一文读懂自动驾驶定位技术

基于深度学习的定位和地图构建最近几年来引起了广泛关注它提供的解决方案不是通过物理模型或任何理论来创建设计的算法，而是数据驱动解决方案的替代方案受益于不断增加的数据量和计算能力，这些案例正在迅速发展成为一个新的领域，它提供了一个准确而强大的系统来跟踪运动和估计场景及其结构，以适应现实世界深度学习涵盖的主题非常广泛，从学习过程估计，地图构建，到全球定位和同步定位与构图，为研究人员未来解决定位和地图构建问题提供了新的方向

定位概述

人类通过多模态感官感知自我运动和环境，并依靠这种感知在复杂的三维空间中定位和导航这种能量是人类与生俱来的空间能量的一部分此外，感知我的运动和周围环境的能力对发展认知和运动控制具有重要作用同样，要构建高度自动化的驾驶系统，需要通过准确稳定的定位，逐步构建外界的地图模型，并具备不断处理新信息，适应各种场景的能力一般来说，定位是指获取汽车运动内部系统状态的能量，包括位置，方向，速度，构图是指感知外部环境的状态和捕捉周围环境的能力，包括2D或3D场景的外观和语义它们可以独立运动分别感知内部或外部状态，也可以一起运动，比如SLAM，可以同时跟踪姿态，在全局框架下建立环境模型

从意义上来说，定位方法可分为基于信号的定位，如GPS，基于轨迹估计的定位，如距离估计，以及基于环境特征匹配的位置，例如地图匹配。

这三种方法各有利弊目前会将它们进行交叉或整合，达到相互冗余互补的定位结果对于基于信号的定位，卫星信号有其固有的缺点比如在隧道里，卫星信号会被遮挡，无法正常使用，或者因为多径效应，卫星定位的性能会受到一定影响此时，可以基于环境特征匹配的位置来获得汽车在地图中的位置但是，在恶劣的天气条件下，恶劣的雨雪天气，传感器接收会受到影响，或者当一些区域或一些路段的基本特征，如路边道路边界信息不是很清晰时，特征定位性能会受到影响此时基于航迹估计的定位可以在短时间内发挥优势，保持精度，但如果长期使用，航迹估计会有偏差积累的问题，导致定位漂移

图1/图2。百度多传感器融合定位模块框架

基于信号的定位:

图3。全球导航卫星系统

同时，通过GNSS修正，如地基实时动态技术修正，可以获得比商用GNSS更高精度的定位RTK是实时动态载波相位差技术的缩写它是一种通过基准站和流动站同步观测，利用载波相位观测值实现快速高精度定位的差分测量技术RTK系统由一个参考站，几个移动站和无线通信系统组成它可以通过使用例如无线电系统或互联网将已知位置的校正从基站发送到车辆，基于坐标参考站的坐标值测量误差，并消除操作中的误差，从而实时提供具有动态厘米级和静态毫米级精度的定位服务

图4。基于地面的实时动态技术

基于航位推算的位置:

当我们没有任何全球定位时，我们仍然可以得到一个相对的局部参考相对本地定位可以提供相对于某个任意原点的估计定位这个任意原点不连接到特定的GPS位置或特定的高度，而只是自由空间中的一个点，可以通过XYZ测量和滚动俯仰方向来表示它的参照系通常称为里程表参照系

我们使用惯性导航系统来实现相对局部定位我们可以使用惯性测量单元来测量滚动俯仰和偏航的速度和加速度，伴随着时间的推移汇总这些测量值，并估计车辆位置相对于原点的变化我们也可以用车轮编码器做同样的事情，这有时被称为航位推算它测量单个车轮的转速，使用车轮编码器数据跟踪相对于起始位置的位置，并建立相对地图和路径还有一种基于图像或基于激光雷达的里程计，它允许您使用相机或点云的变化来测量相对定位

惯性测量装置

车轮编码器

图像里程表

图5。惯性导航系统

基于环境特征匹配的定位:

基于环境特征的定位匹配是基于车辆相对于本地地标的位置在许多情况下，我们有地图提供当地的地标作为参考框架基于先前的地图，绝对本地定位匹配历史上最相似的地图子集根据匹配的地图子集提供的历史姿态和特征点坐标的真值，计算点对之间的变换矩阵，求解当前定位绝对定位通常输出相对XYZ坐标，滚动—俯仰偏航值或表示方向和空间自由度的四元数最常见的算法有正态分布变换，迭代最近点，完美匹配等

图6。GPU加速无损检测

为了基于环境特征进行匹配和定位，我们必须有某种传感器输入，如激光雷达，雷达，摄像机等使用激光雷达，可以根据点云得到相对于地图的位置利用雷达，我们可以得到相对于回波云图的位置使用具有分类和深度的相机的位置，可以获得相对于基于对象的地图的定位

7.地图融合

深度学习方法

定位和地图构建问题的解决方案已经研究了多年，各种复杂的设计模型和算法仍在开发中，如距离估计，基于图像的定位，位置识别和SLAM在理想条件下，这些传感器和模型可以跨不同环境准确估计系统状态，并且不受时间限制可是在现实中，不完善的传感器测量，不准确的系统建模，复杂的环境动态和不切实际的约束设置都会影响动态系统的精度和可靠性

机器学习尤其是深度学习的最新进展，促使研究人员考虑将数据驱动方法作为解决问题的替代方法，将输入传感器数据与输出目标值之间的关系总结为映射函数。深度学习有以下三个优势:

第一，学习方法可以用盈利方式表达的深层经络作为一般近似，动态发现与任务相关的特征该特征使得学习模型能够适应环境，例如特征区域和动态灯条

零件，运动造成的模糊，精确的摄像机标定，这些都是动态建模的挑战作为一个代表性的例子，视觉里程表通过在设计中结合数据驱动的方法，在鲁棒性方面取得了显著的进步，优于最先进的传统算法此外，学习方法可以将抽象元素与类的可理解语义联系起来，比如SLAM中的语义标签，这种语义标签很难用数学形式进行形式化描述

其次，学习方法允许系统从过去的经验中学习，并积极受益于新的信息通过建立一个通用的数据驱动模型这种能量可以使学习系统在新的情境或情况下发现新的计算解决方案，并进一步开发和改进其模型一个很好的例子是，通过合成新的视图作为监控信号，可以从未标记的视频中恢复运动和深度此外，学习到的特征可以改进维护任务，例如路径规划和决策

第三个好处是可以充分利用越来越多的传感器数据和计算能力深度学习或者说深沈经络有规模化解决问题的能力业界已经发布了各种与定位和绘图相关的规模数据集，包括传感器数据，运动和语义标签的丰富组合神经网络框架中的定量参数通过最大化损失函数，反向传播和梯度下降算法以及在类型数据集上的训练来动态优化这让我们有可能通过使用数据和计算来解决定位和映射问题

但必须指出的是，基于学习的方法依赖于量化的数据集来提取具有统计意义的模式，很难推到集合之外的环境中，缺乏模型可解释性另外，虽然学位可以合并，但是对于简单的模型通常更贵

在接下来的四个系列文章中，我们将逐步讨论位置和地图构建的深度学习算法，重点讨论以下四个方面:

1.自动驾驶定位的深度学习:里程表估计

2.自动驾驶定位的深度学习:地图匹配

3.自动驾驶定位深度学习:同步定位和构图。

4.自动驾驶定位深度学习:全球定位

。