学习心得：Apollo无人驾驶汽车入门课程——第三课：定位

C1：定位简介

1. 前提：GPS不能够满足无人驾驶车的精准定位需求
2. 定义：知道自身准确位置的方法
3. 常用定位方法：执行坐标系转换
   过程：车辆将传感器识别的地标，与HD Map上的地表进行对比，同时进行自身坐标系到地图坐标系的转换，最终精准进行厘米级定位
   常用：
   GNSS RTK
   惯性导航
   LiDAR定位
   视觉定位

C2：Sebastian Thrun介绍定位

C3：GNSS RTK-1

1. 前言：三角定位
   原理：地图上，了解到自己对于三个地标的距离，即可进行精准定位
2. 对三角定位的延伸——GPS
   原理：使用卫星来作为地标，物体根据相对卫星的距离，来进行定位

C4：GNSS RTK-2

1. 组成
   卫星
   世界各地的控制站
   GPS接收器：智能手机、无人驾驶车（理想条件下至少接收到4颗卫星的数据）
2. 原理：距离 = C x 时间
   为了减小误差，使用实时运动定位RTK
   前提：建立基站，每个基站知道自己的“真实位置”
   减小误差原理：卫星发射信号给基站，基站将卫星计算的位置与其“真实位置”进行比较，可得误差；基站将误差值发送给GPS接收器，从而计算GPS接收器的“真实位置”
3. GPS优点：使用RTK的情况下比较精准
4. GPS缺点
   城市地区有障碍物遮挡情况下表现不好
   更新频率很低（一般10Hz，需要更高）

C5：惯性导航-1

1. 举例
   a. 是否可以在已知初始位置、速度、时间的情况下得出终点位置？√
   b. 是否可以在已知速度、加速度、时间的情况下得出终点速度？√

C6：惯性导航-2

1. 前言：已知初始位置、初速度、加速度即可求出终点位置、终点速度
   那么如何测量加速度？三轴加速计
   如何将加速度数据转换为全局坐标系数据？陀螺仪
   上述两者，是惯性测量单元IMU的重要组成部分
2. IMU
   更新频率：高达1000Hz
   缺点：运动误差随时间增加而增加
3. IMU与GPS结合
   IMU弥补了GPS更新频率低的缺点
   GPS纠正了IMU的运动误差
   但仍存在缺陷：特殊地形无GPS信号，会导致这个系统失败

C7：激光雷达定位

1. 如何使用
   使用点云匹配对车辆位置进行定位，将激光雷达检测数据与预先存在的HD Map进行频繁匹配
2. 点云匹配算法
   a. 迭代最近点ICP：比如，将两次点云数据进行平移、旋转，从而计算同个点云对应的平均距离误差，从而可以在传感器扫描及地图中找到匹配，从而精准匹配
   b.滤波算法：消除冗余信息，在地图上找到最可能车辆位置
   c.卡尔曼滤波算法：用过去的状态和新的传感器测量结果预测新的当前状态,使用了预测更新周期
3. 激光雷达定位优点：稳定性

C8：视觉定位

1. 使用方法：通常摄像头数据与GPS数据配合使用
2. 举例：使用概率（粒子滤波）、摄像头数据与GPS数据配合，解决定位问题
3. 视觉定位如何与GPS数据配合？
   将视觉定位结果与GPS数据匹配，匹配度最高的位置最可能是实时位置
4. 视觉定位优点：图像数据易获得
5. 视觉定位缺点：缺少对三维信息、三维地图的依赖

C9：Apollo定位

1. Apollo使用基于GPS、IMU和激光雷达的多传感器融合定位系统
2. 各部分的作用
   a. GNSS定位：用于输出当前位置、速度
   b. 激光雷达定位：输出位置和行进方向
   c. 使用卡尔曼滤波将各部分融合：两步预测测量周期
   第一步：惯性导航解决方案用于预测步骤
   第二步：GNSS定位+激光雷达定位用于测量结果更新步骤

C10：项目实例：被盯上的小车

1. 实现：C++/Python
2. 如何模拟？
   初始数据：地图及其他初始数据——模拟GPS
   粒子滤波器每秒都会接收到观察及动作数据

C11：课程综述

接下来可将定位知识与其他软件栈技能融合，完成无人驾驶工作