Apollo定位

定位是让车辆知道自己位置的方法。

定位主要分为四种方法：

1.GPS定位：

        根据三角测量的思想，使用卫星传播数据的方法，对目标进行定位。

        主要有三部分组成：卫星、控制站、接收机。

        缺点：遇到阻挡没有信号，更新频率低 10HZ~

2.惯性导航定位：

       

        使用三轴加速计，计算车辆加速度。

        三轴陀螺仪作为车辆的坐标系。

        组成惯性测量单元IMU：惯性测量单元是测量物体三轴姿态角(或角速率)以及加速度的装置。一般的，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。

        优点：高频更新 1000HZ~

        缺点：其运动误差随时间增加而增加

3.Radar、Lidar定位：

        通过点云匹配来对汽车进行定位。将激光雷达传感器的检测数据（点云数据）、于预先存在的高精度地图进行连续匹配，进而确定其位置与方向。

        匹配算法：

迭代最近点（ICP）：迭代最近点（或 ICP）是一种方法。假设我们想对两次点云扫描进行匹配，对于第一次扫描中的每个点，我们需要找到另一次扫描中最接近的匹配点。最终我们会收集到许多匹配点对，我们把每对点之间的距离误差相加，然后计算平均距离误差。我们的目标是通过点云旋转和平移来最大限度地降低这一平均距离误差，一旦我们最大限度地降低了点云之间的误差，我们就可以在传感器扫描和地图之间找到匹配，我们将通过传感器扫描到的车辆位置转换为全球地图上的位置，并计算出在地图上的精确位置。

直方图滤波（消除冗余信息）：滤波算法是另一种LiDAR 定位方法。滤波算法可消除冗余信息，并在地图上找到最可能的车辆位置。Apollo 使用了 直方图滤波算法，该方法有时也被称为 误差平方和算法（或 SSD）。为了应用直方图滤波，我们将通过传感器扫描的点云滑过地图上的每个位置。在每个位置我们计算扫描的点与高精度地图上的对应点之间的误差或距离，然后对误差的平方求和。求得的和越小，扫描结果与地图之间的匹配越好。该示例显示一些对齐较好的点 以红色表示，以及一些对齐较差的点 以蓝色表示。在该示例中 绿色表示中等对齐

卡尔曼滤波：卡尔曼滤波是一种算法,用于根据我们在过去的状态和新的传感器测量结果预测我们当前的状态。具体来说 卡尔曼滤波使用了预测更新周期。首先 我们根据之前的状态以及对移动距离和方向的估计，来估计或“预测”我们的新位置。当然 我们的运动估计并不完美，所以需要通过使用传感器测量我们的位置并加以纠正。

优点：稳健性强

缺点：难以构建高精度地图,并使其保持最新

4.视觉定位：

主要使用粒子滤波对物体进行定位。

粒子滤波：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。在粒子滤波算法下一些传统的难点问题如目标检测、遮挡、交叉、失跟等得到更好的结果．在无线通讯中PF被广泛用于信道盲均衡、盲检测、多用户检测等方面．其它的应用领域还有机器人视觉跟踪 、导航 、图象处理 、生物信息 引、故障诊断和过程控制 、金融数据处理 等。

优点：容易获得

缺点缺乏三维信息

 

Apollo 使用基于 IMU、GPS、激光雷达、雷达和高精度地图的多传感器融合定位系统。这种融合方法利用了不同传感器的互补优势，它也提高了稳定性和准确性。这些传感器同时支持 GNSS 定位和LiDAR 定位。GNSS 定位输出位置和速度信息，LiDAR 定位输出位置和行进方向信息。

Apollo 定位论文 “Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse CityScenes, ICRA, 2018”.

Apollo定位二