利用激光雷达可以通过点云匹配来给车给汽车进行定位

前面介绍了通过 IMU 与GNSS 信号进行融合后组成惯性组合导航系统， 下面介绍几种其他的定位方式以及和IMU的结合来提高性能。

一，LIDAR定位

利用激光雷达可以通过点云匹配来给车给汽车进行定位，该方法来自于激光雷达传感器的检测数据与预先存在的高精度地图连续匹配，通过这种匹配可以获得汽车在高精度地图上的全球位置及行驶方向。

匹配点运算法很多，几个常见的算法有迭代最近点，滤波算法以及卡尔曼滤波。

迭代最近点（或IPC）是一种方法。假如我们相对两次点云扫描进行匹配，对第一次扫描的每一个点我们需要找到另一次扫描中最近的匹配点，最终我们会收都许多匹配点对，将每对点距离误差相加，然后计算平均距离误差。目标是通过点云旋转和平移来最大限度地降低这一平均误差，一旦实现，就可以在传感器扫描和地图之间找到匹配，这样我们将传感器扫描得到到的位置转换成全球地图上的位置，并计算出地图上的精度位置。

惯导另一个作用是配合激光雷达。GPS+惯性导航系统为激光雷达的空间位置和脉冲发射姿态提供高精度定位，建立激光雷达云点的三维坐标系。惯导可用于定位，与其他传感器融合时，也需要统一到一个坐标系下。定位是最常用的，通过 IMU、惯性导航系统、编码器和 GPS，得到一个预测的全局位置。当激光雷达实时扫描单次的点云数据后，结合单次的点云数据进行匹配，并进行特征提取。这些特征包括路沿、车道线、高度等周围点线面的特征。对于高精度地图，提取过特征与实时提取的特征进行匹配，最终得到精准的车本体速度，这是激光雷达的定位过程。

滤波算法是LIDAR定位的另一种算法。可消除冗余信息，并在地图上找最可能的车辆位置. 比如，Apollo采用了直方图滤波算法（有时也叫误差平方和算法（或SSD））,为了利用直方滤波，我们将通过传感器扫描的点云滑过地图的每一个位置，在每个位置，我们计算扫描的点和高精度地图上对应点之间的距离误差或距离，然后对误差的平方求和，求和的数越小说明扫描结果与地图之间的匹配越好。在下图的示例中，匹配最好的点显示红色，最差的点显示蓝色，绿色代表适中的点。

卡尔曼滤波是LIDAR的另一种定位方法。卡尔曼滤波是一种算法，用于根据我们在过去的状态和新的传感器测量的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，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和“预测”我们新的位置。

一，视觉定位

图像数据是收集最容易的数据，摄像头便宜且种类繁多，还易于使用，但要用摄像头来实现高精度定位是很困难的。但是可以将摄像头数据与地图和GPS结合起来，利用概率来判断摄像头数据与地图或者GPS等传感器采集的数据做比对，来定位车辆或者障碍物的位置。下图为利用视觉概率思维来确定树的位置。

自动驾驶系统一般使用基于GPS,IMU和激光雷达等多种传感器融合的定位系统。这种融合利用了不同传感器的互补优势，提高了稳定性和准确性。系统定位模块依赖于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定位输出速度和位置信息，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，卡尔曼滤波建立在两步预测测量周期之上。

卡尔曼滤波已成为大多数定向算法和商用惯性方向传感器的公认基础；Xsens、微应变、，矢量导航、InterSense、PNI和十字弓，所有的生产系统都建立在它的基础上。基于卡尔曼的解决方案的广泛使用证明了其准确性和有效性，但是它们有一些缺点，它们的实现是复杂的，这可以从学科文献中看到的众多解决方案中反映出来。线性回归迭代是卡尔曼滤波过程的基础，它要求采样率远远超过目标带宽(例如，512 Hz之间的采样率)，30千赫对于系统可移植性至关重要的人体运动捕获应用程序来说也许是必要的，描述三维旋转运动学的状态关系通常需要较大的状态向量，扩展的卡尔曼滤波实现将问题线性化。

这些挑战需要大量的计算负荷来实现基于卡尔曼滤波的解决方案，并提供了一个明确的结果。解决这些问题的先前的方法已经实现了模糊处理和频域滤波处器，有利于在低角速度下定向的加速度计和在高角速度下的集成陀螺仪。

总之，惯性导航系统将成为自动驾驶定位信息融合的中心。由于惯导具有的输出信息不间断、不受外界干扰的独特优势，惯导可以在车辆运行中提供连续的测量信息，同时可以将视觉传感器、雷达、激光雷达、车身系统信息进行更深层次的融合，为决策层提供精确可靠的连续的车辆位置，姿态的信息，成为定位信息融合的中心。

据公开报道，作为百度Apollo的重要合作伙伴，ADI公司的惯性测量单元(IMU)被用于阿波龙系统的惯性导航器件。