自动驾驶——localization的学习笔记

1 目标定位的状态量

以左下角为原点建立直角坐标系，

x：小车的横坐标；

y：小车的纵坐标；

2 多传感器融合的方法——卡尔曼滤波

这里我们首先看看Baidu在Apollo课程中的描述：
“In Apollo, the inertial navigation solution (惯导解决方案) is used for the prediction step of the Kalman Filter. GNSS (GPS) and LiDAR localization are used for the measurement update step of the Kalman Filter.”

3 使用的传感器类型

3.1 使用的传感器

测速计（类别IMU）：会实时的显示小车的移动速度，（如果移动了，就显示移速；如果没有移动，则速度为0）；

SLAM前端（使用特征子算法）：会给出小车的相对位移；

GPS：全局的坐标信息，（不是很精确，可以通过模板匹配进一步精确）；

3 状态方程的写作

当没有移动的时候，则转移矩阵就是 identity matrix；
将SLAM-front作为控制变量 $u_t$；

4 观测方程的写作

4.1 基于GPS坐标的高精度定位

输入： GPS坐标数据；
利用GPS坐标获取高精度地图的覆盖范围，然后利用模板匹配进行精确定位，
从而获得基于高精度地图查询后的精确坐标；

4.1.1 模板匹配的效率优化

陈老师是这样说的：“只能改变匹配算法，或者用图像金字塔，或者降维”
不知道改变步长可以吗？

4.2 观测方程的模型

如果此时观测sensor的值，被判定为不可靠，那么此时观测方程的输出则可以设置为0；

5 备注

5.1 听说VLFeat的SIFT实现比OpenCV好

下次试一下；

5.2 实际项目中 $\bar{\Sigma}_t$真的会收敛吗？