定位
定位介绍
定位是让无人驾驶车知道自身确切位置的方法，这对于无人驾驶车来说非常重要。定位的任务时确定你的车辆在这张高精度地图上的位置，在日常生活中国我们会使用诸如GPS来查找我们的位置，但GPS不能够满足无人驾驶车的精准定位需求。因此我们必须找到另一种方法来更加准确的确定车辆在地图上的位置，最常用的方法是通过感知周围环境信息与地图数据匹配，从而精确定位——执行坐标系转换。
过程：车辆将传感器识别的地标，与高精度地图上的地表进行对比，同时进行自身坐标系到地图坐标系的转换，最终精准进行厘米级定位
如下将探讨几种常见的无人驾驶车定位方法，例如GNSS RTK、惯性导航、LiDAR定位和视觉定位，接着将了解Apollo框架是如何解决定位问题。
GNSS RTK
GNSS RTK采用三角测量法，适用于两个维度的地图。现如今GPS是使用最为广泛的GNSS系统。
GPS分为三部分：
卫星：在特定的时间，大约有30颗GPS卫星在外层空间运行，它们距离地表大约两万公里。
地边控制站：分布世界各地。控制站用于监视和控制卫星，其主要目的是让系统保持运行，并验证GPS广播信号的精确度。
GPS接收器：而这种接受器形态各异，存在于手机、电脑、汽车、船只以及其他的设备中，如果环境状况良好的话，接收器每次应至少检测到四颗GPS卫星。
GPS定位还需需要PTK的帮助。RTK：在地面建立许多位置精确的基站，通过不断和GPS纠正偏差，将误差的值传递给GPS接收器，以供其调整自身位置时计算。
惯性导航
已知汽车的初速度、加速度、行驶时间、初始位置，就可以通过计算得到任意时刻后汽车的速度和位置。
加速度的计算需要一个名为三轴加速计的传感器，三轴加速计有三种不同类型，采用的方法也不同。加速度计根据车辆的坐标系记录测量结果，还需要陀螺仪传感器将测量值转换为全局坐标系测量值。
三轴陀螺仪的三个外部平衡环一直在旋转，但三轴陀螺仪中的旋转轴始终固定在世界坐标系中。在坐标系中的位置是通过测量旋转轴和三个外部平衡环的相对位置来计算的。
如果结合 GPS 和 IMU 来定位汽车，一方面 IMU 弥补了 GPS 更新频率较低的缺陷，另一方面 GPS 纠正了 IMU 的运动误差。但是 GPS 和 IMU 系统的结合也不能完全解决定位问题，如果车辆在山间行驶或城市峡谷中或在地下隧道中行驶，可能长时间没有 GPS 更新，使得定位失败。
激光雷达定位
利用激光雷达，可以通过点云匹配来对汽车进行定位。该方法将来自激光雷达传感器的检测数据与预先存在的高精度地图连续匹配，通过这种比较可获知汽车在高精度地图上的全球位置和行驶方向。匹配点云的方法有多种：
迭代最近点（ICP） 对于第一次扫描中的每个点，需要找到另一次扫描中最接近的匹配点，最终会收到许多匹配点对， 把每个点的距离误差相加，然后计算平均距离误差。当对两次点云扫描进行匹配，目标是通过点云旋转和平移来最大限度地降低这一平均距离误差，就可以在传感器扫描和地图之间找到匹配，将通过传感器扫描到的车辆位置转换为全球地图上的位置并计算出在地图上的精确位置。
Apollo便使用了其中的直方图的滤波方法，该方法也被称为误差平方和算法（或SSD)。
滤波算法 可消除冗余信息并在地图上找到最可能的车辆位置。Apollo 使用了直方图滤波算法，该方法有时也被称为误差平方和算法（ SSD）。为了应用直方图滤波，将通过传感器扫描的点云滑过地图上的每个位置，在每个位置上计算扫描的点与高精度地图上的对应点之间的误差或距离，然后对误差的平方求和，求得的和越小扫描结果与地图之间的匹配越好。在事例中，蓝色表示较好，红色较差，绿色表示一般。
视觉定位
图像是要收集的最简单的数据类型，摄像头便宜且种类繁多、易于使用。通过图像实现精确定位却非常困难，实际上摄像头图像通常与来自其他传感器的数据相结合以准确定位车辆，将摄像头数据与地图和 GPS 数据相结合，比单独使用摄像头图像进行定位的效果更好。也及利用图像结合地图和GPS实现定位。
粒子滤波：使用粒子或点来估计最可能的位置
优点：图像数据易获取
缺点：缺乏三维信息和对三维地图的依赖
Apollp定位
Apollo使用基于GPS、IMU、激光雷达的多传感器融合定位系统，这种方法利用了不同传感器的互补优势，也提高了稳定性和准确性。
Apollo定位模块依赖于IMU、GPS、激光雷达、雷达、高精地图，这些传感器同时支持 GNSS 定位和LiDAR 定位，GNSS 定位输出位置和速度信息，LiDAR 定位输出位置和行进方向信息。融合框架通过卡尔曼滤波将这些输出结合在一起。卡尔曼滤波建立在两步预测测量周期之上，在Apollo中，惯性导航解决方案用于卡尔曼滤波的预测步骤，GNSS 和 LiDAR 定位用于卡尔曼滤波的测量结果更新步骤。
