自动驾驶车辆如何定位?

自动驾驶定位的特点

对于定位系统和传统定位来说，自动驾驶车辆的位置和姿态有以下特点：

◆厘米级别的精度，需要精确到车在车道线的具体位置，例如距离左右边线几公分。

◆高频低延迟，需要毫秒级别的时间延迟，实时传输车的位置，否则会出现安全事故。

几种定位方式

全球导航卫星系统

特点：

米级别精度

低频

干扰或者遮挡

解决方法：RTK（Real - time kinematic，实时动态）载波相位差分技术，可以达到厘米级别。

相对定位：惯性测量单元IMU

特点：

加速度以及角速度

三个方向的加速度计和三轴的陀螺仪

高频（通常100HZ）

累积误差

解决方法：惯性导航系统

点云定位

鲁棒性好，不依赖于 GPS 信息。

依赖于先验地图，地图的准确性和实时性可能会导致定位误差。

需要解决：弱特征环境。比如说在桥上，往前开10米和往后开10米看到的场景都是类似的，对于这类环境来说，如何去找到准确位置，这是必须考虑的问题。

定位系统

多传感器融合定位

综合来说，靠单一传感器定位是不够的，所以采取多传感器融合的方案。基于卡尔曼滤波模型，整体定位效果会有更高的精度和更好的鲁棒性。

卡尔曼滤波模型

卡尔曼滤波是一种高效率的递归滤波器，它能够从一系列的不完全和包含噪声的测量中，估计动态系统的状态。

基于卡尔曼滤波模型，我们把自动驾驶车辆当时的位置看作是高斯分布，也就是说，车辆定位在某个区域范围之内，且位于中间的可能性是最大的。

随着车辆行驶，根据运动方程，定位系统能够得到车辆的位置预测。假设一辆车往前行驶了10米，于是车辆产生一个预测位置，然而实际行驶中，预测位置和实际位置的误差逐渐变大。这是因为，此数据可能是由IMU给出，而IMU作为传感器自然会存在误差。同时假设这辆车还装有GPS，那么GPS给出的位置信息便相当于上图中的蓝色的部分，这个定位数据也是包含一定误差的。

于是，我们得到关于这辆车的两个位置信息，将二者结合后便可得到较为准确且可信的结果。由此可见，卡尔曼滤波是不断在更新迭代的，最终实现得到一个比较准确位置的目标。

我认为，定位系统的最终目标是万里无忧，对自动驾驶的挑战则是更低成本和更苛刻的外部环境。最终我们一定会把这些问题解决好，实现这个目标。