自动驾驶车辆如何定位?
自动驾驶定位的特点
对于定位系统和传统定位来说，自动驾驶车辆的位置和姿态有以下特点：
◆厘米级别的精度，需要精确到车在车道线的具体位置，例如距离左右边线几公分。
◆高频低延迟，需要毫秒级别的时间延迟，实时传输车的位置，否则会出现安全事故。
几种定位方式
全球导航卫星系统
特点：
米级别精度
低频
干扰或者遮挡
解决方法：rtk（real - time kinematic，实时动态）载波相位差分技术，可以达到厘米级别。
相对定位：惯性测量单元imu
特点：
加速度以及角速度
三个方向的加速度计和三轴的陀螺仪
高频（通常100hz）
累积误差
解决方法：惯性导航系统
点云定位
鲁棒性好，不依赖于 gps 信息。
依赖于先验地图，地图的准确性和实时性可能会导致定位误差。
需要解决：弱特征环境。比如说在桥上，往前开10米和往后开10米看到的场景都是类似的，对于这类环境来说，如何去找到准确位置，这是必须考虑的问题。
定位系统
多传感器融合定位
综合来说，靠单一传感器定位是不够的，所以采取多传感器融合的方案。基于卡尔曼滤波模型，整体定位效果会有更高的精度和更好的鲁棒性。
卡尔曼滤波模型
卡尔曼滤波是一种高效率的递归滤波器，它能够从一系列的不完全和包含噪声的测量中，估计动态系统的状态。
基于卡尔曼滤波模型，我们把自动驾驶车辆当时的位置看作是高斯分布，也就是说，车辆定位在某个区域范围之内，且位于中间的可能性是最大的。
随着车辆行驶，根据运动方程，定位系统能够得到车辆的位置预测。假设一辆车往前行驶了10米，于是车辆产生一个预测位置，然而实际行驶中，预测位置和实际位置的误差逐渐变大。这是因为，此数据可能是由imu给出，而imu作为传感器自然会存在误差。同时假设这辆车还装有gps，那么gps给出的位置信息便相当于上图中的蓝色的部分，这个定位数据也是包含一定误差的。
于是，我们得到关于这辆车的两个位置信息，将二者结合后便可得到较为准确且可信的结果。由此可见，卡尔曼滤波是不断在更新迭代的，最终实现得到一个比较准确位置的目标。
我认为，定位系统的最终目标是万里无忧，对自动驾驶的挑战则是更低成本和更苛刻的外部环境。最终我们一定会把这些问题解决好，实现这个目标。
干衣机内部各个零件的工作原理介绍
富士康还不能算是真正的工业互联网企业代表
紫光展锐亮相2023上海世界移动通信大会
使用台式万用表测量电阻，2线、OR和4线该怎么选
2021 展锐开启技术提升年
自动驾驶车辆如何定位?
在进入边缘计算之前 需要物联网边缘管理
RFID技术助力消防器材智能化管理
Anker新推出的240W台式USB-C充电器可以为16英寸MacBook Pro快速充电
值得学习的《连接器的几种连接方式》
中国联通宣布联通在线和联通信息导航将进行合并重组
汽车仪表盘故障灯图解
RAIN RFID标签质量测试的最佳实践
MCP6V91U数据手册和产品信息
HDMI接口ESD静电防护方案为高速通信保驾护航
今年iOS和GooglePlay的用户支出将达到1120亿美元
关于中国集成电路产业的介绍和分析
电子设备制造防静电技术标准
接触式与非接触式热流传感器的区别
中药二氧化硫检测仪的主要参数介绍
对于定位系统和传统定位来说，自动驾驶车辆的位置和姿态有以下特点：
◆厘米级别的精度，需要精确到车在车道线的具体位置，例如距离左右边线几公分。
◆高频低延迟，需要毫秒级别的时间延迟，实时传输车的位置，否则会出现安全事故。
几种定位方式
全球导航卫星系统
特点：
米级别精度
低频
干扰或者遮挡
解决方法：rtk（real - time kinematic，实时动态）载波相位差分技术，可以达到厘米级别。
相对定位：惯性测量单元imu
特点：
加速度以及角速度
三个方向的加速度计和三轴的陀螺仪
高频（通常100hz）
累积误差
解决方法：惯性导航系统
点云定位
鲁棒性好，不依赖于 gps 信息。
依赖于先验地图，地图的准确性和实时性可能会导致定位误差。
需要解决：弱特征环境。比如说在桥上，往前开10米和往后开10米看到的场景都是类似的，对于这类环境来说，如何去找到准确位置，这是必须考虑的问题。
定位系统
多传感器融合定位
综合来说，靠单一传感器定位是不够的，所以采取多传感器融合的方案。基于卡尔曼滤波模型，整体定位效果会有更高的精度和更好的鲁棒性。
卡尔曼滤波模型
卡尔曼滤波是一种高效率的递归滤波器，它能够从一系列的不完全和包含噪声的测量中，估计动态系统的状态。
基于卡尔曼滤波模型，我们把自动驾驶车辆当时的位置看作是高斯分布，也就是说，车辆定位在某个区域范围之内，且位于中间的可能性是最大的。
随着车辆行驶，根据运动方程，定位系统能够得到车辆的位置预测。假设一辆车往前行驶了10米，于是车辆产生一个预测位置，然而实际行驶中，预测位置和实际位置的误差逐渐变大。这是因为，此数据可能是由imu给出，而imu作为传感器自然会存在误差。同时假设这辆车还装有gps，那么gps给出的位置信息便相当于上图中的蓝色的部分，这个定位数据也是包含一定误差的。
于是，我们得到关于这辆车的两个位置信息，将二者结合后便可得到较为准确且可信的结果。由此可见，卡尔曼滤波是不断在更新迭代的，最终实现得到一个比较准确位置的目标。
我认为，定位系统的最终目标是万里无忧，对自动驾驶的挑战则是更低成本和更苛刻的外部环境。最终我们一定会把这些问题解决好，实现这个目标。
干衣机内部各个零件的工作原理介绍
富士康还不能算是真正的工业互联网企业代表
紫光展锐亮相2023上海世界移动通信大会
使用台式万用表测量电阻，2线、OR和4线该怎么选
2021 展锐开启技术提升年
自动驾驶车辆如何定位?
在进入边缘计算之前 需要物联网边缘管理
RFID技术助力消防器材智能化管理
Anker新推出的240W台式USB-C充电器可以为16英寸MacBook Pro快速充电
值得学习的《连接器的几种连接方式》
中国联通宣布联通在线和联通信息导航将进行合并重组
汽车仪表盘故障灯图解
RAIN RFID标签质量测试的最佳实践
MCP6V91U数据手册和产品信息
HDMI接口ESD静电防护方案为高速通信保驾护航
今年iOS和GooglePlay的用户支出将达到1120亿美元
关于中国集成电路产业的介绍和分析
电子设备制造防静电技术标准
接触式与非接触式热流传感器的区别
中药二氧化硫检测仪的主要参数介绍