Intro to Localization
The task of localization is to locate your vehicle on the high-definition map.
the most common method is to compare what the car sensors see with what appears on the map.
- vehicle sensors can measure the distance and the direction to static objects in the vehicle’s own coordinate frame.
- coordinate transform
GNSS RTX
triangulation: 三角测量法
If we were at any location on the earth, at least how many satellites would we need to know where we are? (In this situation, you can ignore the altitude)
GPS: Global Positioning System.
GNNS: Global Navigation Satellite System or GNSS.
GPS has three parts:
- Satellites: 在任何特定时间，大约有30颗GPS卫星在外层空间运行
- Control Stations:
- GPS Receivers: GPS接收器每次至少检测四颗GPS卫星。
GPS的更新频率很低，大约为10赫兹(每秒更新10次)
Inertial Navigation
惯性导航的定位方法
three-axis accelerometer sensor: 三轴加速计传感器
- 精确测量加速度
gyroscope 陀螺仪
- translate measurements into the global coordinate system.
- the three external gimbals of the three-axis gyroscope are always rotating, but the spin axis the three-axis gyroscope is always fixed to the world coordinate system.
加速度计和陀螺仪是惯性测量单元(或IMU)的主要组件。
IMU的一个重要特征在于它以高频率更新，其频率可达到1000HZ，所以IMU可以提供接近实时的位置信息。缺点在于其运动误差随时间增加而增加，我们只能依靠惯性测量单元在很短的时间范围内进行定位。
但是我们可以结合GPS和IMU来定位汽车。
- IMU弥补了GPS更新频率较低的缺陷
- GPS纠正了IMU的运动误差
LiDAR Localization
激光雷达
With LIDAR, we can localize a car by means of point cloud matching. This method continuously matches the detected data from the LIDAR sensors with the pre-existing high-definition map.
匹配点云的算法：
- 迭代最近点 Iterative closest point or ICP
- 滤波算法 ： 可消除冗余信息
- Apollo 使用了直方图滤波算法 Histogram Filter, Sum of Squared Difference (SSD)
- Kalman filter 卡尔曼滤波
迭代最近点
- 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，我们把每对点之间的距离误差相加，然后计算平均距离误差。
- 我们的目标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。
- 这样我们就可以在传感器扫描和地图之间找到匹配，我们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。
Histogram Filter
我们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，我们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。
Kalman filter
用于根据我们在过去的状态和新的传感器测量结果预测我们当前的状态。
卡尔曼滤波使用了预测-更新周期 (prediction update cycle)
首先，我们根据之前的状态以及对移动距离和方向的估计，来估计或预测我们的新位置。
LiDAR 定位的主要优势在于稳健性。
主要缺点在于难以构建高精度地图，并使其保持最新。
Visual Localization
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。
粒子滤波，particle filter
- 使用粒子或点来估计最可能的位置。
视觉定位的优点在于图像数据很容易获得，缺点在于缺乏三维信息和对三维地图的依赖。
Apollo Localization
Apollo 使用基于GPS、IMU和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。它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, 雷达和高精度地图。
这些传感器同时支持 GNSS 定位和 LiDAR 定位
- GNSS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。
Recommended Resources:
Click the link of Apollo repo for localization to learn more if you’re interested.
Visit this link for more information about how Kalman filters work.
More details about Apollo Localization appear in: “Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse CityScenes, ICRA, 2018”.