学习笔记4--导航与定位技术

本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》。
此专栏是关于《自动驾驶系统设计及应用》书籍的笔记.

---

---

4.导航与定位技术

• 自动驾驶汽车能够持续安全可靠运行的一个关键前提是车辆的定位系统必须实时稳定地输出足够高精度的位置和与位置相关的信息，这些信息包括：车辆的经度、纬度、航向角、速度、加速度、俯仰角、更新频率等；
• 目前自动驾驶汽车整体技术和车辆限速要求，自动驾驶乘用车的最高车速不宜超过90km/h，自动驾驶客车的最高车速不宜超过70km/h；一般情况下，人工驾驶控制车辆距离道路一侧路牙石的安全距离约为25cm，自动驾驶汽车必须在行驶25cm的时间内更新一次定位信息且定位精度≤25cm，否则就有可能导致车辆超出道路边界发生事故；
• 按照最高车速90km/h计算，根据公式$t=s/v$，车辆行驶25cm用的时间是0.01s，根据公式$f=1/t$，则定位信息更新频率为100Hz，因此，定位信息更新频率需≥100Hz，定位精度需≤25cm，才能保证车辆行驶安全；
• 目前高精定位技术路线主要分为三种：基于卫星定位系统和捷联惯导系统的组合定位技术、基于激光雷达点云和高精地图的匹配定位技术、基于计算机视觉里程算法的定位技术；

4.1 卫星定位和捷联惯导组合定位技术

• 基于卡尔曼滤波器的最优估计理论的数据处理方法为组合导航系统提供了理论基础被广泛应用；
• 在导航系统输出数据的基础上，利用卡尔曼滤波滤除噪声干扰估计系统的误差状态，用误差状态的估计值去校正系统，从而达到优化组合导航系统综合性能的目的，提高导航系统的精度；
• 滤波器运行时主要分为预测和更新两个阶段；
  • 预测阶段：在得到新GPS数据前，通过积分惯性传感器的数据来预测车辆的当前位置；
  • 更新阶段：当接收到新的比较精准的GPS数据时，使用新的GPS数据对当前的位置进行预测更新；通过不断执行这两个步骤来实现自动驾驶汽车的精准实时定位；

4.2 激光雷达点云和高精度地图匹配定位技术

• 高精地图的绝对坐标精度更高，包含的道路交通信息元素更丰富、细致；
• 借助高精地图能够扩展车辆的静态环境感知能力，为车辆提供其他传感器无法提供的全局视野，包括：车载环境感知传感器检测范围外的道路、交通和设施信息；
• 激光雷达在车辆行驶过程中不断收集点云来动态了解周围环境，通过这些环境信息与高精地图进行比对匹配确定车辆位置；
• 最常用的点云匹配算法是迭代最近点算法(ICP)；该算法的目标是在给出两组点云的情况下，假设场景不变，算出这两组点云之间的位置，第一组点云的每个点在第二组点云里找到一个最近的匹配，之后通过所有的匹配来计算均方误差，进而调整估计的位置；多次迭代后，最终计算出两组点云的相对位置；
• 在预先有地图的情况下，用实时的点云加上一个大概位置猜测就可以精准算出车辆的当前位置，从而实现全局最优估计；
• 定位原理如下图所示：
  
  定位过程：融合了激光雷达和GPS及惯导的信息，并跟踪环境特征，最后由匹配的环境特征反过来对自动驾驶汽车的位置进行修正，得到其位置的最优估计；依靠每一个位置所观察到的不同的环境特征和已有的高精地图匹配，不断修正自身位置的误差量，从而实现自动驾驶汽车长距离的自主导航；

4.3 视觉里程算法的定位技术

• 基于视觉的定位算法主要有两大类：基于地标拓扑的算法和基于几何的视觉里程算法；
• 基于拓扑的算法把所有的地标抽象成一个拓扑图，当自动驾驶汽车监测到某个地标时，便可以根据地标位置大致推断出自身所在的位置；
• 基于几何的视觉里程算法不需要预先建立精准的拓扑图，在定位的同时还能扩展地图；
• 典型的基于双目摄像头的视觉里程计算法原理如下图所示：
  
  • 双目摄像头抓取左右两图，双目图像经过三角剖分产生当前帧的视差图；
  • 提取当前帧与之前帧的特征点，如果之前帧的特征点已经提取好了，可以被直接使用；
  • 对比当前帧与之前帧的特征点，找出帧与帧之间的特征点对应关系，根据此关系，推算出两帧之间车辆的运动；
  • 根据推算出的两帧之间的车辆运动，及之前的车辆位置，计算出最新的车辆位置；