cartographer 使用 定位_对SLAM定位和自动驾驶车辆定位的思考

前沿

SLAM作为机器人领域深耕已久的方向，在我看来已经比较成熟了。从开始的EKF SLAM到现在的RTAB-MAP, ORB-SLAM, Cartographer各种SLAM算法百花齐放。SLAM的回环检测在提高机器人的定位精度上，让我眼前焕然一新。

“SLAM拥有实时定位和构建地图的能力，这对于自动驾驶来说不是非常利好？既可以定位，又可以同时构建低配版HD map， 而且还可以通过这个低配版地图进行重定位？”

我是抱着这么个想法，开始琢磨着可不可以把基于激光雷达的Cartographer应用在自动驾驶上。

---

SLAM应用在自动驾驶后的思考

所以上周就开始分析Cartographer。cartographer 是谷歌的开源SLAM项目。它是一个以低配硬件实现大型场景实时精确（5cm）SLAM的项目。

涉及到的内容很多很多，算法也比较复杂。单纯看他们的论文是看不出啥东西的。像这种大型项目，必须得是论文+文献+tutorial+其他人的说明。

googlecartographer/cartographer​github.com

总之，现在看过了各种文章，论文也读过了，tutorial过了好几遍，tuning了一些参数，在KITTI数据集做的rosbag上运行并观察了一些情况。还是蛮有意思的└(^_^)┘

但是

突然意识到些都不是重点。

我之前一直觉得回环好炫，好厉害，必须通过回环提升定位精度。

不过，想了一想，自动驾驶车辆的定位，不能依靠回环啊！车都跑偏了，还调整一起的位姿干啥？

●▽●

Carto里面利用lidar的 t 和 t-1 的点云数据得到robot motion， 同时利用IMU进行补偿。补偿机制是啥还不知道，可能是贝叶斯滤波。如果用了基于贝叶斯理论的滤波器的话，那么基于LIDAR的motion估计值和基于贝叶斯滤波器的估计值，哪个会更准确呢？ 因为在构建submap的时候，submap的构图的基准点，也就是车辆位置越准确，之后的pose和全局回环的时候才会更准确。哪个更准确呢， 这个有待测试。。

所以，问题又回来了。对于自动驾驶车辆来说，回环的比重不像在SLAM里那么重要。

实时定位才是自动驾驶真正应该关心的事情。自动驾驶回环也重要，但是没有实时定位重要。

一般的高精度的定位方法是基于RTK DGPS。这种研究已经进行了很久了，也比较成熟了。成熟到啥程度呢， 就是买个DGPS硬件系统和软件，就能直接调取1~2cm误差范围的位置数据。商用的没钱看。开源的RTK GPS有兴趣可以看看下面的开源RTKGPS项目。

An Open Source Program Package for GNSS Positioning​www.rtklib.com

---

SLAM如何应用在自动驾驶车辆定位上？

SLAM强大的回环检测在自动驾驶实时定位上， 帮不上太大忙。那是因为实时定位依靠的gps系统可以得到较高的准确度。

不过，影响gps的数据准确性的原因有很多，天气啊，遮挡物啊，高楼啊。典型的场景就是，地下车库，隧道，高楼比较多的市区。这种情况下，现阶段的自动驾驶车辆会依赖高精地图。也就是说，如果没有高精地图的， GPS不被信赖的场景，是完全可以嫁接SLAM的技术的。如果有对应地形的地图，那么就可以通过有地图情况下的SLAM算法，没有的话，跟一般SLAM是没什么区别的。

我认为，机器人算法和自动驾驶算法有以下区别。

1. *自动驾驶对算法安全性的要求高。是首要因素。比什么都重要
2. 自动驾驶车辆的可移动自由度比机器人要低
3. *自动驾驶车辆的速度相对于机器人要高很多
4. *自动驾驶车辆对算法的鲁棒性要求高
5. *自动驾驶车辆的实时定位更为重要。
   或许可以通过V2X的手段，检测回环，提高自身定位精度。
6. （研发车辆，不是量产）自动驾驶车辆对算力没什么上限。
   （量产）就需要权衡硬件性能，计算量，算法的效率等等。
7. 自动驾驶车辆的路况相当复杂，没有统一性。所以算法要有普适性。
8. 自动驾驶车厂有自己的平台，不可能随便换平台。跟机器人有较大的区别。

---

总结

通过这些天的学习，观察了cartographer应用在自动驾驶上的问题。SLAM的即时定位是可以直接应用在自动驾驶车辆上的，尽管他的稳定性和精确度有待测试。但是回环检测这个大杀器在自动驾驶的应用，感觉非常有限。因为车辆不能在任何一个瞬间丢失自身的位置。由于每个瞬间都很重要，所以不可能等到被检测到回环的时候才提升定位精度。但是，我们并不能说回环在提高定位精度方面没有任何贡献。相反，如果通过V2V共享&合并轨迹检测回环或是自身检测回环，是可以提升车辆以后的定位精度的。

最重要的是，得知道车辆的场景&要解决的问题。

在这里，我关注的点是在隧道场景中的车辆的实时定位问题。

涉及到的有车辆动力学（kinematic model）， 基于VIO & LIO的T, T-1 的motion model， 贝叶斯滤波。

附录

• KITTI转换为bag的repo：

tomas789/kitti2bag​github.com