自動駕駛定位技術(shù)就是解決“我在哪兒”的問題，并且對可靠性和安全性提出了非常高的要求。除了GPS與慣性傳感器外，我們通常還會使用LiDAR點(diǎn)云與高精地圖匹配，以及視覺里程計(jì)算法等定位方法，讓各種定位法互相糾正以達(dá)到更精準(zhǔn)的效果。隨著自動駕駛的發(fā)展，定位技術(shù)也一定會不斷優(yōu)化。

一般來講，自動駕駛實(shí)際包含三個(gè)問題：一是我在哪？二是我要去哪？三是如何去？能完整解決這三個(gè)問題就是真正的自動駕駛。

定位技術(shù)就是解決“我在哪兒”的問題，并且自動駕駛需要的是厘米級定位。

目前自動駕駛的技術(shù)基本上都源自機(jī)器人，自動駕駛汽車可以看做是輪式機(jī)器人外加一個(gè)舒適的沙發(fā)組成。機(jī)器人系統(tǒng)中定位和路徑規(guī)劃是一個(gè)問題，沒有定位，就無法規(guī)劃路徑。厘米級實(shí)時(shí)定位是目前自動駕駛最大的挑戰(zhàn)之一。對機(jī)器人系統(tǒng)來說，定位主要靠SLAM與先驗(yàn)地圖（Prior Map）的交叉對比。

SLAM是Simultaneous Localization and Mapping的縮寫，意為“即時(shí)定位與地圖構(gòu)建”。它是指運(yùn)動物體根據(jù)傳感器的信息，一邊計(jì)算自身位置，一邊構(gòu)建環(huán)境地圖的過程。

由于傳感器種類和安裝方式的不同，SLAM的實(shí)現(xiàn)方式和難度會有很大差異。按傳感器來分，SLAM主要分為激光、視覺兩大類。

自動駕駛通過定位技術(shù)準(zhǔn)確感知自身在全局環(huán)境中的相對位置，將自身視作一個(gè)質(zhì)點(diǎn)并與環(huán)境有機(jī)結(jié)合起來。

按定位技術(shù)原理不同可分為三類。第一類，基于信號的定位，代表就是GNSS定位，即全球?qū)Ш叫l(wèi)星系統(tǒng)；第二類，航跡推算，依靠IMU等，根據(jù)上一時(shí)刻的位置和方位推斷現(xiàn)在的位置和方位；第三類是環(huán)境特征匹配，基于LiDAR的定位，用觀測到的特征和數(shù)據(jù)庫中的特征和存儲的特征進(jìn)行匹配，得到現(xiàn)在車的位置和姿態(tài)。

現(xiàn)有的無人車高精度定位在某些情況下會出現(xiàn)定位不準(zhǔn)的情況。因此僅依靠GPS的定位方案可靠性太差。

因此自動駕駛一般用組合定位。首先本體感知傳感器如里程計(jì)（Odometry）、陀螺儀(Gyroscopes)等，通過給定初始位置和姿勢（簡稱位姿），來測量相對于機(jī)器人初始位姿的距離和方向來確定當(dāng)前機(jī)器人的位姿，也叫做航跡推測。然后用激光雷達(dá)或視覺感知環(huán)境，用主動或被動標(biāo)識、地圖匹配、GPS、或?qū)Ш叫艠?biāo)進(jìn)行定位。位置的計(jì)算方法包括三角測量法、三邊測量法和模型匹配算法等。從這個(gè)角度而言，IMU也是自動駕駛必備的部件。

慣性傳感器（IMU）是檢測加速度與旋轉(zhuǎn)運(yùn)動的高頻（1KHz）傳感器，對慣性傳感器數(shù)據(jù)進(jìn)行處理后我們可以實(shí)時(shí)得出車輛的位移與轉(zhuǎn)動信息，但慣性傳感器自身也有偏差與噪音等問題影響結(jié)果。而通過使用基于卡爾曼濾波的傳感器融合技術(shù)，我們可以融合GPS與慣性傳感器數(shù)據(jù)，各取所長，以達(dá)到較好的定位效果。

注意由于無人駕駛對可靠性和安全性要求非常高，所以基于GPS和慣性傳感器的定位并非無人駕駛里唯一的定位方式。

就目前定位技術(shù)而言，自動駕駛有三類定位方法，通常三種方法會被交叉使用，以相互糾正達(dá)到更精準(zhǔn)的效果：

基于 GPS 和慣性傳感器的傳感器融合；

基于 LiDAR 點(diǎn)云與高精地圖的匹配；

基于視覺的道路特征識別。

這三類定位方法，都屬于需要結(jié)合多個(gè)傳感器聯(lián)合來解決定位問題，以下為幾個(gè)具體的定位方法：

1、業(yè)內(nèi)通用的定位方式是GPS+高精度地圖+攝像機(jī)（激光雷達(dá)等）信息融合的定位方法。

激光雷達(dá)的SLAM，利用車輛自帶的GPS和IMU做出大概位置判斷，然后用預(yù)先準(zhǔn)備好的高精度地圖（Prior Map）與激光雷達(dá)SLAM云點(diǎn)圖像與之對比，或者說Registration，放在一個(gè)坐標(biāo)系內(nèi)做配準(zhǔn)。配對（Matching）成功后確認(rèn)自車位置。這是目前最成熟，準(zhǔn)確度最高的方法。

首先根據(jù)GPS的數(shù)據(jù)（經(jīng)緯高和航向）確定無人車大致處于哪條道路上，這個(gè)位置的可能與真實(shí)位置有5~10米的差距。

根據(jù)車載傳感器檢測的車道線（虛、實(shí)線）及道路邊緣（路沿或護(hù)欄）的距離與高精地圖提供的車道線及道路邊緣做比對，然后修正無人車的橫向定位。

根據(jù)車載傳感器檢測到的廣告牌、紅綠燈、墻上的標(biāo)志、地上的標(biāo)志（停止線、箭頭等），與高精地圖提供的同一道路特征（POI）進(jìn)行匹配，進(jìn)而修正縱向定位和航向。在沒有檢測到任何道路特征的情況下，可以通過航位推算進(jìn)行短時(shí)間的位置推算。

無人車的定位算法通常采用粒子濾波的方法，需要多個(gè)計(jì)算周期后，定位結(jié)果才會收斂，進(jìn)而提供一個(gè)相對穩(wěn)定的定位結(jié)果。粒子濾波的算法原理我會在隨后的系列文章中介紹。

2、圖像增強(qiáng)型定位。通常是將Lidar和視覺系統(tǒng)結(jié)合進(jìn)行定位。 這種方法需要預(yù)先準(zhǔn)備一幅激光雷達(dá)制造的3D地圖，用Ground-Plane Sufficient得到一個(gè)2D的純地面模型地圖，用OpenGL將單目視覺圖像與這個(gè)2D的純地面模型地圖經(jīng)過坐標(biāo)變換， 用歸一化互信息（normalizedmutual information）配準(zhǔn)。然后用擴(kuò)展卡爾曼濾波器（EKF）來實(shí)現(xiàn)定位。

3、是用激光雷達(dá)的強(qiáng)度掃描圖像。激光雷達(dá)有兩種最基本的成像方式，一是3D距離成像，可以近似地理解為點(diǎn)云；二是強(qiáng)度掃描成像，激光經(jīng)物體反射，根據(jù)反射強(qiáng)度值的不同，可以得到一副強(qiáng)度成像圖像。強(qiáng)度值是包括在點(diǎn)云里的，光強(qiáng)分離核心技術(shù)之一。這種定位方法需要預(yù)先制作一個(gè)特殊的SLAM系統(tǒng)，稱之為位姿圖像SLAM（Pose-GraphSLAM），勉強(qiáng)可看作激光雷達(dá)制造的高清地圖。有三個(gè)約束因素，一是掃描匹配約束，二是里程計(jì)約束，三是GPS先驗(yàn)約束。激光雷達(dá)的3D云點(diǎn)地圖抽出強(qiáng)度值和真實(shí)地面（Ground Plane），轉(zhuǎn)化為2D的地面強(qiáng)度掃描圖像。與位姿圖像SLAM配對后即可定位。

另外還可用高斯混合地圖進(jìn)行定位，即在遇到惡劣環(huán)境，比如很厚的積雪，雪后還有殘雪的泥濘的道路，缺乏紋理的老舊的被破壞的道路，用高斯混合模型來做定位，提高激光雷達(dá)定位的魯棒性。

4、Mobileye提出的REM。REM是一種無需SLAM的定位方法，但顯然只是視覺SLAM的變種而已，Mobileye通過采集包括交通信號、方向指示牌、長方形指示牌、路燈及反光標(biāo)等「地標(biāo)」，得到一個(gè)簡單的 3D 坐標(biāo)數(shù)據(jù)；再通過識別車道線信息，路沿，隔離帶等獲取豐富的 1D 數(shù)據(jù)。把簡單的 3D 數(shù)據(jù)和豐富的 1D 的數(shù)據(jù)加起來，大小也不過是 10Kb/km，攝像頭的圖像與這種REM地圖中匹配即可定位。Mobileye這種設(shè)計(jì)毫無疑問是成本最低的，但前提是至少有上千萬輛車配備REM系統(tǒng)，能夠自動搜集數(shù)據(jù)并上傳到云端，有些路段或者說非道路地區(qū)，沒有裝載REM系統(tǒng)的車走過，就無法定位。

不過這種方法讓人有以下幾點(diǎn)存疑：

在全球范圍內(nèi)讓裝載REM系統(tǒng)的車走遍每一寸土地是不可能的。這可能牽涉到隱私問題，也牽涉到數(shù)據(jù)版權(quán)問題，這些數(shù)據(jù)的版權(quán)究竟歸誰，是車主還是車企還是云端的服務(wù)商，還是Mobileye？這個(gè)問題很難說清。

同時(shí)REM的數(shù)據(jù)要及時(shí)更新，幾乎要做到準(zhǔn)實(shí)時(shí)狀態(tài)，同時(shí)光線對數(shù)據(jù)影響明顯，REM要濾除那些不合適的數(shù)據(jù)，所以維持這份地圖的有效性需要非常龐大的數(shù)據(jù)量和運(yùn)算量，誰來維護(hù)這個(gè)龐大的運(yùn)算體系？

最致命的一點(diǎn)，REM是基于視覺的，只能在天氣晴好，光線變化幅度小的情況下使用，這大大限制了其實(shí)用范圍，而激光雷達(dá)可滿足95%的路況。

以上只是一般常見的定位方法，當(dāng)然，具體的定位手段有多種，多個(gè)傳感器可根據(jù)定位方法進(jìn)行隨意組合。融合方案的定位精度會優(yōu)于單一傳感器，一個(gè)傳感器在某種環(huán)境失效，補(bǔ)充傳感器能頂上。例如市面上常見的一些多傳感器融合的定位手段有：

1. 自動駕駛 GPS+IMU+里程計(jì)

GPS 給出的全局錨定，可以消除累計(jì)誤差問題，不過它的更新頻率低，并且信號容易被遮擋。 IMU和輪盤里程計(jì)更新頻率高，不過有累計(jì)誤差問題，最容易想到的是收到GPS定位，使用GPS位置信息，誤差就是GPS的精度，在下一次收到GPS定位間隔中，使用IMU（角度累加）和里程計(jì)（位移累加）進(jìn)行位姿累加，中間的位姿誤差是初值GPS定位誤差和中間累加誤差的積累。

改進(jìn)的方法是使用非線性卡爾曼濾波，在收到GPS位置信息的時(shí)候，要結(jié)合IMU和里程計(jì)的積累預(yù)測值和GPS觀測值，算出一個(gè)誤差收斂的更優(yōu)的位置估算值。

2. 自動駕駛 GPS+ 多線雷達(dá)+高精地圖匹配

GPS 給出全局錨定，中間使用雷達(dá)SLAM 前端里程計(jì)做累加，可以配合高精地圖的圖匹配，做類似后端回環(huán)優(yōu)化的方式，將GPS、激光雷達(dá)及已知地圖進(jìn)行融合定位。

3. 自動駕駛多對雙目視覺攝像頭SLAM方案

這種方案成本低，更加考究的是算法，有很少的自動駕駛公司宣稱自己主攻純視覺方案，現(xiàn)在不是主流。

4. 單線雷達(dá)+IMU+里程計(jì)融合

滿足室內(nèi)定位的要求，個(gè)人理解可以分為淺融合和深融合。淺融合使用IMU+里程計(jì)的累加值作為推算雷達(dá)里程計(jì)的初值，在這個(gè)初值基礎(chǔ)上進(jìn)行連續(xù)幀的掃描匹配，會大大加速匹配速度。深融合會結(jié)合IMU和里程計(jì)的值作為約束條件，應(yīng)用到后端回環(huán)約束矯正中。

5. 深度攝像頭+ IMU 融合

目前在手機(jī)的VR應(yīng)用中已經(jīng)初見端倪，如蘋果公司的IphoneX以及Google 已經(jīng)發(fā)布一段時(shí)間的Tango項(xiàng)目。深度視覺SLAM 與 IMU 進(jìn)行深淺融合，達(dá)到一個(gè)比較不錯的VR體驗(yàn)。

無人駕駛對可靠性和安全性要求非常高，除了GPS與慣性傳感器外，我們通常還會使用LiDAR點(diǎn)云與高精地圖匹配，以及視覺里程計(jì)算法等定位方法，讓各種定位法互相糾正以達(dá)到更精準(zhǔn)的效果。相信隨著自動駕駛技術(shù)的發(fā)展，未來的定位技術(shù)也不會不斷優(yōu)化。