一文概覽自動駕駛汽車定位技術(shù)

InfoRich 2020-12-01

展開全文

導(dǎo)讀：

本文由智車科技授權(quán)發(fā)布，作者為智車科技。

本文將介紹自動駕駛汽車的定位技術(shù)，主要包括GNSS（全球?qū)Ш叫l(wèi)星系統(tǒng)），RTK（實(shí)時(shí)運(yùn)動定位）和慣性導(dǎo)航。定位，是讓自動駕駛汽車找到自身確切位置的方法，這對自動駕駛汽車來說非常重要。當(dāng)你在駕駛一輛車時(shí)徹底迷路了，你不知道自己在哪兒，而這時(shí)你有一張全球的高精度地圖，定位的任務(wù)就是確定你的車輛在這張高精度地圖上的位置。

圖1

圖2

在日常生活中，我們一直使用手機(jī) GPS 來確定自己的位置，但 GPS 1到3米之間的精確度對自動駕駛汽車來說不夠精確。而當(dāng)我們被高樓、山脈環(huán)繞，或位于峽谷內(nèi)時(shí)，GPS 的精度可能會更差，只有10米或50米（見圖2）。

由于我們無法完全信任 GPS，因此我們必須找到另一種方法來更準(zhǔn)確地確定車輛在地圖上的位置。最常用的方法是，將車輛傳感器所看到的內(nèi)容與地圖上所顯示的內(nèi)容進(jìn)行比較，車輛傳感器可以測量車輛與靜態(tài)障礙物（樹木、電線桿、路標(biāo)和墻壁）之間的距離。

圖3

我們在車輛自身的坐標(biāo)系中測量這些距離，以及靜態(tài)障礙物的方向。在車輛自身的坐標(biāo)系中，汽車的前進(jìn)方向始終向前，當(dāng)汽車左轉(zhuǎn)或右轉(zhuǎn)時(shí)，坐標(biāo)系與汽車一同旋轉(zhuǎn)，以使車輛的前進(jìn)方向在坐標(biāo)系中繼續(xù)向前。隨著車輛的轉(zhuǎn)彎，車輛自身的坐標(biāo)系必然與地圖坐標(biāo)不一致（見圖3），車輛的坐標(biāo)和地圖的坐標(biāo)可能都取決于手機(jī)導(dǎo)航系統(tǒng)中的設(shè)置。

圖4

在地圖上也有可能找到車輛傳感器所檢測到的地標(biāo)，為估計(jì)車輛在地圖上的位置，我們將傳感器的地標(biāo)觀測值與這些地標(biāo)在地圖上的位置進(jìn)行匹配，地圖自帶坐標(biāo)系，無人駕駛軟件必須將傳感器的測量得到的在車輛坐標(biāo)系中的坐標(biāo)，轉(zhuǎn)換為地圖坐標(biāo)系中的坐標(biāo)（見圖4），執(zhí)行這類轉(zhuǎn)換是解決定位問題的關(guān)鍵步驟。

總結(jié)：車輛將其傳感器識別的地標(biāo)與高精地圖上存在的地標(biāo)進(jìn)行對比，為了進(jìn)行該對比，必須能夠在它自身坐標(biāo)系和地圖坐標(biāo)系之間相互轉(zhuǎn)換數(shù)據(jù)。而后，系統(tǒng)必須在地圖上以十厘米的精度確定車輛的精確位置。

定位提供了許多可供選擇的方法，每種方法都有各自的優(yōu)缺點(diǎn)。接下來，我們將探討幾種常見的自動駕駛汽車定位方法。

全球?qū)Ш叫l(wèi)星系統(tǒng) GNSS

如果你迷路了，要如何在高精度地圖上確定自己的位置？

圖5

假如你看到自己離一棵樹75米遠(yuǎn)，你可能比較清楚自己處在什么位置，但仍然不能確定，因?yàn)槟阒悄芘袛嘧约何挥谝粋€以樹為圓心、半徑75米的圓上（見圖5）。

圖6

然后，你看到一個離自己64米遠(yuǎn)的房子，于是你知道自己位于兩個圓的交點(diǎn)處，但不知道自己位于哪個交點(diǎn)上（見圖6）。

圖7

現(xiàn)在假設(shè)你看到第三個路標(biāo)：一個距離你離你55米遠(yuǎn)的路燈，如果你有一張地圖，里面注明了這些地標(biāo)在世界上的確切位置，那么你就能知道自己相對于這些路標(biāo)的確切位置，這個過程被稱為三角測量（見圖7）。

我們要在地球表面上進(jìn)行三維定位，使用的是傳送地標(biāo)與我們之間距離的衛(wèi)星，而不是我們可以看到的地標(biāo)，這就是 GPS 工作的原理，那么，我們需要幾顆衛(wèi)星才能確切知道自己的位置？

GPS 即全球定位系統(tǒng)，是一種由美國政府開發(fā)、并在全球范圍運(yùn)營的衛(wèi)星導(dǎo)航系統(tǒng)。這類系統(tǒng)的通用名稱為全球?qū)Ш叫l(wèi)星系統(tǒng)或 GNSS，GPS 是使用最廣泛的 GNSS 系統(tǒng)。起初 GPS 只是用于軍事導(dǎo)航，但現(xiàn)在任何人都可以使用 GPS 接收器，從 GPS 衛(wèi)星收集信號并使用該系統(tǒng)。

GPS 由三部分組成：

衛(wèi)星。在任何特定時(shí)間，大約有30顆 GPS 衛(wèi)星在太空運(yùn)行，他們各自距離地球表面約2萬公里。
控制站。控制站分散在世界各地，用于監(jiān)視和控制衛(wèi)星，其主要目的是讓系統(tǒng)保持運(yùn)行，并驗(yàn)證 GPS 廣播信號的精確度。
GPS 接收器。GPS 接收器存在于手機(jī)、電腦、汽車、船只以及許多其他設(shè)備中，如果周圍沒有高樓等障礙物并且天氣良好，那么無論你身在何處，GPS 接收器應(yīng)每次至少檢測到四顆 GPS 衛(wèi)星。

GPS 接收器實(shí)際上并不直接探測你與衛(wèi)星之間的距離。它首先測量信號的飛行時(shí)間，即信號從衛(wèi)星傳播到你的 GPS 接收器需要多長時(shí)間，然后通過將光速乘以這個飛行時(shí)間來計(jì)算衛(wèi)星的距離。

實(shí)時(shí)運(yùn)動定位 RTK

因?yàn)楣馑俚闹岛艽?，即使是少量的時(shí)間誤差也會在計(jì)算過程中造成巨大的誤差，所以每顆衛(wèi)星都配備了高精度的原子鐘。而為進(jìn)一步減小誤差，我們可以使用 RTK（實(shí)時(shí)運(yùn)動定位）。

RTK 需要在地面上建立幾個基站，每個基站都知道自己精確的地面位置，同時(shí)每個基站也通過 GPS 測量自己的位置，已知的地面位置與通過 GPS 測量的位置之間的偏差為 GPS 測量結(jié)果中的誤差，然后基站將這個誤差傳遞給其他 GPS 接收器，以供其調(diào)整自身位置的定位結(jié)果。

在 RTK 的幫助下，GPS 可以將定位誤差限定在10厘米以內(nèi)，但是：

高樓和其他障礙物可能阻擋 GPS 信號，這使定位變得困難或根本無法進(jìn)行；
同時(shí)，GPS 的更新頻率很低，大約為10赫（每秒更新10次），但由于自動駕駛汽車在快速移動，需要更頻繁地更新位置。

慣性導(dǎo)航

假設(shè)一輛車正以恒定速度直線行駛，已知汽車的初始位置、速度及行駛時(shí)長，我們可以算出汽車的當(dāng)前位置。再進(jìn)一步，我們可以使用加速度、初始速度和初始位置計(jì)算汽車在任何時(shí)間點(diǎn)的車速和位置。而在這個計(jì)算過程中，我們需要解決一個問題：如何測量加速度。

當(dāng)前位置=初始位置+速度×?xí)r間

為了測量加速度，我們需要“三軸加速度計(jì)”傳感器。它可以精確測量加速度。但加速度計(jì)本身不足以計(jì)算車輛的位置和速度。加速度計(jì)根據(jù)車輛的坐標(biāo)系記錄測量結(jié)果，而后這些測量值被轉(zhuǎn)換成世界坐標(biāo)系，為了實(shí)現(xiàn)這種轉(zhuǎn)換我們需要借助“陀螺儀”傳感器。三軸陀螺儀的三個外部平衡環(huán)一直在旋轉(zhuǎn)，但在三軸陀螺儀中的旋轉(zhuǎn)軸始終固定在世界坐標(biāo)系中，車輛通過測量旋轉(zhuǎn)軸和三個外部平衡環(huán)的相對位置來計(jì)算其在坐標(biāo)系中的位置。

陀螺儀 3D 展示圖

加速度計(jì)和陀螺儀是 IMU（慣性測量單元）的主要組件。IMU 的一個重要特征在于它以高頻率更新，其頻率可達(dá)到1000赫茲，所以 IMU 可以提供接近實(shí)時(shí)的位置信息。

慣性測量單元的缺點(diǎn)在于其運(yùn)動誤差隨時(shí)間增加而增加，我們只能依靠慣性測量單元在很短的時(shí)間范圍內(nèi)進(jìn)行定位。但是，我們可以結(jié)合 GPS 和 IMU 來定位汽車，一方面，IMU 彌補(bǔ)了GPS 更新頻率較低的缺陷；另一方面，GPS 糾正了 IMU 的運(yùn)動誤差。

對自動駕駛汽車而言，僅將 GPS 和 IMU 系統(tǒng)相結(jié)合，還不能完全解決定位所面臨的問題，如果我們在山間、峽谷或地下隧道中行駛，我們可能會長時(shí)間沒有 GPS 更新，這會讓整個定位面臨失敗的風(fēng)險(xiǎn)。

本節(jié)將介紹自動駕駛汽車的定位技術(shù)：激光雷達(dá)定位和視覺定位，以及Apollo框架是如何解決定位問題的。

激光雷達(dá)定位

利用激光雷達(dá)，我們可以通過點(diǎn)云匹配來對汽車進(jìn)行定位，該方法將來自激光雷達(dá)傳感器的檢測數(shù)據(jù)與預(yù)先存在的高精度地圖連續(xù)匹配。通過這種比較，可獲知汽車在高精度地圖上的全球位置和行駛方向。

有許多算法可用于匹配點(diǎn)云，迭代最近點(diǎn)（ICP）是其中一種方法。假設(shè)我們想對兩次點(diǎn)云掃描進(jìn)行匹配，對于第一次掃描中的每個點(diǎn)，我們需要找到另一次掃描中最接近的匹配點(diǎn)。最終會收集到許多匹配點(diǎn)對，把每對點(diǎn)之間的距離誤差相加，計(jì)算平均距離誤差。

我們的目標(biāo)是通過點(diǎn)云旋轉(zhuǎn)和平移來最大限度降低這一平均距離誤差，這樣就可以在傳感器掃描和地圖之間找到匹配。我們將通過傳感器掃描到的車輛位置轉(zhuǎn)換為全球地圖上的位置，并計(jì)算出在地圖上的精確位置。

濾波算法是一種 LiDAR 定位方法，可消除冗余信息，并在地圖上找到最可能的車輛位置。Apollo 使用了直方圖濾波算法，該方法有時(shí)候也被稱為誤差平方和算法（SSD）。為了應(yīng)用直方圖濾波，我們將通過傳感器掃描的點(diǎn)云劃過地圖上的每個位置，在每個位置，我們計(jì)算掃描的點(diǎn)與高精度地圖上的對應(yīng)點(diǎn)之間的誤差或距離，然后對誤差的平方求和。求得的和越小，掃描結(jié)果與地圖之間的匹配越好。

該示例圖中顯示的一些對齊較好的點(diǎn)，用紅色表示；以及一些對齊較差的點(diǎn)，用藍(lán)色表示；綠色表示中等對齊。

卡爾曼濾波是另一種 LiDAR 定位方法，也是一種算法，它根據(jù)我們在過去的狀態(tài)和新的傳感器測量結(jié)果預(yù)測我們當(dāng)前的狀態(tài)。具體來說，卡爾曼濾波使用了預(yù)測更新周期：

首先，我們根據(jù)之前的狀態(tài)以及對移動距離和方向的估計(jì)，來估計(jì)或“預(yù)測”我們的新位置，并通過使用傳感器測量我們的位置并加以糾正。一旦使用傳感器測量了我們的新位置，便可以使用概率規(guī)則，將傳感器測量結(jié)果與我們現(xiàn)有的位置預(yù)測結(jié)合起來。我們會永遠(yuǎn)遵循這個預(yù)測更新周期，也即需要對車輛進(jìn)行定位時(shí)，先預(yù)測我們的新位置，然后用傳感器測量我們的位置。

總結(jié)：LiDAR 定位的主要優(yōu)勢在于穩(wěn)健性。只要從高精度地圖開始，并且存在有效的傳感器，我們就始終能夠進(jìn)行定位。主要缺點(diǎn)在于難以構(gòu)建高精度地圖，并使其保持最新。事實(shí)上，幾乎不可能讓地圖保持完全最新，因?yàn)閹缀趺總€地圖均包含瞬態(tài)元素，汽車和行人，甚至停放的汽車，在我們下次駕車駛過時(shí)都會消失，街道上的垃圾會被吹走，世界上的許多元素都在不斷發(fā)生變化。

視覺定位

圖像需要收集到最簡單的數(shù)據(jù)類型。攝像頭便宜且種類繁多還易于使用，我們可以使用圖像來定位汽車嗎？

通過圖像實(shí)現(xiàn)精確定位非常困難。實(shí)際上，攝像頭圖像通常與來自其他傳感器的數(shù)據(jù)相結(jié)合，用以準(zhǔn)確定位車。但將攝像頭數(shù)據(jù)與地圖和 GPS 數(shù)據(jù)相結(jié)合比單獨(dú)使用攝像頭圖像進(jìn)行定位的效果更好。

假設(shè)一輛車正在路上行駛，它感知到右邊有一棵樹，但是地圖顯示道路右側(cè)有幾棵樹，全部位于不通的位置，我們?nèi)绾沃儡囕v現(xiàn)在“看”到的是哪棵樹？

我們可以用概率來解決這個問題。想象一下，我們正位于道路上許多不同點(diǎn)中的任意一點(diǎn)處，使用概率能確定哪個點(diǎn)最可能代表我們的實(shí)際位置。

已知車輛右側(cè)有一棵樹，我們假設(shè)從一些點(diǎn)可以看到右邊有一棵樹，而從另一些點(diǎn)則看不到。我們可以在開車的同時(shí)繼續(xù)觀察周邊世界。

想象一下，我們開車前行，觀察到車輛右邊的另一棵樹，在觀察到地圖上的其余點(diǎn)之后，我們發(fā)現(xiàn)僅在少數(shù)幾個位置會發(fā)現(xiàn)車輛右側(cè)有成排的兩棵樹，我們當(dāng)然最有可能位于這些位置之一，所以我們可以排除所有其他位置。

過程繼續(xù)，通過觀察結(jié)果、概率和地圖來確定我們最可能的位置，該過程被稱為粒子濾波。因?yàn)槲覀兪褂昧Ｗ踊螯c(diǎn)來估計(jì)最可能的位置，當(dāng)然，樹木在許多道路上比較稀少，但是車道線在許多道路上卻很常見，可以使用相同的粒子濾波原理對車道線進(jìn)行拍照。使用拍攝的圖像來確定車輛在道路中的位置，可以將道路攝像頭圖像與地圖進(jìn)行比較。我們的攝像頭圖像與地圖的某些部分匹配得很好，但與地圖的其他部分匹配得沒那么好。

視覺車道線示例

上圖是視覺車道線的一個示例，藍(lán)色代表地圖上兩個不同位置的車道線，紅色代表車輛攝像頭觀察到的車道線，紅線與右側(cè)藍(lán)線的匹配度要比與左側(cè)藍(lán)線的匹配度高得多，因此我們更有可能位于與右側(cè)圖像對應(yīng)的地圖位置上。

總結(jié)：視覺定位的優(yōu)點(diǎn)在于圖像數(shù)據(jù)很容易獲得，缺點(diǎn)在于缺乏三維信息和對三維地圖的依賴。

融合定位

Apollo 使用基于 GPS、IMU 和激光雷達(dá)的多傳感器融合定位系統(tǒng)，這種融合方式利用了不同傳感器的互補(bǔ)優(yōu)勢，它也提高了穩(wěn)定性和準(zhǔn)確性，Apollo 定位模塊依賴于 IMU、GPS、激光雷達(dá)、雷達(dá)和高精度地圖。

這些傳感器同時(shí)支持 GNSS 定位和 LiDAR 定位。GNSS 定位輸出位置和速度信息，LiDAR 定位輸出位置和行進(jìn)方向信息。融合框架通過卡爾曼濾波將這些輸出結(jié)合在一起，卡爾曼濾波建立在兩步預(yù)測測量周期之上，在 Apollo 定位中，慣性導(dǎo)航解決方案用于卡爾曼濾波的預(yù)測步驟，GNSS 和 LiDAR 定位用于卡爾曼濾波的測量結(jié)果更新步驟。

總結(jié)

通過本文我們了解了自動駕駛汽車的定位技術(shù)，包括：激光雷達(dá)定位和視覺定位，以及 Apollo 框架是如何解決定位問題的?，F(xiàn)在，我們可以將有關(guān)汽車定位的信息與軟件棧中其他信息相結(jié)合，以便我們的車輛開往世界各地。

END

無人車情報(bào)局交流群

掃碼入群交流

本站是提供個人知識管理的網(wǎng)絡(luò)存儲空間，所有內(nèi)容均由用戶發(fā)布，不代表本站觀點(diǎn)。請注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購買等信息，謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來自： InfoRich > 《自動駕駛》

舉報(bào)/認(rèn)領(lǐng)