自动驾驶算法需要对车辆自身位置信息以及所处的环境信息进行清晰的理解，其实现方式是利用几类重要的传感器进行环境探测，归纳起来包含三项最主要的任务“实现定位”、“目标识别”和“目标跟踪”。
自动驾驶技术对地图的需求中需要解决三个方面的问题：
3）定位需要与其他无人驾驶系统无缝协作来提高表现力；通常，对于定位来讲，无人驾驶车辆主要使用了四种传感器，分别可做单一测量和多融合传感器测量，以实现不同的定位效果，如下文分别做一一讲解。要是利用四个卫星信号来计算三维位置和接收机时钟的时间偏移。其定位精度往往取决于其与基站的距离和差分矫正的准确性，因此，基站的选址对于最小化多路径干扰等环境影响至关重要。在某些特殊的工况（如隧道、建筑物遮挡等情况）下，由于车辆自身的发射机无法与基站实现自由通信，可能造成无法实施准确地定位。另外一些情况，如天气环境因素可能导致卫星发射中需要穿越的电离层和对流层出现一定的延时。这些延时对于要求实时定位的自动驾驶车辆说有时甚至是致命的。据统计，GPS的更新频率只有10Hz左右，该频率对于自动驾驶来说是远远不够的。因此为了提升其更新频率性能，我们引入了惯性导航系统，其主要利用了惯性测量单元（Inertial Measurement Unit，IMU），一般的，IMU能够提供200Hz以上的频率更新数据，这种成倍数数量级的方式提升IMU性能可以完全解决定位中刷新率不够的问题。IMU的工作原理是通过旋转和加速度值信息来计算相对位置。一个典型的六轴IMU由六个互补的传感器组成，在三个正交轴上排列，三个轴上每一轴都有一个加速度计和一个陀螺仪，加速度计测量线性加速度，陀螺仪测量旋转加速度。通过这些传感器，IMU可以在一定程度上测量其在三维空间的相对运动，这些数据还可以用来推算车辆姿态（侧倾、俯仰、横摆）。最终，惯性导航系统利用IMU的测量结果来计算位置和速度。且由于惯性导航系统的刷新频率一般都很高，一般能达到高于200Hz，有些能高达1000Hz，故其测量的位置刷新率也得到了相应的提高。然而，对于惯性导航系统而言，定位的精确性极大程度的取决于参考的初始点坐标，并且，由于没刷新初始坐标点，均会由于估计误差累计一定的值，最终，数以千计的样本误差可能造成定位的不精准性，影响识别结果。从以上分析可看出，GPS和惯性导航系统在定位上有着各自的缺陷，但他们的缺陷均可利用对方的优点加以解决。即利用惯性导航系统根据最常用的卡尔曼滤波算法对下一时刻值进行估计，其中GPS提供的绝对位置坐标作为初始点，并不间断的提供一些连续的位置和速度用来作为惯性导航系统的更新参照值。以减少估计误差，并不断修正IMU估计值。
事实上，以上两种传感器的结合方式可以解决很多单纯传感器带来的误差，比如在隧道中行驶时可能出现GPS信号丢失，通过惯性导航系统也可以实现短暂的定位分析。小结：以上过程的定位实际是能够达到米级精度的定位，但是对于自动驾驶来讲我们要求定位效果需要达到分米级甚至厘米级精度，这就需要更加优化的策略进行建图定位。ADAS业内大多商业化公司（waymo、百度、宝马等）的自动驾驶高精度定位策略均采用激光雷达实现高精度地图定位，其原理如下：首先通过在表面快速地发射激光脉冲，其发射速度十分惊人有些甚至能达到15w/s，然后，传感器测量每个脉冲返回所需要的时间，当激光以一定且已知的速度移动时，激光雷达可以高精度计算其与目标之间的距离。通过快速连续的重复这个过程，激光雷达建立了一个在其测量表面复杂的“地图”，其定位精准性较高（可达到分米级以下），故称之为高精度地图。其生成图像的速度受可以扫描到系统的速度影响。为了实现地图实时性，我们可以利用使用深度度的方法，即收集来自广大用户的数据源制作地图，为了使高精度地图与其他无人驾驶系统无缝协作，我们可以构建高性能无人驾驶云基础架构，为无人驾驶车辆提供实时高精度地图更新。典型的激光雷达系统由激光扫描仪和激光接收器组成。在使用激光雷达的一个主要问题是校准。校准技术的基本原理是估算校准参数的优化过程，以便激光雷达所获取的3D数据与地面实际情况相匹配。最终使得来自于环境的3D数据能够被简便的提取为线性或平面特征。高精度地图的制作核心思想是利用车辆安装的激光雷达传感器来定位车辆相对于高精度地图的位置，通过环境学习构建详细的地图来增强传统导航系统GPS定位精准性。其具体的过程是GPS首先为每次扫描生成粗略的位置信息，然后激光雷达为环境中的每个2D位置提供生成局部地图，最终将局部地图进行拼接一起来生成全局地图。高精度地图具有分层数据结构，包含两层：基础层和语义信息层。
图a 基础层
图b 语义层
其中基础层表示了高精度地图的2D图层，主要用于获取路面的2D俯视图，用激光雷达拍摄红外光谱，使每个网格单元存储激光雷达反射率，由此，我们可以判断该网格单元是路面还是障碍物。2）识别各个局部地图的重叠部分，计算相关性，找到相关系数中的最大值作为图像匹配的最佳估计来拼接生成全局地图；使用激光雷达进行2D建图过程中，可以只对地平面进行建图而摒弃掉垂直障碍物体。且雷达波对于环境光并不敏感，故在夜间行驶时也可以得到较高精度的建图效果。高精度地图基础层上方包含了道路标线的位置和特征信息以及相应的车道特性，称之为语义层。该层可以提供两个功能：1）车辆接收其地图发送的车道交通标志（如限速、禁令、指示等）进行相应的决策控制，如自动限速，车道限速、禁止变道等等；2）车辆在轨迹预瞄阶段，当传感器检测受阻时，可以利用这些地图发送的标志信息进行轨迹规划和预瞄。自动驾驶过程中不仅要求在特定情况下实现地图构建，并且要求对已经构建好的地图实时更新定位结果，基于高精地图的定位实现方式是滤波来实现。传统的滤波方法是采用卡尔曼滤波器实现，流程图如下：卡尔曼滤波器依赖于线性和正太性假设，可以应用于最优线性高斯状态空间模型。但是对于高度非线性和非高斯问题，它无法提供最优且合理的估计值。这时需要参照另外一种滤波方式：粒子滤波技术，其方法是在每个时间点使用一组离散值来模拟近似分布，实现预估和更新。由于粒子滤波器是将问题离散化为单个粒子，且每个粒子基本上是模型的一种可能状态，大多数粒子的集合将允许处理任何类型的概率分布。故粒子滤波器可以很好地实现最优估计。
1）预测阶段：激光雷达投射的每个粒子被分配了相应的权重，其代表了车辆处于当前位置的可能性；车辆移动过程中，需要根据现有模型修改每个粒子，包括添加随机噪声以模拟噪声对感兴趣变量的影响；2）更新阶段：利用激光雷达扫描重新评估每个粒子的权重；以上预测过程中激光雷达扫描结果与粒子周围环境的匹配度高，则认为该粒子接近于车辆的确切位置，其相应的权重就高。在更新阶段，主要是将大量权重较高的粒子收敛集到在一个较小区域，通过不断地迭代最终收敛于特定精度要求的场内。
为了保证粒子滤波器的实时性，需要进行一定条件的假设，即认为在不断变化的三维姿态向量（x，y，yawrate）一定时，其侧倾角和俯仰角是足够精确的。粒子滤波器运动预测向量是来自于IMU中的惯性速度，建图后的每一步更新都是对已经建好的高精度地图数据卡来去除激光雷达测量的地面物体值，为了限制定位误差累计，也需要参照GPS提供的绝对坐标数据提供一定量的粒子数据。此外，当车辆行驶路面受到诸如雨水等外界因素影响时，往往会导致反射的红外线收到的不同程度的影响（比如干燥的地面反射红外线较湿润的地面少），为此，粒子滤波器需要对每个单独扫描的亮度和标准偏差进行归一化，和局部地图条纹进行归一化。到这里，我们可以基本领略到激光雷达对于高精度地图定位的重要性，但是这种建图方式也有其自身的缺陷，主要表现为如下：激光雷达主要通过扫描匹配其与高精地图的数据有效性，如果如果对真实环境不能做到准确地检测，则会导致数据不匹配而丢弃该数据，这样就会导致大量的漏检或误检；一台三维激光雷达市场价大概正在60万元左右，成本十分昂贵，仅作为研究还可以，大量应用于商业化自动驾驶车辆中几乎不可能；激光雷达的性能可能收到天气条件影响严重，路面、路况、雨水、下雪等因素都会影响到激光雷达的探测效果，导致建图失败。
文章来源：焉知自动驾驶
