23. 总结
现在 我们已经明白 为什么需要定位；
以及 几种定位的方法；
和 Apollo 的定位框架。
22. 项目
看别人锻炼不能使自己减重！
自己需要动手编程，实现一些想法。
21. （3-37-9）Apollo 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 融合方法 利用了不同传感器的互补优势；
Apollo 定位模块 依赖于 IMU、GPS、激光雷达、雷达、高精度地图。
这些传感器 同时支持 GNSS定位 和 激光雷达定位；
GNSS定位
输出位置、速度信息，
激光雷达定位
输出位置、前进方向信息
视觉定位 的优点：图像很好获取；
缺点：缺乏三维信息，和对三维信息的依赖
19. （3-35-7）激光雷达定位
点云匹配
利用激光雷达，我们可以 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 进行连续匹配；
通过 这种方法，可以获知在高精度地图上的位置和行驶方向。
许多算法 可以用于匹配点云：
迭代最近点（ICP：Iterative Closest Point ）是一种方法，
假设我们想对两次点云扫描进行匹配，
对于第一次扫描中的每个点，我们需要找到另一次扫描中 最接近的匹配点。
最终 我们会收集到许多匹配点对。
把每对点之间的距离误差相加， 然后计算平均值，
我们的目标是 通过点云旋转、平移，来尽可能降低 平均距离误差。
一旦达到了目标，就可以在传感器扫描和地图之间找到匹配。
我们 把传感器扫描到的位置 转换为 全球地图上的位置，并计算出在地图上的精确位置。
滤波算法 – 另一种激光雷达定位算法
滤波算法可以消除冗余信息，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（或称为 误差平方和算法SSD Sum of Square Difference）
具体方法：
我们 将传感器扫描得到的点云 滑过地图上的每个位置，对于每个点 和地图上的对应点之间的误差或距离，然后平方求和。
求得结果越小，匹配越好。
GPS接收器 并不是直接测量 卫星和我们之间的距离，
而是 测量信 飞行的时间（即，信 从卫星传播到GPS接收器所需的时间），
然后，乘以光速 计算出距离。
通过RTK的帮助，GPS可以将自己的定位误差，限制在10厘米以内；
但GPS仍然受限于环境，且GPS的更新频率低（每秒更新10次，即更新频率10赫兹）
想象在地球表面，三个维度的定位（三维定位）
我们将使用到 卫星，它可以传送它与我们之间的距离，
那么，需要几颗卫星可以确定自己的位置呢p>
15. （3-29-1）定位
假设有一张 全球高精度地图，
定位任务 就是 确定我的无人车 在这张高精度地图上的位置；（无人驾驶车 迷路了！！/p>
GPS 的精度 在1-3米，对于 无人驾驶车 来说太不准确了。
（在有些情况下，如被高楼、山脉环绕，或处于峡谷，精度更差，10-50米）
因为 无法完全相信GPS，我们需要 找到一种方法
更准确地 确定车辆在地图上的位置。
最常用的做法是：
将 汽车传感器看到的内容 和 地图上显示的内容比较
车辆将 传感器识别的地标 与 高精度地图上存在的地标 做对比，
为了进行该对比，数据 需要在 车辆坐标系 和 地图坐标系之间转换；
然后，系统在地图上以10厘米的精度确定 车辆的位置。
具体实现：
传感器 可以测量车辆与静态障碍物之间的距离，（树木、电线杆、路标等）；
这些距离 是在 车辆坐标系中的投影（或者 距离和方向），进而得到 地标的传感器观测坐标值；
在高精度地图上，也可以找到该地标的 坐标；
将 这两个坐标值 进行匹配，
估计出车辆在地图上的位置；
在构建和更新 地图的过程中 Apollo采用了众包。
众包：Crowdsourcing,
a modern business term coined in 2006, is defined by Merriam-Webster as the process of obtaining needed services, ideas, or content by soliciting contributions from a large group of people, and especially from an online community。
- 帮助 车辆找到合适的行车空间（道路的中线）；
- 帮助 规划器确定出不同的路线选择；
- 帮助 预测软件 预测道路上其他车辆将来的位置li>
可以帮助 缩小可选择的范围。
11. （2-24-5） 地图 与 感知
正如 人的眼睛和耳朵有距离的限制一样，
传感器 也是如此。
距离–长距离过后会受到限制
恶劣天气条件、或夜间–识别能力进一步受限；
遇到障碍物时，无法确定其后的情况；
因此，高精度地图有利于感知，
- 即使没有检测到红绿灯，可以预先给出其位置；
- 缩小检测的范围，这个范围被叫做感兴趣区域(Range Of Interest, ROI)–有助于提高准确度和速度，节约计算资源。
10. （2-23-4）地图 与 定位
高精度地图 是Apollo无人驾驶车平台 的核心；
因为 许多其他无人驾驶车模块 都有赖于高精度地图。
有了高精度地图，我们（无人驾驶车辆）要做的就是在 地图上进行自定位
（即，我们在地图上的什么位置）
- 首先，车辆可能寻找 地标
使用从各类传感器收集到的数据寻找 地标
例如摄像机的图像、LiDAR的三维点云数据，–这个过程需要一些预处理（消除质量差、不准确的数据）、坐标变换（统一视角）和数据融合（融合不同车辆、不同传感器的数据）； -
然后将找到的地标 与 已知的地标进行匹配
一旦无人驾驶车 高精度知道了它的位置，定位的任务就完成了。
整个 定位过程 依赖于地图，定位结果的精度也依赖于地图，这就是为什么需要 高精度的地图。
可以将 定位与拼图进行比较
运行时框架（Runtime Framework）
- 是 Apollo的操作环境（the operating environment of Apollo），
3. Apollo架构（1-14-6）
百度最初是一家中国的互联 搜索引擎公司，现在转变为一家人工智能公司，在全球各地设有办事处。
百度的宗旨是通过技术让复杂的世界变得简单。
The Apollo Vehicle System是百度最重要的开源贡献之一。
我们开放了无人驾驶功能，让全世界的工程师都可以在Apollo上打造自己的无人驾驶车。
Apollo提供世界领先的高精度地图服务、和开源无人驾驶模拟引擎。
与Closed Vehicle Systems相比，Apollo的发展速度更快，为参与者带来的收益更大。
我们的开源框架是学术界、行业研究人员和制造工程师共同努力的成果。
Apollo技术框架由四个层面组成：
参考车辆平台（Reference Vehicle Platform）；
参考硬件平台（Reference Hardware Platform）；
开源软件平台（Open Software Platform）；
云服务平台（Clouds Service Platform）；
在接下来的学习中，了解这些方面，并将其整合打造端到端无人驾驶车辆。
2. 五大核心部分
2017年，百度发布了名为Apollo的开源无人驾驶项目，该项目帮助合作伙伴整合自有车辆和硬件系统 以构建完整的无人驾驶系统。
途胜未来br> SLAMbr> 路径规划p>
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！