自动驾驶（七十九）---------Apollo之定位模块

       在现阶段的自动驾驶中，定位一直是很重要的话题；最近特斯拉的开放道路自动驾驶一定程度上降低了定位的重要性，采用实时图像分析生成概率地图，这项技术还有待市场去打磨的更加成熟。在我看来作为一个自动驾驶工程师，成长的线路很清晰：Apollo系统作为基础，特斯拉的技术才是你追求的方向。每篇博客之前，喜欢加一些感悟，一者话题引入；二者抒自己所想，让技术不再冰冷。诚然时光荏苒，纸长情短，以后再看时难免觉得幼稚；哇！你又成长了。

      说Apollo的定位之前，对场景我们先进行大概的梳理：首先默认车身自带民用级的GPS和高精地图；其次定位的作用是要确定车身精确的坐标和航向角。

       Apollo系统中的定位分为三种：1. RTK定位；2. 基于Lidar的多传感器融合定位；3. 百度的核心贡献：基于视觉和百度高精地图的自定位。

1. RTK定位

       RKT定位原理之前有文章有介绍：传送门；这里主要从实现流程来介绍Apollo的RTK定位。主要函数：

void RTKLocalization::ComposeLocalizationMsg()

1. 定时器来不断执行OnTimer()回调函数，来检查gps和imu数椐是否刷新。
2. 连接基站采用RTCM32格式返回数据；
3. ComposeLocalizationMsg()融合两者的信息并把最终位置信息发布出去。

2. 基于Lidar的多传感器融合定位

      基于激光点云的滤波相对受很多因素的限制，首先需要预先制作一个“全聚德”地图，比如点云图，概率地图等。然后拿实时点云与地图做匹配，匹配用实时点云里面的颜色值或者高度值的分布和这个地图去匹配，得到概率图，采用加权平均的方式得到车辆的位置。

      多传感器融合指的是：在激光雷达定位的基础上，我们可以加入车身运动学信息，采用卡尔曼滤波进行上层处理，从而最终输出车辆的位置信息。

      这里采用apollo公开课的ppt介绍基于Lidar的定位算法框架：

         

3. 基于视觉和百度高精地图的自定位

      百度自己有高精地图，毫无疑问Apollo中一定要发挥自有地图的优势，高精地图如何在定位中发挥作用呢？ 首先百度高精地图在制作时，已经加入了各种交通语义的位置信息，假如车辆的视觉计算平台，能够识别图像中具有语义信息，并在高精地图中匹配出对应的语义信息，那么就可以计算出车辆的位置和朝向。这套方案有以下特点：

1.    摄像头技术成熟，结构化地图尺寸小，有利于降低系统生产成本。
2.    车道线，路灯等道路元素稳定性高，不易变动，地图生命周期较长。
3.    配置灵活，根据识别算法性能，可以使用不同的特征组合，易于拓展。

     常用的交通语义有：车道线、路肩、护栏、交通标志、路灯、车道线分叉合并点 等......同样的视觉定位也可以结合多传感器的融合，它需要gps的初始位置，也需要imu做卡尔曼滤波融合。同样借用apollo的ppt介绍视觉定位的算法框架：

           

     目前实战中，利用车道线可以很快的收敛横向误差，纵向误差则需要有精确点的交通语义信号，如：红绿灯、交通标志、分叉点等等。当每次出现这种有精确点的语义信号时，需要做一次位置误差的矫正。

              

    高精地图和高精定位一直都是自动驾驶努力的方向，但是做了这么多，目的还是想知道交通语义和车辆的相对位置，当然能很大程度上扩展范围，但是人也是通过视觉来开车的，所以范围的扩展有没有必要也有待论证，说到底还是tesla的完全基于视觉的方案才是未来自动驾驶的方向。