自動駕駛定位技術就是解決“我在哪兒”的問題，并且對可靠性和安全性提出了非常高的要求。除了GPS與慣性傳感器外，我們通常還會使用LiDAR點云與高精地圖匹配，以及視覺里程計算法等定位方法，讓各種定位法互相糾正以達到更精準的效果。隨著自動駕駛的發展，定位技術也一定會不斷優化。

　　一般來講，自動駕駛實際包含三個問題：一是我在哪？二是我要去哪？三是如何去？能完整解決這三個問題就是真正的自動駕駛。

　　定位技術就是解決“我在哪兒”的問題，并且自動駕駛需要的是厘米級定位。

　　目前自動駕駛的技術基本上都源自機器人，自動駕駛汽車可以看做是輪式機器人外加一個舒適的沙發組成。機器人系統中定位和路徑規劃是一個問題，沒有定位，就無法規劃路徑。厘米級實時定位是目前自動駕駛最大的挑戰之一。對機器人系統來說，定位主要靠SLAM與先驗地圖（Prior Map）的交叉對比。

　　SLAM是Simultaneous Localization and Mapping的縮寫，意為“即時定位與地圖構建”。它是指運動物體根據傳感器的信息，一邊計算自身位置，一邊構建環境地圖的過程。

　　由于傳感器種類和安裝方式的不同，SLAM的實現方式和難度會有很大差異。按傳感器來分，SLAM主要分為激光、視覺兩大類。

　　自動駕駛通過定位技術準確感知自身在全局環境中的相對位置，將自身視作一個質點并與環境有機結合起來。

　　按定位技術原理不同可分為三類。第一類，基于信號的定位，代表就是GNSS定位，即全球導航衛星系統；第二類，航跡推算，依靠IMU等，根據上一時刻的位置和方位推斷現在的位置和方位；第三類是環境特征匹配15:36:2015:36:21，基于LiDAR的定位，用觀測到的特征和數據庫中的特征和存儲的特征進行匹配，得到現在車的位置和姿態。

　　現有的無人車高精度定位在某些情況下會出現定位不準的情況。因此僅依靠GPS的定位方案可靠性太差。

　　因此自動駕駛一般用組合定位。首先本體感知傳感器如里程計（Odometry）、陀螺儀（Gyroscopes）等，通過給定初始位置和姿勢（簡稱位姿），來測量相對于機器人初始位姿的距離和方向來確定當前機器人的位姿，也叫做航跡推測。然后用激光雷達或視覺感知環境，用主動或被動標識、地圖匹配、GPS、或導航信標進行定位。位置的計算方法包括三角測量法、三邊測量法和模型匹配算法等。從這個角度而言，IMU也是自動駕駛必備的部件。

　　慣性傳感器（IMU）是檢測加速度與旋轉運動的高頻（1KHz）傳感器，對慣性傳感器數據進行處理后我們可以實時得出車輛的位移與轉動信息，但慣性傳感器自身也有偏差與噪音等問題影響結果。而通過使用基于卡爾曼濾波的傳感器融合技術，我們可以融合GPS與慣性傳感器數據，各取所長，以達到較好的定位效果。

　　注意由于無人駕駛對可靠性和安全性要求非常高，所以基于GPS和慣性傳感器的定位并非無人駕駛里唯一的定位方式。

　　就目前定位技術而言，自動駕駛有三類定位方法，通常三種方法會被交叉使用，以相互糾正達到更精準的效果：

　　基于 GPS 和慣性傳感器的傳感器融合；

　　基于 LiDAR 點云與高精地圖的匹配；

　　基于視覺的道路特征識別。

　　這三類定位方法，都屬于需要結合多個傳感器聯合來解決定位問題，以下為幾個具體的定位方法：

　　1、業內通用的定位方式是GPS＋高精度地圖＋攝像機（激光雷達等）信息融合的定位方法。

　　激光雷達的SLAM，利用車輛自帶的GPS和IMU做出大概位置判斷，然后用預先準備好的高精度地圖（Prior Map）與激光雷達SLAM云點圖像與之對比，或者說Registration，放在一個坐標系內做配準。配對（Matching）成功后確認自車位置。這是目前最成熟，準確度最高的方法。

　　通過一個視頻具體了解一下業內是如何結合車載傳感器信息做定位的。

　　首先根據GPS的數據（經緯高和航向）確定無人車大致處于哪條道路上，這個位置的可能與真實位置有5～10米的差距。

　　根據車載傳感器檢測的車道線（虛、實線）及道路邊緣（路沿或護欄）的距離與高精地圖提供的車道線及道路邊緣做比對，然后修正無人車的橫向定位。

　　根據車載傳感器檢測到的廣告牌、紅綠燈、墻上的標志、地上的標志（停止線、箭頭等），與高精地圖提供的同一道路特征（POI）進行匹配，進而修正縱向定位和航向。在沒有檢測到任何道路特征的情況下，可以通過航位推算進行短時間的位置推算。

　　無人車的定位算法通常采用粒子濾波的方法，需要多個計算周期后，定位結果才會收斂，進而提供一個相對穩定的定位結果。粒子濾波的算法原理我會在隨后的系列文章中介紹。

　　2、圖像增強型定位。通常是將Lidar和視覺系統結合進行定位。 這種方法需要預先準備一幅激光雷達制造的3D地圖，用Ground－Plane Sufficient得到一個2D的純地面模型地圖，用OpenGL將單目視覺圖像與這個2D的純地面模型地圖經過坐標變換， 用歸一化互信息（normalizedmutual information）配準。然后用擴展卡爾曼濾波器（EKF）來實現定位。

　　3、是用激光雷達的強度掃描圖像。激光雷達有兩種最基本的成像方式，一是3D距離成像，可以近似地理解為點云；二是強度掃描成像，激光經物體反射，根據反射強度值的不同，可以得到一副強度成像圖像。強度值是包括在點云里的，光強分離核心技術之一。這種定位方法需要預先制作一個特殊的SLAM系統，稱之為位姿圖像SLAM（Pose－GraphSLAM），勉強可看作激光雷達制造的高清地圖。有三個約束因素，一是掃描匹配約束，二是里程計約束，三是GPS先驗約束。激光雷達的3D云點地圖抽出強度值和真實地面（Ground Plane），轉化為2D的地面強度掃描圖像。與位姿圖像SLAM配對后即可定位。

　　另外還可用高斯混合地圖進行定位，即在遇到惡劣環境，比如很厚的積雪，雪后還有殘雪的泥濘的道路，缺乏紋理的老舊的被破壞的道路，用高斯混合模型來做定位，提高激光雷達定位的魯棒性。

　　4、Mobileye提出的REM。REM是一種無需SLAM的定位方法，但顯然只是視覺SLAM的變種而已，Mobileye通過采集包括交通信號、方向指示牌、長方形指示牌、路燈及反光標等「地標」，得到一個簡單的 3D 坐標數據；再通過識別車道線信息，路沿，隔離帶等獲取豐富的 1D 數據。把簡單的 3D 數據和豐富的 1D 的數據加起來，大小也不過是 10Kb／km，攝像頭的圖像與這種REM地圖中匹配即可定位。Mobileye這種設計毫無疑問是成本最低的，但前提是至少有上千萬輛車配備REM系統，能夠自動搜集數據并上傳到云端，有些路段或者說非道路地區，沒有裝載REM系統的車走過，就無法定位。

　　不過這種方法讓人有以下幾點存疑：

　　在全球范圍內讓裝載REM系統的車走遍每一寸土地是不可能的。這可能牽涉到隱私問題，也牽涉到數據版權問題，這些數據的版權究竟歸誰，是車主還是車企還是云端的服務商，還是Mobileye？這個問題很難說清。

　　同時REM的數據要及時更新，幾乎要做到準實時狀態，同時光線對數據影響明顯，REM要濾除那些不合適的數據，所以維持這份地圖的有效性需要非常龐大的數據量和運算量，誰來維護這個龐大的運算體系？

　　最致命的一點，REM是基于視覺的，只能在天氣晴好，光線變化幅度小的情況下使用，這大大限制了其實用范圍，而激光雷達可滿足95％的路況。

　　以上只是一般常見的定位方法，當然，具體的定位手段有多種，多個傳感器可根據定位方法進行隨意組合。融合方案的定位精度會優于單一傳感器，一個傳感器在某種環境失效，補充傳感器能頂上。例如市面上常見的一些多傳感器融合的定位手段有：

　　1． 自動駕駛 GPS＋IMU＋里程計

　　GPS 給出的全局錨定，可以消除累計誤差問題，不過它的更新頻率低，并且信號容易被遮擋。 IMU和輪盤里程計更新頻率高，不過有累計誤差問題，最容易想到的是收到GPS定位，使用GPS位置信息，誤差就是GPS的精度，在下一次收到GPS定位間隔中，使用IMU（角度累加）和里程計（位移累加）進行位姿累加，中間的位姿誤差是初值GPS定位誤差和中間累加誤差的積累。

　　改進的方法是使用非線性卡爾曼濾波，在收到GPS位置信息的時候，要結合IMU和里程計的積累預測值和GPS觀測值，算出一個誤差收斂的更優的位置估算值。

　　2． 自動駕駛 GPS＋ 多線雷達＋高精地圖匹配

　　GPS 給出全局錨定，中間使用雷達SLAM 前端里程計做累加，可以配合高精地圖的圖匹配，做類似后端回環優化的方式，將GPS、激光雷達及已知地圖進行融合定位。

　　3． 自動駕駛多對雙目視覺攝像頭SLAM方案

　　這種方案成本低，更加考究的是算法，有很少的自動駕駛公司宣稱自己主攻純視覺方案，現在不是主流。

　　4． 單線雷達＋IMU＋里程計融合

　　滿足室內定位的要求，個人理解可以分為淺融合和深融合。淺融合使用IMU＋里程計的累加值作為推算雷達里程計的初值，在這個初值基礎上進行連續幀的掃描匹配，會大大加速匹配速度。深融合會結合IMU和里程計的值作為約束條件，應用到后端回環約束矯正中。

　　5． 深度攝像頭＋ IMU 融合

　　目前在手機的VR應用中已經初見端倪，如蘋果公司的IphoneX以及Google 已經發布一段時間的Tango項目。深度視覺SLAM 與 IMU 進行深淺融合，達到一個比較不錯的VR體驗。

　　無人駕駛對可靠性和安全性要求非常高，除了GPS與慣性傳感器外，我們通常還會使用LiDAR點云與高精地圖匹配，以及視覺里程計算法等定位方法，讓各種定位法互相糾正以達到更精準的效果。相信隨著自動駕駛技術的發展，未來的定位技術也不會不斷優化。