍了幾十年，移動機器人領域的成功與解決 SLAM 問題緊密相關，即通過逐步構建的環(huán)境地圖來定位機器人。SLAM 可以應用在許多方向，從空間探索到自動駕駛。近些年，人們對智能汽車的關注進一步推動了汽車制造商對智能汽車的研究，SLAM 也成為了自動駕駛研究的重要方向之一。目前，智能汽車使用的 SLAM 技術按傳感器的不同可分為激光 SLAM 和視覺SLAM（Visual SLAM，SLAM）。使用激光雷達等距離傳感器在構建 2D 地圖方面已經(jīng)比較成熟，但激光雷達成本高、易受干擾、沒有周圍環(huán)境的語義信息。隨著計算機視覺技術的發(fā)展與 GPU 算力的提升，相機憑借其信息豐富、便攜、成本低等優(yōu)勢，在自動駕駛領域得到了廣泛的研究與應用，例如車道線檢測、行人車輛的目標檢測、交通標志識別等。因此， 視覺 SLAM 的研究有著非常重要的意義。

5 ADAS ICA 等自動駕駛專有名詞

高級駕駛輔助系統(tǒng)(Advanced Driving Assistance System，ADAS）

ADAS 通過安裝在車輛上的各類傳感器獲得汽車周圍的環(huán)境信息，識別靜態(tài)和動態(tài)物體并結(jié)合地圖導航定位數(shù)據(jù)，分析這些數(shù)據(jù)以確定潛在危險，將其與預先設定的預警等級對比，從而發(fā)出警報提示駕駛員采取必要措施。因此，ADAS 能有效的提高駕駛的安全性。高級駕駛輔助系統(tǒng)在實際應用中有著非常優(yōu)異的表現(xiàn)， 需求迅速增長，比較常用的高級駕駛輔助系統(tǒng)有盲區(qū)檢測系統(tǒng)、自動緊急制動、車道偏離警示系統(tǒng)、自動泊車系統(tǒng)、前向碰撞預警系統(tǒng)、防抱死系統(tǒng)等。

ICA（Integrated Cruise Assist）集成式巡航輔助系統(tǒng)：這是一種高速輔助駕駛功能，它在車速較高時（一般大于60Km/h）為駕駛員提供橫向和縱向的輔助駕駛。ICA可以看作是ACC（自適應巡航控制）和LKA（車道保持輔助）功能的組合，它控制車輛以一定的車速在車道線內(nèi)行駛。與TJA（交通擁堵輔助）不同的是，ICA的工作車速更高，而且始終把車輛維持在車道中心附近行駛，不具備無車道線時的跟車行駛功能。

NOA（Navigate on Autopilot）自動輔助導航駕駛：這種功能結(jié)合了“導航”和“輔助駕駛”，在原來L2輔助駕駛的基礎上（如車道線保持、自動跟車），加上車機的導航信息（如百度地圖），實現(xiàn)從A點到B點的自動駕駛。這種功能允許車輛自動變道，并根據(jù)導航信息行駛。

柚子快報邀請碼778899分享：自動駕駛之定位技術總結(jié)

http://yzkb.51969.com/

推薦閱讀