无人驾驶_ins localization

无人驾驶技术概述（一）

L4系统架构

硬件概述
Apollo为例

硬件

1.感知传感器
摄像头，激光雷达，毫米波雷达，超声波

2.定位传感器
IMU，200HZ
GNSS（GPS,北斗，伽利略）（分米级），无人车一般使用RTK(载波相位差分技术)定位（两个） ，10HZ

3.车载计算单元（IPC，工控机）

4.线控系统（整个车体）

软件

1）RTOS操作系统（对应到手机linux）
2）framework （ios,安卓）
3）软件模块
4）HMI（可视化）

3.1)高精地图 HD Map
特点：高维度，高精度（cm）
精确三维表征，如交叉路口布局和路标位置
地图语义信息，速度限制和左转车道开始位置
坐标系：WGS84，墨卡托坐标系
提供L4模块数据支持
提供精确的静态物体信息
辅助定位
缩小传感器ROI
计算道路导航信息
帮助识别车道确切中心线

3.2)定位 Localization
（i）
INS：惯性导航系统
IMU：获取自身状态（加速度和角速度）后通过状态矩阵递推下一时刻位置，如果没有校正信息的话，这种状态递推会随着时间不断累计误差，导致最终位置发散。

采用RTK
多加一个静止基站，同样也收到定位卫星信号。无人车与RTK相隔不太远的情况下，对二者之间的干扰信号用差分抹平
RTK通过较低的更新频率提供相对准确的位置信息，INS以较高的频率提供准确性较差的姿态信息。通过使用卡尔曼滤波整合两类数据获取各自优势，合并提供高准确性的实时信息。

（ii）几何定位
雷达，摄像头，高精地图
将检测数据与预先存在的高精度地图之间匹配，通过此可获得汽车在高精地图上全球定位和行驶方向
（迭代最近点（ICP）/直方图滤波）

3.3)感知 perception

四大基础任务：检测，分类，跟踪，分割
图像，点云，雷达反射值
学习方式：监督，强化
R-CNN，yolo，SSD
计算融合问题：
前融合：基础数据融合
后融合：不同传感器

3.4) 预测prediction

实时性和准确性
（i）基于状态进行预测
卡尔曼，粒子滤波
（ii）基于车道序列预测
（iii）行人预测

3.5) 决策规划 planning
导航线路规划，精细轨迹表述
（图模型或最优路径）
需要考虑体感和安全性

3.6) 控制 control
input：目标轨迹，车辆状态
output：方向盘，油门

控制算法：PID LQR MPC

无人驾驶技术概述
总结：定位，感知，预测，规划