无人车的定位技术
技术入门
无人车的自定位系统:相对某一个坐标系(局部坐标系、全局坐标系),确定无人车的位置和姿态。
位置和姿态的6个自由度:
- 位置:XYZ
- 姿态:三个方向的旋转,欧拉角表示,包括航向、俯仰、横滚,是车辆坐标系相对于XYZ(本地)坐标系的变化夹角
还包括置信度等
自动驾驶汽车定位系统指标要求
- 精度
- 鲁棒性
- 场景
为什么无人车需要精准的定位系统 - 人是一个自然的智能体,无人车无法进行自然的智能识别。
- 可以提供速度、角速度、加速度等信息用于路线规划和车辆控制。
三种定位方法:
- 基于电子信号定位
- GNSS
- 航迹推算
- IMU
- 环境特征匹配
- LiDAR、Camera
实时动态差分技术
- 距离差分
- 伪距差分:卫星信号传递到地面基站和接收站,得到距离差分
- 载波相位差分:估计一个载波相位的整周(波长固定,到)
- 位置差分
激光定位
- 预先做出一个地图
- 2D概率地图
- 点云地图
视觉定位
SLAM机器人同时定位与建图
适用于车道线、红绿灯定位信息
IMU
加速度计提供瞬时加速度(需要剔除重力加速度),陀螺仪提供瞬时角速度。
加速度积分得到速度,同理角速度可以得到姿态信息,结合得到位置信息。
优点
- 6自由度信息
- 短时精度高
- 输出频率高、无延迟
- 无外部依赖
缺点
- 误差随着时间积累
多传感器融合定位
KF卡尔曼滤波器是核心的模块,会接收IMU输出的递推作为时间的更新,保证滤波器有高频输出,又接收GPS、激光点云定位或视觉定位,更新低频的位置状态
·
基础知识
- 三维的几何变换
- 二维旋转,用于车辆中描述车辆坐标系相对于一个固定的相对坐标系的旋转
- 三维旋转,旋转空间点就是将三维矩阵与要旋转的点的矩阵进行3X1的计算。元素较多,有九个,优化困难
- 欧拉角
- 四元数
- 三维平移
- 刚体的位置和朝向
- 刚体坐标系:确定刚体的位置和朝向,在刚体内取一点P为原点建立刚体坐标系
- 刚体位置:可以看作刚体原点P相对参考坐标系原点O做的平移,用三维平移向量表示
- 坐标系
- 根据各个轴的位置关系不同,分为左手坐标系和右手坐标系(大部分用这个)
- ECI地心惯性坐标系(I系):不随着地球自转变化的坐标系,地球表面载体运动时存在这个坐标系可以作为相对坐标系
- ECEF地心地固坐标系(E系):X、Y轴随着地球自转而转动,旋转到指定位置时与ECI重合,ECI绕Z轴做时间上的旋转可以得到ECEF
- 当地水平坐标系(L系):原点在载体上面,东向北向天向(ENU)为XYZ,随地球一起转,与E系可以相互转换
- UTM坐标系(横轴墨卡托坐标系):经纬度划分地球规定带,6度一个带,形成投影带
- 车体坐标系:原点位于车体后轴中心位置,用与N系的旋转关系表明车的姿态
- IMU坐标系:类似车体坐标系,依赖于IMU的安装误差
- 相机坐标系
- 导航坐标系(N系)
- 激光雷达坐标系:局部坐标定义与相机坐标系不同
百度无人车的定位技术
GNSS定位
- GPS定位技术基本原理
- 24颗GPS卫星
- 2个载波信号频率:L1、L2
- 信号调制:载波信号上调制有测距码(L1上为C/A码和P码,L2上为P码)和导航电文
- 系统基本功能:定位、测速、授时
- 美国GPS、中国北斗
- TOA测距
载波定位技术
- 固定载波整周数,消除噪声,达到更高的精度
- RTK(无人车在用)
- PPP :一种很强的单点,需要很多种基础基站的建设。卫星数据的误差在基站中做分离处理,消除误差后在对车端定位。
- RTK缺点:要建基站
- GPS在无人车中的作用
- GPS授时
- HD-MAP制图,在RTK基础上进行后解算,做出更精准的位置信息
- 在线定位
激光点云定位技术
点云输出的是四个维度:XYZ Yaw(航向角),Z由定位地图获得
- 图像对齐模块
- 航向角优化
- SSD-HF模块
- XY的优化
- 两个输入
- 预测的初始位姿:因为是局部搜索过程
- 实时点云数据
激光点云定位地图格式
- 定位地图(每一个格子可以有以下两种表示)
- 反射值地图块:灰度值/颜色值
- 高度值地图块:存储z值
SSD-HF
- 利用SSD,颜色值与地图找一个相应的点
- 引用直方图滤波器
航向角优化:基于LK的光流优化算法
(用于小误差)。
视觉定位系统
- 也是输出XYZ和Yaw
- 视觉定位是通过识别图像中具有语义信息的稳定特征,并与地图匹配来获得车辆的位置和朝向
- 视觉定位算法流程
- 3D特征地图离线生成,是基于视觉的全局定位算法基础
- 图像特征检测以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,预测位姿
- 最后的数据融合将GPS、视觉定位、IMU数据整合,优化定位结果
- 第一部分:3D地图生成:采用结构化(分段直线)表示,3D地图提取路灯、电线杆等物体的竖直部分,2D地图提取车道线、停止线、导流线等路面标记。
- 第二部分:
- 在线特征检测:检测车道线、检测杆状物。
- 特征匹配:绝对定位。车道线特征匹配的难点的解决方法:粒子滤波
捷联惯性导航系统
- 需要初始对准:IMU坐标系与世界/导航坐标系对应(位置、姿态)
- 高精度IMU通过重力矢量和地球自转矢量和车本身坐标系
- 低等级IMU需要外部给一初始位置、速度,要知道俯仰、横滚,航向角利用双天线方式或者让车跑起来
- 惯导解算:已知位姿,输入新的加速度和角速度,得到新的位置
组合导航
利用卡尔曼滤波