转自：https://blog.csdn.net/mabingyao/article/details/104821307

主讲人：万国伟 百度自动驾驶事业部研发工程师

百度的无人车定位技术

1. 配置多种传感器方案的自动驾驶汽车成果展示

在这里插入图片描述
“探路者”车型：宝马、北汽、奇瑞、MKZ——惯导和64线激光雷达，配置都比较高
在这里插入图片描述
无人驾驶微循环车“阿波龙”：百度×厦门金融——三个16线激光雷达，传感器配置大概10w左右
无人驾驶物流车“新石器”：百度×创业公司——一个激光雷达，传感器配置<5w

2. GNSS定位技术
  • GNSS定位
  1. GPS（USA）、北斗（CHN）、GLONASS（RUS）、Galileo（EU）、QZSS（JPN）
  2. GPS技术：
    （1）卫星星座（设计方案）：24颗GPS卫星
    （2）载波信号频率：L1、L2
    （3）信号调制：载波信号上调制有测距码（L1–C/A码和P码；L2–P码）和导航电文
    （4）系统基本功能：定位（P）、测速（V）、授时（T）
    （5）测距：三颗卫星交会两点，舍弃外部空间点，就可以得到自己的测绘点，由于钟差，一般用四颗卫星，剔除误差
  • 载波定位技术
  1. RTK：所有卫星把自己观测的数据给基站和接收机，基站根据多个卫星钟差计算出一个误差项，误差项传递给车端，车端利用误差项消除自己的观测误差，最后达到模糊度的固定。然后整周计算，最后得到精准的位置。
    （1）基本原理：20km基线/22000km地卫距，视径重叠误差强相关
    （2）优势：基本5秒内就可以提供cm级定位精度
    （3）劣势：建基站、双向链路（4kpbs）
    （4）发展趋势：终端低成本化、数据协议5G标准化
  2. PPP：基站将卫星发送的数据误差做分离处理，再传递给卫星，此时卫星已经剔除了误差，再对车端定位
    （1）基本原理：各项误差被单独分离后终端矫正
    （2）优势：全球均匀布站100+，单向广播
    （3）当前劣势：建15+min的收敛时间；接收GEO广播需授权
    （4）发展趋势：LEO-GNSS增强
  • GNSS/GPS在无人车中的作用
  1. GPS授时：为无人车提供纳秒（ns）级的授时精度
  2. HD-MAP制图
  3. 在线定位
  • 存在挑战
  1. 可靠性：不封闭，易受电磁干扰
  2. 可用性：城市峡谷和林荫路效果不好，很难达到cm级
3. 激光点云定位技术
  • 百度激光点云定位算法框架
    百度激光点云定位算法框架

  1. 两个模块：图像对齐、SSD-HF。 图像对齐用于航向角（yaw）的优化，SSD-HF用于（x，y）的优化，z从点云地图中输出。

  2. 定位地图以数据形式存在
    定位地图
    （1）定位地图每个格子的大小是128m×128m，每个各自拿出来得到反射值地图块和高度值地图块。
    （2）反射值地图块：反射值可以理解为灰度值，图中有车道线等，再分成1024×1024，每个小格子的大小为12.5cm，存储了反射值、反射值方差。
    （3）高度值地图块：存放高度z

  3. 输入预测位姿+实时点云数据。输出用于进行进一步融合定位

  4. 定位
    ----- x，y方向的定位
    （1）SSD—Sum of Squared Difference（平方差总和）
    每个激光点有对应的颜色值或高度值，地图上找一个对应点，二者相减，再求平方，再把所有点误差加起来。
    SSD
    （2）HF—直方图滤波器
    在一个范围内每一个点都计算SSD值，最后把这个值转换成一个概率，得到一个分布图，红色表示响应度高，蓝色表示概率低，绿色是过渡。
    ----- 航向角优化——基于LK算法
    （1）不做航向角优化直接匹配，会发现有比较大的x，y方向的偏差，这在无人车系统中造成的威胁是很大的。
    （2）基于LK算法的框架，对颜色值和高度值进行优化，一般情况下误差很小，可以采用这个方法。若误差很大，这个方法不适用。
    ----- 反射值与高度值自适应融合
    由于地面变化，在单一的反射值匹配和高度值匹配时可能不能得到很好的直方图，这时，通过自适应算法分别给反射值匹配和高度值匹配一个权重，最后融合到一个直方图中去。对比匹配结果如下图：
    在这里插入图片描述

4. 视觉定位技术
  • 视觉定位是通过识别图像中具有语义信息的稳定特征，并于地图匹配来获得车辆的位置和朝向。
  • 特点：
    （1）摄像头技术成熟，结构化地图尺寸小，有利于降低系统生产成本。
    （2）车道线，路灯等道路元素稳定性高，不易变动，地图生命周期较长。
    （3）配置灵活，根据识别算法性能，可以使用不同的特征组合，易于拓展。
  • 算法流程：
    视觉定位算法流程
    （1）3D特征地图离线生成，是基于视觉的全局定位算法基础。
    （2）图像特征检测及匹配是定位算法的核心，IMU和轮速计信息在这个环节用于估计车辆运动。
    （3）最后的数据融合可以将GPS、视觉定位和IMU数据整合，优化定位结果，并提供高频输出。
5. 捷联惯性导航技术

捷联惯性导航系统

  • 概述
  1. 初始条件：已知的初始速度、位置、姿态
  2. 输入数据：惯性测量元件测量到的载体相对于惯性空间角运动和线运动参数。
  3. 解算方法：捷联惯性导航解算，IMU数据积分
  4. 输出结果：实时的载体速度、位置和姿态
  5. 优点：
    （1）自主性、隐蔽性
    （2）三维速度、位置和姿态
    （3）输出频率高
    （4）短时间精度高
  6. 缺点：误差随时间累积
  • 惯性测量单元IMU
  1. 组成单元：陀螺仪、加速度计
  2. 输出元素
    （1）加速度计能够测量出载体相对于惯性空间所受的力
    （2）陀螺仪能够测量出载体沿陀螺仪轴向的旋转角速度或旋转增量
  3. 功能
    IMU是惯性导航系统的基础，直接决定了惯性导航系统所能达到的精度。
  • 捷联惯性导航系统——初始对准
  1. 把载体坐标系或者说IMU坐标系与世界坐标系（也可以叫导航坐标系）对应起来，要对准位置和姿态
  2. 对准方式不同：
    高精度IMU：
    （1）精度等级：陀螺仪零偏<1°/h，加速度计零偏<1mg
    （2）特点：能够敏感到地球自转角速度（15°/h）
    （3）原理：重力矢量与地球自转矢量不共线、Kalman滤波速度匹配精对准
    （4）典型IMU：光纤和激光IMU
    低等级IMU：
    （1）精度等级：陀螺仪零偏>1°/h，加速度计零偏>1mg
    （2）特点：无法敏感到地球自转角速度（15°/h）、测量噪声大、存在随机开机零偏等误差
    （3）原理：加速度计水平对准、航向粗对准（外部辅助，磁强计，gps速度等）、Kalman滤波速度匹配精对准
    （4）典型IMU：MEMS以及消费级IMU
    （5）航向优化方式：双天线，或者得到车行驶起来的速度，或直接使用dps速度
  • 捷联惯性导航系统——解算
    捷联解算框图
    捷联解算框图
6. 组合导航技术

组合导航系统

  • 概述
  1. 系统组成：两种或两种以上非相似的导航系统（如GNSS、SINS等）
  2. 必要条件：可以对同一信息进行测量（如GNSS、SINS都可以计算出载体的位置速度信息）
  3. 融合方法：以SINS的误差方程作为Kalman滤波的状态方程，GNSS等其他系统与SINS的误差作为观测量进行SINS的误差估计，并对SINS进行矫正。
  4. 优点：
    （1）协同：超越单一子系统的性能，弥补各个单一子系统的缺点
    （2）优势互补：充分发挥各个子系统的优势
    （3）余度：提高系统的稳定性
  • 百度组合导航系统——系统框图
    组合导航系统系统框图注意：从SINS模块输出的原因：高频输出