Apollo入门课程[3]——定位

定位简介

用于确定车辆在HD Map上的位置。

车辆将其传感器识别的地标与其HD Map存在的地标进行对比，在此前需要将自身的坐标系和地图的坐标系之间转换数据。精度要在cm级。

GNSSRTK

三角测量：

GPS：GNSS系统，分为三部分：卫星、控制站（用于监视和控制卫星，让系统保持运行，验证GPS广播信号的精确度）、GPS接收器（环境条件好的情况下，每次至少检测到四颗GPS卫星）

GPS接收器不会直接探测目标和卫星之间的距离。首先测量信号的飞行时间（信号从卫星到GPS接收器的时间），由于光速误差较大，所以每个卫星都配备高精确度的原子钟。

进一步减小误差，可使用实时运动定位（RTK）。
RTK在地面上建立几个基站，每个基站都知道自己精确的“地面实况”位置。每个基站也通过GPS测量自己的位置。两个位置之间有个误差Error，用于目标位置的矫正。

RTK优缺点
√ GPS将定位误差限制在10cm左右
× 仍存在障碍物阻挡信号问题
× 更新频率很低 （10Hz）

惯性导航

使用三轴加速计（一种传感器）测量加速度a，使用陀螺仪将测量值转换为全局坐标系
三轴陀螺仪的三个外部平衡环一直在旋转，旋转轴始终固定在世界坐标系中。

计算车辆在坐标系中的位置：
测量旋转轴和三个外部平衡环的相对位置来计算的。
惯性测量单元（IMU）组件：加速度计和陀螺仪。

IMU优缺点
√ IMU以高频度更新，频率可达到1000Hz
× 其运动误差随时间增加而增加

IMU适合短时间内实时定位，GPS和IMU结合使用，IMU弥补GPS更新频率较低的缺陷，GPS纠正IMU的运动误差。

激光雷达定位

可以通过点云匹配来对汽车定位，将检测数据与HD Map连续匹配，通过比较获知汽车在HD Map上的全球位置和行驶方向。
点云匹配算法很多，如：
迭代最近点（ICP）
对两次点云扫描进行匹配，第一次的点需要找到另一次扫描中最接近的匹配点，最后收集匹配点对，把每对点之间的距离误差相加，计算平均距离误差。
通过点云旋转和平移来最大限度地降低平均距离误差，这样就可以在扫描点和HD Map上找到匹配。

滤波算法
可消除冗余信息，并在Map上找到最可能车辆的位置。
Apollo使用直方图滤波算法（误差平方和算法SSD），通过传感器扫描地点云划过地图上的每个位置，在每个位置计算扫描点与HD Map上对应点之间的误差（或距离），然后对误差的平方求和，求和越小匹配越好。

卡尔曼滤波
根据目标过去的状态和新的测量结果预测当前状态，使用了预测更新周期。
流程：
首先根据之前的状态以及移动距离和方向的估计来估计或“预测”新位置。
然后使用传感器测量位置进行并加以纠正，使用概率规则将测量结果与位置预测结合。

优缺点
√ 稳健性高
× 难以构建HD Map并使其保持最新

视觉定位

粒子滤波：通过概率和地图确定位置。使用粒子或点来估计最可能的位置。

优缺点
√ 图像数据易获得
× 缺乏三维信息和对三维地图的依赖

Apollo定位

使用基于GPS、IMU和激光雷达的多传感器融合定位系统，提高了稳定性和准确性。定位模块依赖于IMU、GPS、激光雷达和HD Map。这些传感器同时支持GNSS定位和LiDAR定位。
GNSS定位输出位置和速度信息，LiDAR定位输出位置和行进方向信息。融合框架通过卡尔曼滤波将这些输出结合在一起。

惯性导航解决方案使用了卡尔曼滤波的预测步骤，GNSS和LiDAR定位使用了测量结果更新步骤。