自动驾驶常用定位方案

• 用卡尔曼滤波整合GPS和IMU数据：IMU每5ms更新一次，但是误差不断累计；每100ms，可以得到一次GPS数据更新，对IMU累计的误差进行校正。但是这样的定位精度往往在1米以内，而且GPS存在天然的多路径问题，引入噪声干扰。而且GPS在隧道等场景不适用。
• 作为补充方案，摄像头也被用于定位（视觉里程计）。 借用大量粒子滤波的激光雷达是车辆定位的主传感器
• 用激光雷达点云与高精地图匹配。可以实现10cm精度的实时定位。但是激光雷达受空气中悬浮颗粒（雨滴、灰尘）影响而测量存在扰动。而且由于lidars数据数量巨大，因此需要快速处理输出并确保系统的实时性，所以确保车辆的实时定位具有一定的挑战和难度。所以通常需要使用下采样或者特征点提取的方法来高效的简化点云信息。
• 所以多传感器融合是可靠、精准定位的重要手段。

视觉定位分类：①基于拓扑与地标的算法；②基于几何的视觉里程计算法。前者所有地标组成一个拓扑图，当无人车监测到某个地标时，可大致判断自己所在位置，这个方法要求预先建立精准的拓扑图。基于几何的视觉里程计算法相对复杂，可以在定位的同时拓展地图。

视觉里程计算法（双目）：①双目摄像机抓取左右两图。②双目图像经过三角测量产生当前帧视差图；③提取当前帧与之前帧的特征点，如果之前帧的特征点已经提取好了，那么可以直接使用之前帧的特征点，特征点提取可以使用Harris角点；④对比当前帧与之前帧的特征点，找出帧与帧之间的特征点对应关系，例如可以使用RANSAC算法；⑤根据帧与帧之间的特征点对应关系，推算出两帧之间车辆的运动。这个推算是通过最小化两帧之间的重投影误差实现的；⑥根据推算出的两帧之间车辆的运动，以及之前的车辆位置，计算出最新的车辆位置。

视觉里程计的问题：算法对光线敏感。光线较弱时，图像会有很多噪点，影响特征点质量；反光路面算法容易失效。