自动驾驶技术中的定位难题及当前有效解决方案详解

hwyzw

    目录

    1 定位技术

    自动驾驶技术问题中，定位技术（自我定位并感知周围环境的相对位置）似乎是自动驾驶车辆较难掌握的技术，这与城市的动态特性有关。建筑路面、道路封闭、新标志和缺失的路标都是这种动态和不确定性的例子。人类，更不用说机器，面对上述随时可能发生变化的因素，都会感到困惑。目前还没有一种方法可以完美解决自动驾驶车辆的定位问题，但以下是目前解决该问题最有效、最有前途的方法。不同的公司有不同的偏好。本文将根据具体策略介绍三种定位方法。

    自特斯拉、Waymo等公司出现以来，车企对自动驾驶技术越来越重视。这种情况在2018年将会更加严重，从而加速自动驾驶汽车尽快落地的可能性。例如，旧金山的通用汽车公司员工已经使用没有方向盘或踏板的汽车；福特、大众、丰田和奔驰也在自动驾驶领域展开竞争；上个月，特斯拉在芯片发布会上宣布，他们将在 2020 年生产全自动驾驶汽车。

    2 自动驾驶的技术问题

    自动驾驶的实现前景光明，但道路曲折。目前，自动驾驶仍面临诸多挑战，比如需要快速、持续地分析数据流，需要做一些对机器来说繁琐但对人类来说微不足道的琐碎事情。具体来说，物体检测、距离、速度、定位和交通规则都是驾驶时做出决策时需要考虑的因素。为了达到SAE标准中的L5级，计算机驾驶系统需要能够执行上述所有基本任务，并找到针对不同问题的技术解决方案。下面列出了自动驾驶的几个主要技术问题和解决方案：

    在上述所有问题中，定位技术（自我定位并感知周围环境的相对位置）似乎是无人驾驶汽车较难掌握的技术，这与城市的动态特性有关。建筑路面、道路封闭、新标志和缺失的路标都是这种动态和不确定性的例子。人类，更不用说机器，面对上述随时可能发生变化的因素，都会感到困惑。目前还没有一种方法可以完美解决自动驾驶车辆的定位问题，但以下是目前解决该问题最有效、最有前途的方法。不同的公司有不同的偏好。本文将根据具体公司战略介绍三种定位方法。

    3 针对具体企业的三种定位方式 3.1 以特斯拉为代表的视觉SLAM定位

    一类公司，以特斯拉为例，更喜欢使用基于视觉（简称VSLAM）的技术进行定位。他们将尽可能多的视觉传感器放入汽车中，并且不依赖于预先记录的地图，而是希望能够处理图像。结合机器学习，特斯拉车辆可以实时了解周围环境。特斯拉汽车随时随地学习并与其他车辆分享知识。他们依赖周围的实时环境数据而不是历史数据，不存在因依赖过时的地图而导致错误的风险。

   

    特斯拉的目标非常明确，那就是制造无论周围环境如何都可以在任何条件下驾驶的车辆。前段时间特斯拉的芯片发布会上，马斯克因为diss了激光雷达而引起轩然大波。马斯克表示，使用激光雷达的定位方法摆脱了“丑陋、昂贵和不必要的”测绘设备，但代价是在处理不确定性时更加依赖相机和软件。特斯拉人工智能负责人强调，物理数据的作用是不可替代的。与使用激光雷达构建虚拟高精度地图相比，特斯拉更相信真实的物理数据。看图片比看雷达更真实。

    目前，使用VSLAM进行定位的自动驾驶车辆主要配备单目、双目（或多目）和RGBD三种类型的传感器。此外，还有鱼眼、全景相机等特殊相机。由于他们在研究和产品上属于少数，这里不做介绍。从实现难度来看，这三类方法的难度由难到易依次为：单目视觉、双眼视觉、RGBD。在定位过程中，VSLAM自动驾驶车辆从未知环境中的未知位置出发。在运动过程中，它通过上述视觉传感器观察并定位自己的位置、姿态和运动轨迹，然后根据自己的位置增量构建地图。这样就达到了同步定位和地图构建的目的。定位和建图是两个互补的过程。地图可以提供更好的定位，定位也可以进一步扩大地图。 VSLAM技术框架如下，主要包括传感器数据预处理、前端、后端、环回检测、建图等。

    3.2 以通用/奔驰/福特为代表的高精度地图定位

    通用汽车和奔驰都看好利用激光雷达或GPS通过预制高精度地图进行定位的方法。通用汽车于2017年收购了自己的激光雷达供应商，福特与百度合作投资1.5亿美元收购一家激光雷达供应商，奔驰也与该公司签署了激光雷达供应合同。

    LiDAR是一种非常传统的定位传感器。它可以提供机器人本身与周围环境中的障碍物之间的距离信息。常见的激光雷达有SICK、LiDAR等，利用激光雷达制作高精度地图，实际上是一种利用激光点云融合技术扫描激光雷达并返回场景分布点的技术。激光点云融合技术分为两种。一是基于点云融合算法，应用场景广泛，不仅限于GPS场景；二是基于更先进的差分GPS和惯性导航（IMU，惯性测量单元），对场景依赖度较高，必须在相对开放的场景中使用。对于高架桥等 GPS 信号较弱的场景，效果不佳。基于图像和GPS技术的解决方案精度较差，主要用于制作L2和L3 ADAS地图，而激光点云可以满足L4和L5的需求。

    此类车辆依赖于预先记录的 3D 高分辨率地图，这些地图是使用配备激光雷达的车辆预先捕获的。然后，自动驾驶汽车可以利用自身的激光雷达设备获取周围环境信息，与预先制作的高精度地图进行比对，判断环境是否发生变化，然后在地图覆盖的区域内实现自动驾驶。这展现了一个相对更广泛的自动驾驶策略。为了保持地图准确性和车辆可用性，市政当局和汽车制造商之间需要更广泛的合作，以创建和维护新的高精度车辆使用地图。

    以凯迪拉克的超级巡航系统为例。只有当车身雷达获取的信息与高精度地图信息一致并通过安全检查后，车辆才能在预存高精度地图的高速公路上行驶。这种方法提供了高度的可靠性和可预测性，但高精度地图需要处理的数据量必须使用数据中心计算机集群来处理，并且涉及大量的并行计算和处理，这对数据处理能力。这是一个很大的考验；高精度地图的实时更新也非常重要。道路环境可能不断变化，需要快速有效的更新。由于使用激光雷达设备记录地图和制造车辆需要付出努力，所有这些都使得无人驾驶驾驶相对更加昂贵。

    3.3 以大众为代表的车联网定位

    自动驾驶定位的另一种方法并不关注如何让汽车更灵活地适应环境，而是关注如何让环境为自动驾驶汽车服务，即创造一个更智能的环境。这减轻了车辆的负担，使其能够找出环境中的所有不确定性。在这种情况下，变化的环境因素会自己“找上门来”，让车辆能够更准确地了解周围环境的状况，而建筑则可以直接“告诉”进入的汽车施工区域的具体位置以及临时车道。

    大众汽车一直致力于将自己打造为 V2X 技术的先驱。 2017年，大众宣布所有2019款车型将配备一整套V2X功能。这些连接将提供与约 500 米及更远范围内的当地环境共享的交通状况、事故和其他交通状况信息。

   

    通过车联网定位的车辆利用GPS、RFID、传感器、摄像头图像处理等设备，在由车辆位置、速度、路线等信息组成的巨大交互网络中完成对自身环境和状态信息的采集。在互联网中，所有车辆将其各种信息传输到中央处理器，实现位置信息的交互共享。目前，国家规定所有运营车辆必须配备车载定位终端，同时接入相关企业服务平台，最终接入省部级服务平台。

    具体来说，车辆节点定位和位置感知技术是车联网的核心技术。定位强调位置信息的准确性，即定位获得真实的地理坐标信息，而位置感知则侧重于节点之间的相对位置，反映移动节点在时间和空间维度上的运动轨迹。

    在位置感知中，位置信息是参考锚节​​点计算的，锚节点的生成取决于不同的算法实现。非测距技术（Renge-free）主要用于定位。无线测距的基本原理分为四种：三边测量、三角测量、最大似然估计和质心算法。三边测量的原理比较简单。在已知三个锚节点的二维坐标信息的前提下，可以计算出未知节点的位置信息；三角测量的原理是选择网络中的一系列锚节点。锚节点形成互连的三角形，通过测量三角形的三个角节点到某一位置的节点的相对水平角来定位节点；最大似然估计法的原理是根据N个锚节点的坐标以及与未知节点的距离来定位节点；质心算法中的质心是指多边形的几何中心。质心算法的实现原理是网络中的锚节点周期性地广播标识节点自身身份和未知坐标的数据包。当直达点接收到的锚节点分组达到阈值，或者接受锚节点分组的时间达到预设值时，这些锚节点会形成一个多边形，该多边形的质心为未知节点。

    车联网定位技术是通过在城市交通道路周围合理部署RSU，利用无线测距技术，实现移动车联网的实时定位。目前使用的技术主要采用接收信号强度值（RSSI）、到达时间（TOA）、到达时间差（TDOA）、到达角度（AOA）和到达频率差（FDOA）。 FOA定位技术具有无模糊区域、精度高等优点。它可以与TDOA等定位技术结合，实现更加完善的定位功能，已成为车联网定位技术的一个发展方向。这里不做详细介绍。

    4 总结

    目前车联网定位与传感技术的研究虽然取得了一定的成果，但仍存在很多问题需要进一步解决，主要体现在专门针对车联网、户外移动三项的定位与传感技术。立体定位技术，精准无缝协作。定位等

    当然，还有GPS、卫星、激光雷达、摄像头等传感器可以辅助实现定位目的。本文介绍的三种方法是实现自动驾驶定位的三种不同思路。想法的差异并不排除特定的用途。技术参考和集成。

    技术只是自动驾驶的一方面，道路安全法律法规也需要适应自动驾驶市场的变化。今年，福特、通用汽车和丰田就自动驾驶汽车相关安全法规达成了合作伙伴关系。此外，在人类社会不断发展的过程中，经验是一个不可忽视的关键因素。无论当前时期自动驾驶面临怎样的小成就和大挫折，都必须清醒地认识到一件事：我们生活在一个技术不断创新的世界。这个时代，新技术解决新困难。时间会告诉我们自动驾驶将如何一步步来到我们身边。