通过持续不断的发射激光束，激光束遇到障碍物会产生反射，部分反射会被激光雷达(Lidar)传感器再次接收到，通过测量激光束发送和返回传感器的耗时(Round Trip Time)可以或者周围物体距离激光雷达的距离。

高精度全局定位系统本质上可以看做一个级联的定位系统，先通过GNSS系统提供一个可能的位置范围，再利用激光雷达(Lidar)系统、视觉定位系统等方法进行局部环境的搜索匹配，从而实现厘米级的定位精度。由于需要由GNSS为高精度定位系统提供全局唯一的位置初值和误差范围，所以它在自动驾驶系统中的作用至关重要。

惯性测量单元(Inertial measurement unit，简称 IMU)，是测量物体三轴姿态角及加速度的装置。一般IMU包括三轴陀螺仪及三轴加速度计，部分IMU还包括三轴磁力计。IMU在小至手机、VR，大至航空、航天领域都得到了广泛的应用。手机中的微信运动记录步数使用了IMU；VR中随着头部姿态变换切换视野场景用到了IMU；在GPS之前，航...

辆位置和姿态是自动驾驶中的一个基础问题，只有解决了车辆的位置和姿态，才能将自动驾驶的各个模块关联起来。车辆的位置和姿态一般由自动驾驶的定位模块输出。

Unscented Kalman Filter是解决非线性卡尔曼滤波的另一种思路，它利用Unscented Transform来解决概率分布非线性变换的问题。UnScented Kalman Filter不需要像Extended Kalman Filter一样计算Jacobin矩阵，在计算量大致相当的情况下，能够获得更加精确非线性处理效果。

ES-EKF直接估计Error State,然后用它矫正Nominal State。在整个滤波过程中，我们实际上修正的变量是$\delta x$,这点一定要清楚!!

$$ \begin{aligned} f(x)=&\sum_{n=0}^{\infty} \frac{f^{(n)}(x_0)}{n!} (x - x_0)^n \\ =& f(x_0) + f(x_0)^{\prime}(x-x_0) + \frac{f^{\prime \prime}(x_0)}{2!}(x-x_0)^2 + ... + \frac{f^{(n)}(x_0)}{n!} (x - x_0)^n \end{aligned} $$

Kalman Filter是处理连续变化的动态不确定系统的理想方法，并且由于内存占用小(不需要记录历史状态)，运行速度快，被广泛应用在机器人实时多传感器融合系统中。

Waymo的技术在公开道路上、封闭测试场、仿真器进行了广泛的测试，所以可以保证自动驾驶系统的每一部分在其ODD内都有强大、可靠、安全的处理能力。

2017年10月Google Waymo向美国交通部提交了一份43页的安全报告，报告中详细说明了Waymo如何装备和训练自动驾驶车辆，从而避免驾驶中的一般和意外情况发生。这份报告对Waymo的自动驾驶技术进行了详细的解读，希望能够对自动驾驶从业者带来一些启发。

前面提到的Ordinary Least Squares Estimation和 Weighted Least Squares Estimation和都假设提前收集好了所有的测量数据。但在实际的应用中，测量数据可能是流式的，比如位置测量系统以100HZ的频率不间断的对车辆的位置进行测量。在高频的更新频率下，测量数据越来越多，如果每次都把所有的测量结果都按照矩阵解进行计...

自动驾驶车辆配备了许多的不同的传感器，它们的测量精度各不相同，有的精度高，有的精度低，而高精度设备的测量结果更加值得信任,如何达到这种效果呢。一个直觉的做法，就是赋予高精度的测量更大的权重，同时降低低质量的测量结果的贡献。Weighted Least Square Method可以帮助达到这一目的。

Localization目标是确定自动驾驶车辆在全局坐标系内的位置(Position)和方向(Orientation)，精确的Localization系统是任何自动驾驶汽车的关键组成部分。为了实现精确的Localization系统，需要使用State Estimation，从不精确的各种传感器的测量结果中，找到最优解作为车辆的定位位置。

不同级别的自动驾驶对地图的精细程度要求不同。高精地图不仅存储Road和Lane等详细信息，而且还存储Landmark信息和周围环境信息用于辅助车辆定位；车辆定位信息和高精地图信息又作为Perception模块的输入，实现为物理环境建模的目的；Planning&Control模块依据Perception模块输出的环境模型规划和控制车辆的驾驶行为...

然后定义一个新的状态空间，当且仅当时，,由于是一个离散的状态空间，我们就可以采用离散贝叶斯算法计算。是对的近似，它给出x(t)在每一个的概率，划分的越精细，计算的结果就越精确，当然精确的代价是计算成本的上升。