高精地图：激光雷达点云与高精地图融合

高精地图：激光雷达点云与高精地图融合
定位精度和更新频率是高精定位的显著特征。

1. 精度与频率：根据推算，高精定位需要实现≤25cm 的定位精度，更新频率≥100Hz，因此需要在一般导航定位方案的基础上，与激光雷达、摄像头等感知设备相结合。
2. 解决方案：按照定位参考系的不同，分为绝对位置与相对位置两个维度，前者以 GNSS/ RTK 定位代表，后者结合高精地图，以点云或视觉匹配为核心。
3. 实际应用：在实际应用中，是兼而有之的融合方案，例如百度 Apollo 以 GNSS 定位与点云匹配定位相融合，最终输出一个 6 自由度的位置和姿态信息。
   实现该定位方案的三个关键环节：
    高精地图的绝对坐标精度，以及包含道路信息的丰富、细致程度；
    摄像头、激光雷达等设备的感知能力；
    匹配算法的性能。此外还有不依靠高精地图支持，单纯通过视觉里程算法实现定位的思路。据高德高精地图团队谷小丰透露，高德基于“激光雷达+摄像头”的相对位置定位方案，能够实现平均误差 9cm 的定位精度。
   相对位置与绝对位置代表，思考高精定位的不同视角，在实际运用中是兼而有之。自动驾驶汽车在实际行驶过程中，会遭遇各种路况环境，比如卫星信号中断、视线模糊、激光雷达反射遮挡等，以及尚未遭遇到的“长尾案例”。为实现 L3 及更高级别的自动驾驶，仅仅依靠某一定位方案远远不够，而需要多传感器、多系统的融合定位方案。
   相对位置：点云匹配与视觉定位
   绝对位置定位以地球为参考系，相对位置定位以当前驾驶场景为参考系。相对位置定位思路，与人类驾驶过程更为类似：人类驾驶员在驾驶过程中，通过视觉观察周围场景中的物体，包括建筑、路缘、标志线等，经过比对判断车辆，在当前场景中的位置。
   类似地，自动驾驶汽车通过高清摄像头、激光雷达等感知设备获取周围场景内物体的图像或反射信号，与事先采集的高精地图数据，进行匹配，从而获取对车辆当前位置的精确估计。
   相对位置定位可以分为（激光雷达）点云匹配和视觉定位两大技术路线。点云匹配以激光雷达为核心：激光雷达向外发射激光脉冲，从地面或物体表面反射，形成多个回波，返回到激光雷达传感器，经处理后的反射数据称为点云数据。
   采集到的点云数据与高精地图进行匹配，以实现汽车在当前场景的高精定位，目前主流的匹配算法，包括概率地图与 NDT （正态分布变换）算法两种，代表玩家如 Google、HERE、TomTom。
   视觉定位以摄像头为核心，分为两种路径：视觉匹配与视觉里程定位。视觉匹配通过提取图像中的道路标识、车道线等参照物体与高精地图进行匹配，实现精准定位，代表玩家如特斯拉、Mobileye、英伟达。基于视觉里程算法的定位技术，以双目摄像头为主，通过图像识别，以及前后两帧图像之间的特征关系，计算车辆当前位置。
   但该方案依赖摄像头的成像质量，在光线不佳、视线遮挡等环境下定位可靠性有待考量，一般不会单独使用。不管是点云匹配还是视觉定位，在实际运用中，都并非单纯依靠某一种感知设备，而是实现包括 GNSS/RTK 定位、IMU、雷达在内多套子系统的融合。
   绝对位置与相对位置互为结合，互为补充
   高精度定位由多个定位导航子系统交叉组成，彼此之间相互冗余。按照百度 Apollo的划分，适用于自动驾驶汽车的定位技术，可由六部分组成，分别为：惯性导航（定位）、卫星定位、磁力导航（定位）、重力导航（定位）、激光点云定位、视觉定位。不同部分之间优势互补，定位结果之间相互重叠以矫正误差，提高定位精度和鲁棒性。

地面标识种类繁多：实际场景中地面标识种类繁多ÿ