解决这三个问题就是真正的自动驾驶
自动驾驶定位技术就是解决“我在哪儿”的问题，并且对可靠性和安全性提出了非常高的要求。除了gps与惯性传感器外，我们通常还会使用lidar点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的效果。随着自动驾驶的发展，定位技术也一定会不断优化。
一般来讲，自动驾驶实际包含三个问题：一是我在哪？二是我要去哪？三是如何去？能完整解决这三个问题就是真正的自动驾驶。
定位技术就是解决“我在哪儿”的问题，并且自动驾驶需要的是厘米级定位。
目前自动驾驶的技术基本上都源自机器人，自动驾驶汽车可以看做是轮式机器人外加一个舒适的沙发组成。机器人系统中定位和路径规划是一个问题，没有定位，就无法规划路径。厘米级实时定位是目前自动驾驶最大的挑战之一。对机器人系统来说，定位主要靠slam与先验地图（prior map）的交叉对比。
slam是simultaneous localization and mapping的缩写，意为“即时定位与地图构建”。它是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程。
由于传感器种类和安装方式的不同，slam的实现方式和难度会有很大差异。按传感器来分，slam主要分为激光、视觉两大类。
自动驾驶通过定位技术准确感知自身在全局环境中的相对位置，将自身视作一个质点并与环境有机结合起来。
按定位技术原理不同可分为三类。第一类，基于信号的定位，代表就是gnss定位，即全球导航卫星系统；第二类，航迹推算，依靠imu等，根据上一时刻的位置和方位推断现在的位置和方位；第三类是环境特征匹配，基于lidar的定位，用观测到的特征和数据库中的特征和存储的特征进行匹配，得到现在车的位置和姿态。
现有的无人车高精度定位在某些情况下会出现定位不准的情况。因此仅依靠gps的定位方案可靠性太差。
因此自动驾驶一般用组合定位。首先本体感知传感器如里程计（odometry）、陀螺仪(gyroscopes)等，通过给定初始位置和姿势（简称位姿），来测量相对于机器人初始位姿的距离和方向来确定当前机器人的位姿，也叫做航迹推测。然后用激光雷达或视觉感知环境，用主动或被动标识、地图匹配、gps、或导航信标进行定位。位置的计算方法包括三角测量法、三边测量法和模型匹配算法等。从这个角度而言，imu也是自动驾驶必备的部件。
惯性传感器（imu）是检测加速度与旋转运动的高频（1khz）传感器，对惯性传感器数据进行处理后我们可以实时得出车辆的位移与转动信息，但惯性传感器自身也有偏差与噪音等问题影响结果。而通过使用基于卡尔曼滤波的传感器融合技术，我们可以融合gps与惯性传感器数据，各取所长，以达到较好的定位效果。
注意由于无人驾驶对可靠性和安全性要求非常高，所以基于gps和惯性传感器的定位并非无人驾驶里唯一的定位方式。
就目前定位技术而言，自动驾驶有三类定位方法，通常三种方法会被交叉使用，以相互纠正达到更精准的效果：
基于 gps 和惯性传感器的传感器融合；
基于 lidar 点云与高精地图的匹配；
基于视觉的道路特征识别。
这三类定位方法，都属于需要结合多个传感器联合来解决定位问题，以下为几个具体的定位方法：
1、业内通用的定位方式是gps+高精度地图+摄像机（激光雷达等）信息融合的定位方法。
激光雷达的slam，利用车辆自带的gps和imu做出大概位置判断，然后用预先准备好的高精度地图（prior map）与激光雷达slam云点图像与之对比，或者说registration，放在一个坐标系内做配准。配对（matching）成功后确认自车位置。这是目前最成熟，准确度最高的方法。
首先根据gps的数据（经纬高和航向）确定无人车大致处于哪条道路上，这个位置的可能与真实位置有5~10米的差距。
根据车载传感器检测的车道线（虚、实线）及道路边缘（路沿或护栏）的距离与高精地图提供的车道线及道路边缘做比对，然后修正无人车的横向定位。
根据车载传感器检测到的广告牌、红绿灯、墙上的标志、地上的标志（停止线、箭头等），与高精地图提供的同一道路特征（poi）进行匹配，进而修正纵向定位和航向。在没有检测到任何道路特征的情况下，可以通过航位推算进行短时间的位置推算。
无人车的定位算法通常采用粒子滤波的方法，需要多个计算周期后，定位结果才会收敛，进而提供一个相对稳定的定位结果。粒子滤波的算法原理我会在随后的系列文章中介绍。
2、图像增强型定位。通常是将lidar和视觉系统结合进行定位。 这种方法需要预先准备一幅激光雷达制造的3d地图，用ground-plane sufficient得到一个2d的纯地面模型地图，用opengl将单目视觉图像与这个2d的纯地面模型地图经过坐标变换， 用归一化互信息（normalizedmutual information）配准。然后用扩展卡尔曼滤波器（ekf）来实现定位。
3、是用激光雷达的强度扫描图像。激光雷达有两种最基本的成像方式，一是3d距离成像，可以近似地理解为点云；二是强度扫描成像，激光经物体反射，根据反射强度值的不同，可以得到一副强度成像图像。强度值是包括在点云里的，光强分离核心技术之一。这种定位方法需要预先制作一个特殊的slam系统，称之为位姿图像slam（pose-graphslam），勉强可看作激光雷达制造的高清地图。有三个约束因素，一是扫描匹配约束，二是里程计约束，三是gps先验约束。激光雷达的3d云点地图抽出强度值和真实地面（ground plane），转化为2d的地面强度扫描图像。与位姿图像slam配对后即可定位。
另外还可用高斯混合地图进行定位，即在遇到恶劣环境，比如很厚的积雪，雪后还有残雪的泥泞的道路，缺乏纹理的老旧的被破坏的道路，用高斯混合模型来做定位，提高激光雷达定位的鲁棒性。
4、mobileye提出的rem。rem是一种无需slam的定位方法，但显然只是视觉slam的变种而已，mobileye通过采集包括交通信号、方向指示牌、长方形指示牌、路灯及反光标等「地标」，得到一个简单的 3d 坐标数据；再通过识别车道线信息，路沿，隔离带等获取丰富的 1d 数据。把简单的 3d 数据和丰富的 1d 的数据加起来，大小也不过是 10kb/km，摄像头的图像与这种rem地图中匹配即可定位。mobileye这种设计毫无疑问是成本最低的，但前提是至少有上千万辆车配备rem系统，能够自动搜集数据并上传到云端，有些路段或者说非道路地区，没有装载rem系统的车走过，就无法定位。
不过这种方法让人有以下几点存疑：
在全球范围内让装载rem系统的车走遍每一寸土地是不可能的。这可能牵涉到隐私问题，也牵涉到数据版权问题，这些数据的版权究竟归谁，是车主还是车企还是云端的服务商，还是mobileye？这个问题很难说清。
同时rem的数据要及时更新，几乎要做到准实时状态，同时光线对数据影响明显，rem要滤除那些不合适的数据，所以维持这份地图的有效性需要非常庞大的数据量和运算量，谁来维护这个庞大的运算体系？
最致命的一点，rem是基于视觉的，只能在天气晴好，光线变化幅度小的情况下使用，这大大限制了其实用范围，而激光雷达可满足95%的路况。
以上只是一般常见的定位方法，当然，具体的定位手段有多种，多个传感器可根据定位方法进行随意组合。融合方案的定位精度会优于单一传感器，一个传感器在某种环境失效，补充传感器能顶上。例如市面上常见的一些多传感器融合的定位手段有：
1. 自动驾驶 gps+imu+里程计
gps 给出的全局锚定，可以消除累计误差问题，不过它的更新频率低，并且信号容易被遮挡。 imu和轮盘里程计更新频率高，不过有累计误差问题，最容易想到的是收到gps定位，使用gps位置信息，误差就是gps的精度，在下一次收到gps定位间隔中，使用imu（角度累加）和里程计（位移累加）进行位姿累加，中间的位姿误差是初值gps定位误差和中间累加误差的积累。
改进的方法是使用非线性卡尔曼滤波，在收到gps位置信息的时候，要结合imu和里程计的积累预测值和gps观测值，算出一个误差收敛的更优的位置估算值。
2. 自动驾驶 gps+ 多线雷达+高精地图匹配
gps 给出全局锚定，中间使用雷达slam 前端里程计做累加，可以配合高精地图的图匹配，做类似后端回环优化的方式，将gps、激光雷达及已知地图进行融合定位。
3. 自动驾驶多对双目视觉摄像头slam方案
这种方案成本低，更加考究的是算法，有很少的自动驾驶公司宣称自己主攻纯视觉方案，现在不是主流。
4. 单线雷达+imu+里程计融合
满足室内定位的要求，个人理解可以分为浅融合和深融合。浅融合使用imu+里程计的累加值作为推算雷达里程计的初值，在这个初值基础上进行连续帧的扫描匹配，会大大加速匹配速度。深融合会结合imu和里程计的值作为约束条件，应用到后端回环约束矫正中。
5. 深度摄像头+ imu 融合
目前在手机的vr应用中已经初见端倪，如苹果公司的iphonex以及google 已经发布一段时间的tango项目。深度视觉slam 与 imu 进行深浅融合，达到一个比较不错的vr体验。
无人驾驶对可靠性和安全性要求非常高，除了gps与惯性传感器外，我们通常还会使用lidar点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的效果。相信随着自动驾驶技术的发展，未来的定位技术也不会不断优化。
2019年校招，科技巨头抢AI人才大战到境外
Micro OLED：有望主导VR和AR
贸泽与Molex推出全新电子书 艾迈斯欧司朗推AS7343光谱传感器
逐个脉冲限流功能无法提供有效过流保护最主要原因在哪
python控制Socket通信知识补充
解决这三个问题就是真正的自动驾驶
华为nova6系列搭载麒麟990芯片全方位提升了游戏体验
ChinaSourcing第一届优秀外包企业ITO20强
一种在光子逻辑门内部的硬件纠错方式
江淮汽车因动力电池安全隐患召回iEV5
工厂用条码扫描器和超市用条码扫描器的区别
元宇宙可能实现吗？
又一光伏电站着火，掌握这几点减少损失
区块链+银行未来将大有可为
VR游戏的春天为何这么短暂？该怎么才能留住春天？
光传感器和光电传感器区别
传感器信号调节解决方案
UPS系统原理及蓄电池组充放电试验
PCB布线规则和技巧图解（下）
AI如何献力疫情中
一般来讲，自动驾驶实际包含三个问题：一是我在哪？二是我要去哪？三是如何去？能完整解决这三个问题就是真正的自动驾驶。
定位技术就是解决“我在哪儿”的问题，并且自动驾驶需要的是厘米级定位。
目前自动驾驶的技术基本上都源自机器人，自动驾驶汽车可以看做是轮式机器人外加一个舒适的沙发组成。机器人系统中定位和路径规划是一个问题，没有定位，就无法规划路径。厘米级实时定位是目前自动驾驶最大的挑战之一。对机器人系统来说，定位主要靠slam与先验地图（prior map）的交叉对比。
slam是simultaneous localization and mapping的缩写，意为“即时定位与地图构建”。它是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程。
由于传感器种类和安装方式的不同，slam的实现方式和难度会有很大差异。按传感器来分，slam主要分为激光、视觉两大类。
自动驾驶通过定位技术准确感知自身在全局环境中的相对位置，将自身视作一个质点并与环境有机结合起来。
按定位技术原理不同可分为三类。第一类，基于信号的定位，代表就是gnss定位，即全球导航卫星系统；第二类，航迹推算，依靠imu等，根据上一时刻的位置和方位推断现在的位置和方位；第三类是环境特征匹配，基于lidar的定位，用观测到的特征和数据库中的特征和存储的特征进行匹配，得到现在车的位置和姿态。
现有的无人车高精度定位在某些情况下会出现定位不准的情况。因此仅依靠gps的定位方案可靠性太差。
因此自动驾驶一般用组合定位。首先本体感知传感器如里程计（odometry）、陀螺仪(gyroscopes)等，通过给定初始位置和姿势（简称位姿），来测量相对于机器人初始位姿的距离和方向来确定当前机器人的位姿，也叫做航迹推测。然后用激光雷达或视觉感知环境，用主动或被动标识、地图匹配、gps、或导航信标进行定位。位置的计算方法包括三角测量法、三边测量法和模型匹配算法等。从这个角度而言，imu也是自动驾驶必备的部件。
惯性传感器（imu）是检测加速度与旋转运动的高频（1khz）传感器，对惯性传感器数据进行处理后我们可以实时得出车辆的位移与转动信息，但惯性传感器自身也有偏差与噪音等问题影响结果。而通过使用基于卡尔曼滤波的传感器融合技术，我们可以融合gps与惯性传感器数据，各取所长，以达到较好的定位效果。
注意由于无人驾驶对可靠性和安全性要求非常高，所以基于gps和惯性传感器的定位并非无人驾驶里唯一的定位方式。
就目前定位技术而言，自动驾驶有三类定位方法，通常三种方法会被交叉使用，以相互纠正达到更精准的效果：
基于 gps 和惯性传感器的传感器融合；
基于 lidar 点云与高精地图的匹配；
基于视觉的道路特征识别。
这三类定位方法，都属于需要结合多个传感器联合来解决定位问题，以下为几个具体的定位方法：
1、业内通用的定位方式是gps+高精度地图+摄像机（激光雷达等）信息融合的定位方法。
激光雷达的slam，利用车辆自带的gps和imu做出大概位置判断，然后用预先准备好的高精度地图（prior map）与激光雷达slam云点图像与之对比，或者说registration，放在一个坐标系内做配准。配对（matching）成功后确认自车位置。这是目前最成熟，准确度最高的方法。
首先根据gps的数据（经纬高和航向）确定无人车大致处于哪条道路上，这个位置的可能与真实位置有5~10米的差距。
根据车载传感器检测的车道线（虚、实线）及道路边缘（路沿或护栏）的距离与高精地图提供的车道线及道路边缘做比对，然后修正无人车的横向定位。
根据车载传感器检测到的广告牌、红绿灯、墙上的标志、地上的标志（停止线、箭头等），与高精地图提供的同一道路特征（poi）进行匹配，进而修正纵向定位和航向。在没有检测到任何道路特征的情况下，可以通过航位推算进行短时间的位置推算。
无人车的定位算法通常采用粒子滤波的方法，需要多个计算周期后，定位结果才会收敛，进而提供一个相对稳定的定位结果。粒子滤波的算法原理我会在随后的系列文章中介绍。
2、图像增强型定位。通常是将lidar和视觉系统结合进行定位。 这种方法需要预先准备一幅激光雷达制造的3d地图，用ground-plane sufficient得到一个2d的纯地面模型地图，用opengl将单目视觉图像与这个2d的纯地面模型地图经过坐标变换， 用归一化互信息（normalizedmutual information）配准。然后用扩展卡尔曼滤波器（ekf）来实现定位。
3、是用激光雷达的强度扫描图像。激光雷达有两种最基本的成像方式，一是3d距离成像，可以近似地理解为点云；二是强度扫描成像，激光经物体反射，根据反射强度值的不同，可以得到一副强度成像图像。强度值是包括在点云里的，光强分离核心技术之一。这种定位方法需要预先制作一个特殊的slam系统，称之为位姿图像slam（pose-graphslam），勉强可看作激光雷达制造的高清地图。有三个约束因素，一是扫描匹配约束，二是里程计约束，三是gps先验约束。激光雷达的3d云点地图抽出强度值和真实地面（ground plane），转化为2d的地面强度扫描图像。与位姿图像slam配对后即可定位。
另外还可用高斯混合地图进行定位，即在遇到恶劣环境，比如很厚的积雪，雪后还有残雪的泥泞的道路，缺乏纹理的老旧的被破坏的道路，用高斯混合模型来做定位，提高激光雷达定位的鲁棒性。
4、mobileye提出的rem。rem是一种无需slam的定位方法，但显然只是视觉slam的变种而已，mobileye通过采集包括交通信号、方向指示牌、长方形指示牌、路灯及反光标等「地标」，得到一个简单的 3d 坐标数据；再通过识别车道线信息，路沿，隔离带等获取丰富的 1d 数据。把简单的 3d 数据和丰富的 1d 的数据加起来，大小也不过是 10kb/km，摄像头的图像与这种rem地图中匹配即可定位。mobileye这种设计毫无疑问是成本最低的，但前提是至少有上千万辆车配备rem系统，能够自动搜集数据并上传到云端，有些路段或者说非道路地区，没有装载rem系统的车走过，就无法定位。
不过这种方法让人有以下几点存疑：
在全球范围内让装载rem系统的车走遍每一寸土地是不可能的。这可能牵涉到隐私问题，也牵涉到数据版权问题，这些数据的版权究竟归谁，是车主还是车企还是云端的服务商，还是mobileye？这个问题很难说清。
同时rem的数据要及时更新，几乎要做到准实时状态，同时光线对数据影响明显，rem要滤除那些不合适的数据，所以维持这份地图的有效性需要非常庞大的数据量和运算量，谁来维护这个庞大的运算体系？
最致命的一点，rem是基于视觉的，只能在天气晴好，光线变化幅度小的情况下使用，这大大限制了其实用范围，而激光雷达可满足95%的路况。
以上只是一般常见的定位方法，当然，具体的定位手段有多种，多个传感器可根据定位方法进行随意组合。融合方案的定位精度会优于单一传感器，一个传感器在某种环境失效，补充传感器能顶上。例如市面上常见的一些多传感器融合的定位手段有：
1. 自动驾驶 gps+imu+里程计
gps 给出的全局锚定，可以消除累计误差问题，不过它的更新频率低，并且信号容易被遮挡。 imu和轮盘里程计更新频率高，不过有累计误差问题，最容易想到的是收到gps定位，使用gps位置信息，误差就是gps的精度，在下一次收到gps定位间隔中，使用imu（角度累加）和里程计（位移累加）进行位姿累加，中间的位姿误差是初值gps定位误差和中间累加误差的积累。
改进的方法是使用非线性卡尔曼滤波，在收到gps位置信息的时候，要结合imu和里程计的积累预测值和gps观测值，算出一个误差收敛的更优的位置估算值。
2. 自动驾驶 gps+ 多线雷达+高精地图匹配
gps 给出全局锚定，中间使用雷达slam 前端里程计做累加，可以配合高精地图的图匹配，做类似后端回环优化的方式，将gps、激光雷达及已知地图进行融合定位。
3. 自动驾驶多对双目视觉摄像头slam方案
这种方案成本低，更加考究的是算法，有很少的自动驾驶公司宣称自己主攻纯视觉方案，现在不是主流。
4. 单线雷达+imu+里程计融合
满足室内定位的要求，个人理解可以分为浅融合和深融合。浅融合使用imu+里程计的累加值作为推算雷达里程计的初值，在这个初值基础上进行连续帧的扫描匹配，会大大加速匹配速度。深融合会结合imu和里程计的值作为约束条件，应用到后端回环约束矫正中。
5. 深度摄像头+ imu 融合
目前在手机的vr应用中已经初见端倪，如苹果公司的iphonex以及google 已经发布一段时间的tango项目。深度视觉slam 与 imu 进行深浅融合，达到一个比较不错的vr体验。
无人驾驶对可靠性和安全性要求非常高，除了gps与惯性传感器外，我们通常还会使用lidar点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的效果。相信随着自动驾驶技术的发展，未来的定位技术也不会不断优化。
2019年校招，科技巨头抢AI人才大战到境外
Micro OLED：有望主导VR和AR
贸泽与Molex推出全新电子书 艾迈斯欧司朗推AS7343光谱传感器
逐个脉冲限流功能无法提供有效过流保护最主要原因在哪
python控制Socket通信知识补充
解决这三个问题就是真正的自动驾驶
华为nova6系列搭载麒麟990芯片全方位提升了游戏体验
ChinaSourcing第一届优秀外包企业ITO20强
一种在光子逻辑门内部的硬件纠错方式
江淮汽车因动力电池安全隐患召回iEV5
工厂用条码扫描器和超市用条码扫描器的区别
元宇宙可能实现吗？
又一光伏电站着火，掌握这几点减少损失
区块链+银行未来将大有可为
VR游戏的春天为何这么短暂？该怎么才能留住春天？
光传感器和光电传感器区别
传感器信号调节解决方案
UPS系统原理及蓄电池组充放电试验
PCB布线规则和技巧图解（下）
AI如何献力疫情中