自动驾驶汽车定位技术，自动驾驶汽车定位技术pdf

--关注回复“SOA”--

↓↓领到：面对智能车辆研发的开放式SOA计划方案↓↓

根据深度学习的定位和搭建地图近期导致了极?的高度关注，它给予地处理?案并不是根据利?概念模型或?何基础理论来建立??定制的优化算法，?是带来了?种以数据驱动的?式去解决问题的取代?案。得益于不断增长的信息量和估算能?，这种?案已经迅速发展变成?个新的领域，这一领域给予精确和弱?的软件来追踪健身运动，并可能情景以及构造以?于真实世界应?。深度学习包含?泛的主题风格，从学习培训?程可能、搭建地图、到全局定位和同歩定位与构图法（SLAM），为科学研究?员处理定位和搭建地图难题带来了将来新的方向。

定位简述

?类根据多模态感观来认知学生的?我和运动自然环境，并借助这类认知在繁杂的三维空间中定位和导航栏??，这类能?是?类天生室内空间能?的?一部分。除此之外，认知?我健身运动及周边环境的能?在探索认知运动控制系统??，也起到?关极为重要的作?。同样，建立一个相对高度自动安全驾驶系统软件也要通过一个精准和相对稳定的定位，逐渐建?一个外部世界的地图实体模型，并且具有不断解决最新资讯和满足各种各样场景下的能?。?泛的说，定位就是指获得定向运动的内部系统状态下的能?，包含部位、?向和速率；?构图法就是指认知环境因素情况并捕获周边环境能力，包含 2D 或 3D 场景下的?何、外型和词义。他们可单独?动以各自认知内部结构或外界情况，还可以协同?动，比如SLAM，能同时追踪姿态，并且在全局架构中建八局??致的自然环境实体模型。

从?义上来讲，定位的办法可分为根据信号的功率定位（全局定位），比如GPS；根据轨迹估计的定位（部分相对性定位），比如?程可能；及其根据自然环境特征相匹配的定位（部分肯定定位），比如地图配对。

这三种方法有各自优势与缺点，现阶段会交叉式或融合应用，从而达到相互之间多余和完善的定位结论。对根据信号的功率定位而言，信号拥有自己固有缺点，例如在隧道施工里，信号能被挡住，没办法正常启动，或者因为多路径效用，通讯卫星定位性能也会受到一定的影响。这时，能够根据自然环境特征相匹配的定位，来获得车辆在地图中的地位。可是，在极端的天气状况，很严重的雨雪天，感应器接受会受影响，又或者是，当一些地区或者是有一些道路基本特征，例如路边路面界限信息内容，并不是非常清晰，特征定位特性也会受到危害。这时，根据轨迹估计定位能够充分发挥的优势，在不久时间内维持精确性，那如果长期使用，轨迹估计有出入积累的难题，也会产生定位飘移。因此，目前解决方法会结合这三种方法，例如，百度Apollo定位系统软件：

图 1/图 2. 百度搜索多传感器结合定位控制模块架构

https://www.sohu.com/a/228425367_391994

根据数据信号定位（全局定位）：

根据数据信号定位测算车辆相较于地球的位置，一般会导出层面，经纬度，相对高度或海拔高度和航行方向。现有有好几个数据信号定位由来，多数人印象最深的是全局定位系统软件（GPS）。GPS全局定位系统软件由美国研发的一个卫星导航系统，是全世界导航卫星系统软件（GNSS）的一种形式。GPS不是唯一的GNSS系统软件，中国最近实现了自有的北斗导航系统，是GPS的直接竞争对手。与此同时，GLONASS是另一个由俄国所拥有的完备的卫星导航系统，及其Galileo，一个由欧盟国家发布有着几近完备的卫星导航系统。

图 3. 全世界导航卫星系统软件

https://www.mobatime.com/article/difference-between-gnss-gps/

与此同时，我们通过GNSS调整得到比商业服务GNSS精密度更高定位，例如能从根据地面动态技术性（RTK）校准。RTK是动态载波相位差分信号技术性的英文缩写，是一种根据基准站和工作站的同时观察，运用载波相位观测值完成迅速高精密定位的功能差分信号测量技术。RTK系统软件由1个基准站、多个工作站及无线电通讯系统构成。它能够根据使用例如无线通信系统或互联网技术将已经知道的位置更改从通信基站发送至车子，以该座标参照站平面坐标为依据，对偏差量开展计算，并且在计算中清除偏差，即时给予动态性cm级、静态数据mm级测量精度定位服务项目。

图 4. 根据地面动态技术性

https://www.xa.com/news/official/xplanet/305

根据轨迹测算定位（相对性部分定位）：

在我们没有全局定位时，我们依然可以获得一个相对应的当地参照。相对性部分定位能够提供相较于某一随意起点的估计定位。该随意起点并不是传送到特定GPS部位或特殊海拔高度，其实只是尺度空间中的一个点，能用XYZ测量结果和翻转仰俯方位来表现，它参照架构一般称之为里程计架构。

大家应用惯性导航系统（INS）完成相对性部分定位。大家可以用惯性测量单元（IMU）精确测量翻转仰俯和变桨的速度和加速度，随着时间推移归纳这种测量结果，并计算出车子相较于起点的位置转变。大家还可以用车轱辘伺服电机（Wheel Encoder）做同样的事，这有时候被称作航位测算（Dead Reckoning），它精确测量单独车轱辘的运动速度，应用车轱辘伺服电机数据跟踪相较于起始点位置并制定相对性地图和途径。也有根据图象或激光传感器的里程计（Visual/Lidar Odometry），它容许您运用照相机或云数据的改变来检测相对性定位。

惯性测量单元

车轱辘伺服电机

根据图形的里程计

图 5. 惯性导航系统

https://www.vectornav.com/resources/inertial-navigation-primer/theory-of-operation/theory-gpsins

根据自然环境特征配对定位（肯定部分定位）：

根据自然环境特征配对定位是依据车子相较于本地地标底部位去进行定位。在大多数情况下，我们会有给予本地地标底地图做参考架构。根据先验地图，肯定部分定位配对史记中最相近的地图子集合（图象/云数据/特征点），依据获取到的地图子集合所提供历史时间位姿真值、特征点坐标真值，测算点对之间变换矩阵，求得现阶段定位。肯定部分定位一般会导出相对应的XYZ座标，翻转仰俯变桨标值，或表明方位与空间自由的灵魂四元数。最经常見的计算方法包含标准正态分布转换 (NDT), 迭代更新近期点 (ICP)，完美结合 (PM)等。

图 6. GPU加快NDT

（Keon Woo Jang, Woo Jae Jeong and Yeonsik Kang, 2022）

为了能开展根据自然环境特征配对定位，我们应该有某类方式的感应器键入，比如激光传感器，雷达探测，照相机等。应用激光传感器，能够也会得到相较于根据点云的地图 (Point-cloud-based map) 的定位；应用雷达探测，可以获得相较于根据返回地图 (Return-cloud-based map) 的定位；应用具备归类和深入的相机的部位，可以获得相较于根据对象地图 (Object-based map) 的定位。

图 7. 地图结合

https://gitlab.com/ApexAI/autowareclass2020/-/blob/master/lectures/10_Localization/Localization_with_Autoware.pptx

深度学习方式

定位和搭建地图难题解决方案早已探讨了??年，各种各样繁杂的??设计方案模型和算法依然在设计中，比如?程可能（包含视觉效果?程计、视觉效果惯性力?程计及 LIDAR ?程计）、根据图形的定位、部位识别 SLAM等。在理想化环境下，这种感应器和实体模型可以跨不一样自然环境精确可能系统状态，不会受到限制时间。但是，在现实生活中，不健全的感应器精确测量、有误的系统建模、繁杂的生活环境动态性和毫无意义的管束设置，可能会影响?动系统的准确性稳定性。

机器学习算法，特别是深度学习的最新消息，促进科学研究?员考虑到将数据驱动（学习培训推动）?法做为解决问题取代?法，将输?传感器数据（比如视觉效果、惯性力、激光传感器或其它传感器数据）与导出?数值（比如部位、?向、情景?何或词义）相互关系概括为映射函数。深度学习?法有下列三个优点：

?先，学习培训?法能够利??度表述深度神经系统?络做为通?靠近器，并?动发觉与每日任务有关的特征。这?特点使学习模型可以适应新环境，比如?特征地区、动态性阳光照射条

件、健身运动所造成的模糊不清、精准的照相机校正，这都是?动模型的考验。做为?个具有代表性例?，视觉效果?程计以在其设计里融合数据驱动的?法，在可扩展性??获得了明显的发展，好于最先进传统算法。除此之外，学习培训?法能够把抽象化原素与?类可接受的词义结合起来，比如 SLAM 里的语义标签，也很无法宣布数学的?式叙述。

次之，学习培训?法容许系统软件从以前积累的经验中成长，并主动利?最新资讯。根据搭建?个通?的数据驱动实体模型。这类能?可促使学习系统可以在新模式，或?关于新前提下?动发觉新计算处理?案，进?步发展趋势??并改善学生的实体模型。?个非常好的例?是，通过使?有创意的主视图生成做为?监管数据信号，能够从没标识的小视频中修复?和运动深层。除此之外，学习到的特征可以进?步?持?级任务，比如最短路径算法和管理决策。

第三个益处，是它可以充足利?越来越多传感器数据和估算能?。深度学习或深层神经系统?络具备拓展到?经营规模解决问题能?。业内发布各种各样与定位和建图有关的?经营规模数据， 包含传感器数据、和运动语义标签丰富组成。神经元网络框架内的?量主要参数根据最?化交叉熵、根据反向传播和梯度下降算法，在?型数据勤奋?练习来?动提升。这给了大家能够利?数据与计算出来的?量去解决定位和投射问题很有可能。

然?，务必注意的是，根据学习方法取决于?量数据来获取具备统计意义的方式，而且无法推?到结合以外自然环境，并欠缺实体模型可解释性。除此之外，尽管?度可并?化，但是它们一般?简单模型的核算成本更?。

在后续四篇系列产品文中，大家会逐渐深入探讨用以定位和地图搭建的深度学习优化算法，侧重于下列四个方面：

1.无人驾驶定位深度学习：里程计估计

2.无人驾驶定位深度学习：地图配对

3.无人驾驶定位深度学习：同歩定位和构图法（SLAM）

4.自动驾驶定位深度学习：全局定位

图 8. 深度学习在定位和地图的应用

Changhao Chen, Bing Wang, Chris Xiaoxuan Lu, Niki Trigoni and Andrew Markham, 2020

参考文献：

1.Keon Woo Jang, Woo Jae Jeong and Yeonsik Kang “Development of a GPU-Accelerated NDT Localization Algorithm for GNSS-Denied Urban Areas” in MPDI, 2022.

2.Prabin Kumar, PanigrahiSukant Kishoro Bisoy “Localization strategies for autonomous mobile robots: A review” in ScienceDirect, 2021.

3.Guowei Wan, Xiaolong Yang, Renlan Cai, Hao Li, Hao Wang, Shiyu Song, “Robust and Precise. Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes “ in Arxiv, 2020.

4.Changhao Chen, Bing Wang, Chris Xiaoxuan Lu, Niki Trigoni and Andrew Markham, “A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence” in Arxiv, 2020.

5.Abdellah Chehri, Nordine Quadar, Saadane Rachid Hassania , “Survey on localization methods for autonomous vehicles in smart cities” in ResearchGate, 2019.

转载自汽车电子与软件，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。

-- END --