《 无人驾驶原理与实践》一第3章无人驾驶系统的定位方法

第3章

无人驾驶系统的定位方法    

       定位是无人驾驶中一个非常重要的研究领域。它的核心是要解决关于无人车“我在哪？”和“要去哪？”的问题。举例说明，当在北京旅游的时候，如果迷路了，你会打开地图然后使用手机导航，那么导航软件首先需要知道自己现在在哪，即了解当前所处位置，然后结合地图或导航，匹配自己现在所处的道路、建筑物、场景等方向位置，最后再确定目标地点在哪，该往哪个方向走。对于人脑神经元来说，这些计算和认知工作是在一瞬间完成的，但对于计算机和程序则需要分解步骤，并转化为机器能识别的机器指令，从而完成定位计算。
       同理，对于自动驾驶也是如此，需要用机器的语言让机器了解车辆此时“在哪”及“去哪”的问题，这也就是自动驾驶定位要解决的核心问题。
       定位技术有很多种类，有基于激光雷达点云数据的定位，有基于GPS+INS信息的定位，也有基于SLAM技术的定位，还有基于高精度地图的定位技术。而高精度地图的定位技术实际上是融合了激光雷达点云数据、GPS信号、语义矢量地图（车道线、道路标志标线、红绿灯、交通信号标志等）综合信息的一种定位技术。本章将对前面所述三种典型定位技术进行描述。
       激光雷达传感器有许多品牌和档次之分，它的成本普遍高于视觉传感器，如Velodyne的室外远距离128线雷达动辄几十万至百万元，一些室外使用的近距离、中等距离的平面雷达如SICK和Hokuyo也在数万至数十万元等级。激光雷达的优点是测距精准、测距远、分辨率高、隐蔽性好、抗有源干扰能力强，缺点就是成本太高，并且在暴雨、大雪、大雾等天气下易受影响。在天气条件良好的时候，激光一般衰减较小，传播距离较远。而在大雨、浓烟、浓雾等恶劣天气里衰减会急剧加大，传播距离也受影响较大。
       激光SLAM起源于早期的基于测距的定位方法。激光雷达的出现和普及使得距离测量更快更准，信息更丰富。3D激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，因此被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对来计算激光雷达相对运动的距离和姿态的改变，从而完成对机器人自身的定位。
       下文将对无人驾驶所使用的技术进行简单的介绍和分析，进而找出最适合实际情况的解决方法。

3.1实现定位的原理

       SLAM即同步定位与地图构建，也称为CML（Concurrent Mapping and Localization，并发建图与定位）。SLAM方法可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上构建增量式地图，实现机器人的自主定位和导航。SLAM在扫地机器人、VR游戏等产品应用中有很多不错的成果。
       基于高精度点云地图的定位即利用激光雷达产生的数据，然后经过PCL（Point Cloud Library，点云库）转化为点云地图，通过点云间的匹配来完成定位的技术。高精度点云地图如图31所示。

       激光雷达（Lidar）扫描后点云数据呈现效果如图32所示。

       如果我们想要知道无人车的位置，只需要将Lidar当前扫描出的点云片段与我们的之前采集的全局点云地图进行迭代匹配。在给出两组点云的情况下，假设场景不变，计算出这两组点云之间的姿态。使用迭代最近点（Iterative Closest Point，ICP）就可以让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（MSE，统计概念），匹配的过程实际上就是寻找最小均方误差的过程。方差有可能来自测量误差，也有可能是场景的动态变化导致的。通过最小化误差来计算无人车与当前地图环境最匹配的位置坐标，而最小化误差的配准算法也是我们接下来要介绍的内容之一。