详解自动驾驶多传感器融合定位技术

作者：晓畅Auto
来源：知乎，深蓝AI
编辑：东岸因为
 原文：详解自动驾驶多传感器融合定位技术

谈到定位，实际上每个人都很熟悉。无论是你手机里的GPS还是交流沟通时“我在xxx”，都是一个定位的概念的表达。

而对于无人驾驶车辆而言，它也需要表达自己的位置。那这时候它不能仅仅简单地表达“我在某某路上”，这太粗糙了，我们需要知道每个时刻它处于一个什么点位上，这时候就需要引入坐标系了，因为在坐标系下你就可以用XYZ来表示你的具体位置了，并且该位置是唯一的。

关于坐标系既可以使用全局坐标系，例如GPS获得的全球定位坐标；也可以使用一个局部坐标系，例如你今天就只运行在某段封闭道路或园区内，就可以以起点作为坐标系原点。

除了这些外在的不会随意变化的坐标系，无人驾驶汽车本身还有一个自车坐标系，也就是常说的位姿。位姿就是位置+姿态，位置即X、Y、Z三维，姿态即横摆yaw、俯仰pitch、侧倾roll。对于车辆而言，一般都行驶在路面上，产生Z这个维度的数值比较少见。同样地，俯仰和侧倾也相对较少。如果发生大范围侧倾，那可能自动驾驶功能是没本事纠正回来了，这时候可能需要叫个拖车。

定位功能为后续规划、控制模块提供了重要的输入信息，也因此对定位模块提出了很高的需求。具体可以看看下表。

首先是精度要求，我们常说定位要精准，那怎么精准法，就是要求误差不能超过10cm。想想，如果你的定位和实际位置差得太大，那在遇到复杂场景时想要变道避让就会和别的目标发生碰撞。鲁棒性说的是定位系统的容错能力，保证最差不会差过30cm。全天候场景也好理解，谁也不希望车在雨雪大雾天或者隧道里就不能使了。

那么，要实现这么高的要求需要怎样的技术呢？

常用的有三种：

（1）基于电子信号的定位；

（2）航迹推算；

（3）环境特征匹配。

先来说说第一种。基于电子信号的定位用通俗点的话来说就是GPS定位。通过接受卫星实时的电子信号，解算出目标当前时刻的位置。不过GPS定位算法也有好有差，例如我们手机里用的定位误差就能达到三四米，这也是为什么有的时候你在桥上走，定位却显示你在水里游的原因。

那汽车显然不能用误差这么大的方法，于是就有了实时动态载波相位差分技术。说人话就是通过车辆到天上多个卫星之间的回波周期数，通过比较解除周期模糊，确定一个数值，这个值就是精确的定位位置。

这个方法的优势就是定位精度是真的很高，能达到5cm，但是缺点也很明显，他得需要在车上安装一套设备，既和卫星通讯也和基站交互，同时还不能去高楼大厦、隧道、立交桥这种对信号有遮挡的地方。显然，这一方法满足了精度，缺忽视了鲁棒性和场景。

航迹推算说的是根据上一时刻的位置姿态，结合当前测量到的信息来推测现在的位姿。做航迹推算必不可少的传感器便是IMU惯性测量单元。有印象的同学会记得我们在之前的系列中讲过这一传感器，不记得的同学请点击下方传送门，这里就不赘述这个传感器了。

直接来说说这一方法的优点，由于IMU是装在自己车上的，装上就能测，也不需要接收啥外部信号，因此对于场景就完全不在乎。同时这个小东西输出频率非常高，5ms就输出一次位姿信息，并且短时精度也很高，看着相当生猛。它的缺点就是会累计误差，用着用着就越来越不准了，因此需要不停的校准，常常与其他定位方法结合在一起消除零漂。

显然，这一方法满足了精度和场景，但是鲁棒性不够。

最后我们再来看看环境特征匹配。所谓的环境特征匹配其实就是SLAM技术，及时定位与建图。那SLAM有激光SLAM和视觉SLAM，所以根据传感器不同分为激光环境特征匹配和视觉环境特征匹配。

激光定位就是利用激光雷达事先生成一个地图，这个地图可以是3D的也可以是2D的。

随后我们把感知得到的实时点云和预先建立的地图进行匹配，最容易想到的就是搜索方式。任选地图中的某一块区域，拿现有点云和它去做比较，看颜色信息是否接近、高度信息是否一致，计算出一个匹配概率，概率最高的当然就是匹配成功的点。

通过这种方式我们就完成了一个现实世界到地图的转换，可以很精确计算出我们处在地图中的某个位置，类似在景区地图上找自己所在位置的感觉。