这就是Apllo-2-定位

假如你要前往某个地方，你最先关注的肯定是自己现在所处的位置，再根据这个位置选择前进的路线和方案。同样的，无人车的一切决策也是建立在获知自己的定位的基础上的。本文是对Apllo定位内容的学习总结

定位的基本方法–三角测量法

假如我知道我离A点的距离，也知道离B点的距离，还知道离C点距离，那么，我必定会获知我目前的位置。细想一下，确实如此，分别以A，B，C三点为 圆心，以离该点的距离作为半径作圆，那么必定只有一个交点，那这个交点也就是我目前的距离。（这种方法貌似都不用知道离地标的方向）

定位的工具–GPS

GPS作为目前世界上使用最广泛的GNSS系统，被广泛使用在各种需要定位的器件中（中国北斗也是GNSS系统，希望若干年后这句话的主语变成中国北斗）
我们了解一下GPS系统，该系统主要由三大部分组成，天上的卫星，地上的控制站和手上的GPS接收器。30颗不间断工作的卫星负责采集和处理数据，地上的控制站负责监测卫星的运行和验证卫星数据的可靠性，手上 的接收器则作为终端系统，负责和GPS卫星进行交互。
GPS接收器并不是直接测量距离（显然这也不靠谱），而是通过测量飞行时间，也就是信号凑个卫星传输到接收器所用的时间来间接计算出距离。显然，为了获取准确的距离，尽可能地减少信号传输过程中的时间误差是必要的。

惯性导航

我们上面提及的定位方法都是建立在获取到GPS信号的基础上的，但是，现实中，GPS信号始终保持良好是不现实的。那么如何在信号不好的地方进行定位呢？？？惯性导航或许是好方法。
假如在信号切断前的一瞬间，获取到了车辆的行驶方向和行驶速度，再假设车辆匀速运动的前提下（貌似人类驾驶员要实现这个不太可能，但是无人车呢或许很容易），系统可以获取在此之后的任意时间点的位置。
当然这只是理论，在实际上，系统会采集汽车的初始位置，初始速度和加速度来猜测切断GPS信号后的车辆位置。
这里我们引入一个新的部件，IMU–惯性测量单元。但是IMU其实是存在很大的测量误差的，如果单独使用是完全不可靠的。所以在实际上，会利用GPS和IMU混合定位，GPS可以纠正IMU的测量误差，IMU可以在GPS信号差的时候接替其工作。

激光雷达定位

激光雷达的工作就与前一篇的高精度地图相关，激光雷达通过匹配点云，与高精度地图上的已知地标进行对比，从而获取车辆在高精度地图上的位置。这里涉及多个算法，在进阶课里会有更为详细的解答。

视觉定位

视觉定位可以说是成本最低，最古老，最容易也是最不可靠的定位方式了。相较于毫米波雷达，摄像头的成本不到十分之一，而且视觉识别的算法在多年的发展中变得相当完善。但是，相较于激光雷达的探测，摄像头的探测精度受到外界给干扰更加明显。举个例子，在智能车比赛里，如果使用摄像头灰度预测，如果很不幸有一道上帝之光（太阳光）照在赛道上，那这一轮智能车是很大概率冲出跑道的。很显然，如果光照太强或者太弱，摄像头都不能很好地捕捉到对象信息。另外，视觉定位所应用的只是定位技术，系统不能获取到准确位置，只能假设目前汽车是处在系统认为的出现概率最高的点
说了这么多，其实就是想说这东西其实就算是辅助定位，可以用来进行一些低级的定位，比如车道线定位，障碍物识别这类的。如果要获取准确的位置或者识别，视觉恐怕不能很好完成