前面介紹了通過 IMU 與GNSS 信號進行融合后組成慣性組合導航系統， 下面介紹幾種其他的定位方式以及和IMU的結合來提高性能。

一，LIDAR定位

利用激光雷達可以通過點云匹配來給車給汽車進行定位，該方法來自于激光雷達傳感器的檢測數據與預先存在的高精度地圖連續匹配，通過這種匹配可以獲得汽車在高精度地圖上的全球位置及行駛方向。

匹配點運算法很多，幾個常見的算法有迭代最近點，濾波算法以及卡爾曼濾波。

迭代最近點（或IPC）是一種方法。假如我們相對兩次點云掃描進行匹配，對第一次掃描的每一個點我們需要找到另一次掃描中最近的匹配點，最終我們會收都許多匹配點對，將每對點距離誤差相加，然后計算平均距離誤差。目標是通過點云旋轉和平移來最大限度地降低這一平均誤差，一旦實現，就可以在傳感器掃描和地圖之間找到匹配，這樣我們將傳感器掃描得到到的位置轉換成全球地圖上的位置，并計算出地圖上的精度位置。

慣導另一個作用是配合激光雷達。GPS+慣性導航系統為激光雷達的空間位置和脈沖發射姿態提供高精度定位，建立激光雷達云點的三維坐標系。慣導可用于定位，與其他傳感器融合時，也需要統一到一個坐標系下。定位是最常用的，通過 IMU、慣性導航系統、編碼器和 GPS，得到一個預測的全局位置。當激光雷達實時掃描單次的點云數據后，結合單次的點云數據進行匹配，并進行特征提取。這些特征包括路沿、車道線、高度等周圍點線面的特征。對于高精度地圖，提取過特征與實時提取的特征進行匹配，最終得到精準的車本體速度，這是激光雷達的定位過程。

濾波算法是LIDAR定位的另一種算法。可消除冗余信息，并在地圖上找最可能的車輛位置. 比如，Apollo采用了直方圖濾波算法（有時也叫誤差平方和算法（或SSD））,為了利用直方濾波，我們將通過傳感器掃描的點云滑過地圖的每一個位置，在每個位置，我們計算掃描的點和高精度地圖上對應點之間的距離誤差或距離，然后對誤差的平方求和，求和的數越小說明掃描結果與地圖之間的匹配越好。在下圖的示例中，匹配最好的點顯示紅色，最差的點顯示藍色，綠色代表適中的點。

卡爾曼濾波是LIDAR的另一種定位方法。卡爾曼濾波是一種算法，用于根據我們在過去的狀態和新的傳感器測量的結果預測我們當前的狀態。卡爾曼濾波使用了預測更新周期，首先我們根據之前的狀態以及對移動距離和方向的估計來估計和“預測”我們新的位置。

一，視覺定位

圖像數據是收集最容易的數據，攝像頭便宜且種類繁多，還易于使用，但要用攝像頭來實現高精度定位是很困難的。但是可以將攝像頭數據與地圖和GPS結合起來，利用概率來判斷攝像頭數據與地圖或者GPS等傳感器采集的數據做比對，來定位車輛或者障礙物的位置。下圖為利用視覺概率思維來確定樹的位置。

自動駕駛系統一般使用基于GPS,IMU和激光雷達等多種傳感器融合的定位系統。這種融合利用了不同傳感器的互補優勢，提高了穩定性和準確性。系統定位模塊依賴于IMU,GPS,激光雷達，雷達和高精度地圖，這些傳感器同時支持GNSS定位和LIDAR定位，GNSS定位輸出速度和位置信息，LIDAR定位輸出位置和行進方向信息，融合框架通過卡爾曼濾波將這些輸出結合在一起，卡爾曼濾波建立在兩步預測測量周期之上。

卡爾曼濾波已成為大多數定向算法和商用慣性方向傳感器的公認基礎；Xsens、微應變、，矢量導航、InterSense、PNI和十字弓，所有的生產系統都建立在它的基礎上。基于卡爾曼的解決方案的廣泛使用證明了其準確性和有效性，但是它們有一些缺點，它們的實現是復雜的，這可以從學科文獻中看到的眾多解決方案中反映出來。線性回歸迭代是卡爾曼濾波過程的基礎，它要求采樣率遠遠超過目標帶寬(例如，512 Hz之間的采樣率)，30千赫對于系統可移植性至關重要的人體運動捕獲應用程序來說也許是必要的，描述三維旋轉運動學的狀態關系通常需要較大的狀態向量，擴展的卡爾曼濾波實現將問題線性化。

這些挑戰需要大量的計算負荷來實現基于卡爾曼濾波的解決方案，并提供了一個明確的結果。解決這些問題的先前的方法已經實現了模糊處理和頻域濾波處器，有利于在低角速度下定向的加速度計和在高角速度下的集成陀螺儀。

總之，慣性導航系統將成為自動駕駛定位信息融合的中心。由于慣導具有的輸出信息不間斷、不受外界干擾的獨特優勢，慣導可以在車輛運行中提供連續的測量信息，同時可以將視覺傳感器、雷達、激光雷達、車身系統信息進行更深層次的融合，為決策層提供精確可靠的連續的車輛位置，姿態的信息，成為定位信息融合的中心。

據公開報道，作為百度Apollo的重要合作伙伴，ADI公司的慣性測量單元(IMU)被用于阿波龍系統的慣性導航器件。