《 无人驾驶原理与实践》一1.3.2定位

1.3.2定位

      在无人车感知层面，定位的重要性不言而喻，无人车需要知道自己相对于外界环境的精确位置。在城市复杂道路行驶场景下，定位位置的精度要求误差不超过10cm，如果定位位置偏差过大，那么在城市道路行驶中，车辆轮胎就很容易在行驶过程中擦到路牙、剐蹭到护栏等，甚至会引发爆胎等车辆驾驶安全问题和交通安全事故。尽管在车辆自动驾驶中会利用自动避障功能以辅助安全，但也不能保证百分百地避障成功，并且对于路牙这种道路障碍特征，在某些情况下，由于盲区、软件故障等原因，传感器也不一定能保证百分百检测到。因此，在无人车技术的发展过程中，无论是从硬件层面还是软件层面，定位精度的提高都具有很重要的意义。
       目前使用最广泛的无人车定位方法包括融合全球定位系统（Global Positioning System，GPS）和惯性导航系统（Inertial Navigation System，INS）的定位方法，其中，GPS的定位精度由器件成本决定，一般在几十米到几厘米级别之间，精度越高，GPS和惯性导航等传感器的价格也就相对越昂贵。融合GPS/INS的定位方法在GPS信号缺失、微弱的情况下，如地下停车场、密集高楼的市区等场景，也不容易做到高精度定位，因此也只能适用于部分场景（如开阔、信号良好环境下）的无人驾驶定位任务。
       地图辅助类定位算法是另一类广泛使用的无人车定位算法，同步定位与地图构建（Simultaneous Localization And Mapping，SLAM）是这类算法的代表，SLAM的目标即构建地图的同时使用该地图进行定位，SLAM通过利用传感器（包括摄像头、激光雷达等）已经观测到的环境特征，确定当前车辆的位置以及当前观测目标的位置，这是一个利用以往的先验概率分布和当前的观测值来估计当前位置的过程，我们通常使用的方法包括贝叶斯滤波器（Bayesian Filter）、卡尔曼滤波器（Kalman Filter）、扩展卡尔曼滤波器（Extended Kalman Filter）以及粒子滤波器（Particle Filter）等，这些方法都是基于概率和统计原理的定位技术。
       SLAM是机器人定位领域的研究热点，在特定场景下的低速自动驾驶定位的应用过程中也有较多现实的实例，如园区无人摆渡车、无人清洁扫地车，甚至是扫地机器人、Boston Dynamics制造的机械大狗等场景，都广泛使用了SLAM技术。实际上，在此类特殊场景的应用中，我们并不是在定位的同时实时建图，而是事先使用传感器如激光雷达、视觉摄像头等对运行环境区域进行了SLAM地图的构建，然后在构建好的SLAM地图的基础上实现定位、路径规划等其他进一步的操作。
       在有了一部分点云地图之后，还可以通过程序和人工处理的方法将一些“语义”元素添加到地图中（如车道线的标注、交通信号标志标线、红绿灯位置、当前路段的交通规则等），这个包含了语义元素的地图就是我们无人驾驶领域常说的“高精度地图”。在实际定位的时候，使用3D激光雷达的扫描数据和事先构建的高精度地图进行点云匹配，以确定无人车在地图中具体位置的这类方法被统称为扫描匹配（Scan Matching）方法，其中最常见的方法是迭代最近点（Iterative Closest Point，ICP），该方法基于当前扫描和目标扫描的距离度量来完成点云配准。除此以外，正态分布变换（Normal Distributions Transform，NDT）也是进行点云配准的常用方法，它是基于点云特征直方图来实现配准的一种算法。基于点云配准的定位方法也能实现10cm以内的定位精度，本书后文将会讲解基于正态分布变换的点云定位方法。
       虽然点云配准能够给出较高精度的无人车相对于地图的全局定位，但是这类方法过于依赖事先构建好的高精度地图。另外，由于高精度地图构建成本较高，并且点云匹配计算开销也非常大（例如Velodyne32c每秒产生高达120万个点数据），以及车辆在高速行驶的过程中对计算、控制的实时性要求较高，因此，在高速行驶无人驾驶场景中使用点云匹配的方法相对来说成本过高。