自动驾驶学习笔记（十二）——定位技术
#Apollo开发者#
学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往：
《自动驾驶新人之旅》免费课程—> 传送门
《Apollo Beta宣讲和线下沙龙》免费报名—>传送门
文章目录
前言
卫星定位
RTK定位
IMU定位
GNSS定位
先验地图定位
SLAM定位
MSF定位
Apollo定位
Tips
总结
前言
见《自动驾驶学习笔记（七）——感知融合》
见《自动驾驶学习笔记（八）——路线规划》
见《自动驾驶学习笔记（九）——车辆控制》
见《自动驾驶学习笔记（十）——Cyber通信》
见《自动驾驶学习笔记（十一）——高精地图》
卫星定位
基础定位系统由三个部分组成：空间部分(GPS卫星)、地面监控部分和用户部分。如下图所示：
其基本工作原理是：至少测量出当前位置与4颗卫星的距离和对应时间，通过解方程即可求得当前位置在地球坐标系下的位置(x,y,z)。为什么是4颗呢?因为除了需要确定(x,y,z)三个位置参数，还需要一个卫星提供相对零点时间从而消除时间误差。
全球四大导航系统包括：美国全球定位系统、欧盟“伽利略”系统、俄罗斯“格洛纳斯”系统、中国北斗卫星导航系统。
定位模块除了需要告诉自动驾驶系统自动驾驶汽车当前的位置之外，实际还提供车辆当前的运动状态，比如车的航向，速度，加速度，角速度等状态信息。
RTK定位
基础的卫星定位是存在误差的，误差既来自系统的内部，也来自外部。例如卫星信号穿透电离层和对流层时产生的误差，还有卫星高速移动产生的多普勒效应引起的误差，以及多径效应误差通道误差、卫星钟误差、星历误差、内部噪声误差等。这些误差，有些可以完全消除，有些无法消除或只能部分消除。它们影响了系统的准确性和可靠性。
RTK（Real time kinematic，实时动态）载波相位差分技术，是卫星定位的扩展。它是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。如下图所示：
1、 基准站先观测和接收卫星数据。
2、基准站通过旁边的无线电台(数据链 )，将观测数据实时发送给流动站(距离一般不超过20公里)。
3 、流动站收到基准站数据的同时，也观测和接收了卫星数据。
4、 流动站在基准站数据和自身数据的基础上根据相对定位原理，进行实时差分运算，从而解算出流动站的三维坐标及其精度，其定位精度可达1cm~2cm。
IMU定位
惯性测量单元（Inertial measurement unit，简称IMU）是测量物体三轴姿态角(或角速率)以及加速度的装置。一般的，一个IMU内会装有三轴的陀螺仪和三个方向的加速度计，来测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。为了提高可靠性，还可以为每个轴配备更多的传感器。一般而言IMU要安装在被测物体的重心上。
IMU的核心参数指标有两个。陀螺仪角度偏差范围通常在0.1°/s - 0.001°/h。加速度计加速度偏差范围通常在100mg - 10ug。由距离计算公式s =½at²可以得出，100mg和10ug偏差的加速度计在60s之后的测量误差分别是3528m和0.35m，差距非常大。不同级别的IMU在精度和成本方面也相差甚远，如下图所示：
GNSS定位
GNSS是GPS与IMU组合定位。
GPS定位非常方便，但在高楼、隧道和停车场等场所会出现多径效应和信号衰减，导致测量精度下降。GPS的更新频率也比较低，一般为1s刷新一次。
为了解决上述问题，IMU通常用来辅助GPS进行定位，IMU不需要接收信号，不受信号质量影响，而且更新频率快，工作频率通常可达100Hz以上，可以弥补短期GPS刷新频率不足的问题。但是IMU有累计误差，在一段时间后需要校准，所以目前无人车主要通过GPS和IMU融合定位。
先验地图定位
先验地图定位是拿当前观测到的特征和事先建好的地图做匹配，如下图所示：
其2大核心问题是：特征提取和特征匹配(Feature matching )和重定位( Relocation )。特征提取和特征匹配常用的算法有：ICP ( iterative closest point )、NDT ( Normal Distributions Transform )和基于优化的方法。重定位是指在环境中找到自己的初始坐标，例如在停车场中启动的时候。
SLAM定位
先验地图的好处非常明显，通过事先建立好地图，然后在线做匹配从而得到目标当前的位置但环境会发生改变，如果周围的环境变化了，而地图没有更新，则会得到错误的定位信息。
SLAM（Simultaneous localization and mapping）意为“同步定位与建图”，其工作原理如下图所示：
SLAM根据类型划分为视觉SLAM和激光SLAM两种。视觉SLAM算法又包括ORB-SLAM、LSD-SLAM、VINS-Mono等。激光SLAM算法包括Cartographer和LOAM系列等。SLAM算法的精度已经足够，可以用于大规模分布式实时建图，但是鲁棒性有待加强。
MSF定位
MSF（Multi-Sensor Fusion）多传感器融合定位，接收GPS、IMU和激光雷达点云等多传感器的数据，通过NDT输出的结果和组合导航输出的结果，通过卡尔曼滤波进行融合，最后输出高精度的定位结果。其工作原理如下图所示：
Apollo定位
Apollo的定位模块包含三种定位方式：RTK定位、NDT定位和MSF定位，如下图所示：
Tips
GPS + IMU组合导航还是目前主流的用法。在此基础上结合先验地图，可以实现复杂场景的定位。如果要实现较高的鲁棒性要求，可以增加MSF的算法。而SLAM不依赖事先建好的地图具有强大的优势，是未来发展的方向。
总结
以上就是本人在学习自动驾驶时，对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识，欢迎评论区留言、点赞、收藏和关注，这些鼓励和支持都将成文本人持续分享的动力。
另外，如果有同在小伙伴，也正在学习或打算学习自动驾驶时，可以和我一同抱团学习，交流技术。
版权声明，原创文章，转载和引用请注明出处和链接，侵权必究！
文中部分图片来源自网络，若有侵权，联系立删。