Self-Driving Car Fundamentals - Featuring Apollo 03 - 定位

版权声明：知识共享-署名-相同方式共享(CC-BY-SA） https://blog.csdn.net/engrossment/article/details/88928167

这是 Udacity 和百度联合制作的自动驾驶基础课程，介绍了自动驾驶技术的核心组件，以及百度 Apollo 自动驾驶框架。可以大致搞清楚无人驾驶汽车是如何工作的。

• 课程地址：https://cn.udacity.com/course/self-driving-car-fundamentals-featuring-apollo--ud0419
• Apollo 官网：http://apollo.auto/index_cn.html
• Apollo 源码：https://github.com/ApolloAuto/apollo

Localization

一个基本的位置计算方法：三角测量，基于自身与三个已知位置的地标的距离来计算自身位置。

全球导航卫星系统（GNSS），GPS 就是其中最著名的一种。GNSS 有两个问题，一个是精度不够高的问题，一个是更新频率过低的问题。

惯性导航（inertial navigation）方法，需要用到三轴加速计传感器、三轴陀螺仪，这在自动驾驶系统中叫做惯性测量单元（IMU），其优点是超过 1000 Hz 的高频更新，缺点是随着时间的推移其计算误差会越来越大。所以需要和 GNSS 系统结合起来使用。

激光雷达，使用点云匹配来对汽车进行定位，但是严重依赖于高精度地图。而且需要地图保持更新。有多种算法可以使用，迭代最近点（ICP）算法，直方图滤波算法（误差平方和算法，SSD），卡尔曼滤波算法。

基于采集的图像数据，结合三维地图信息，可以使用概率统计方法进行定位。使用的算法是粒子滤波算法。优点是图像数据已于获得，成本低。缺点同样是依赖于高精度地图信息。

Apollo 使用基于 GPS、IMU 和激光雷达的多传感器融合定位系统。使用卡尔曼滤波算法对所有这些传感器数据进行融合处理，建立在两步预测测量周期的基础之上。

卡尔曼滤波算法

廖杰良 - 2019-03-31