前面介紹了通過 IMU 與GNSS 信號(hào)進(jìn)行融合后組成慣性組合導(dǎo)航系統(tǒng)， 下面介紹幾種其他的定位方式以及和IMU的結(jié)合來提高性能。

一，                 LIDAR定位

利用激光雷達(dá)可以通過點(diǎn)云匹配來給車給汽車進(jìn)行定位，該方法來自于激光雷達(dá)傳感器的檢測(cè)數(shù)據(jù)與預(yù)先存在的高精度地圖連續(xù)匹配，通過這種匹配可以獲得汽車在高精度地圖上的全球位置及行駛方向。

匹配點(diǎn)運(yùn)算法很多，幾個(gè)常見的算法有迭代最近點(diǎn)，濾波算法以及卡爾曼濾波。

迭代最近點(diǎn)（或IPC）是一種方法。假如我們相對(duì)兩次點(diǎn)云掃描進(jìn)行匹配，對(duì)第一次掃描的每一個(gè)點(diǎn)我們需要找到另一次掃描中最近的匹配點(diǎn)，最終我們會(huì)收都許多匹配點(diǎn)對(duì)，將每對(duì)點(diǎn)距離誤差相加，然后計(jì)算平均距離誤差。目標(biāo)是通過點(diǎn)云旋轉(zhuǎn)和平移來最大限度地降低這一平均誤差，一旦實(shí)現(xiàn)，就可以在傳感器掃描和地圖之間找到匹配，這樣我們將傳感器掃描得到到的位置轉(zhuǎn)換成全球地圖上的位置，并計(jì)算出地圖上的精度位置。

慣導(dǎo)另一個(gè)作用是配合激光雷達(dá)。GPS+慣性導(dǎo)航系統(tǒng)為激光雷達(dá)的空間位置和脈沖發(fā)射姿態(tài)提供高精度定位，建立激光雷達(dá)云點(diǎn)的三維坐標(biāo)系。慣導(dǎo)可用于定位，與其他傳感器融合時(shí)，也需要統(tǒng)一到一個(gè)坐標(biāo)系下。定位是最常用的，通過 IMU、慣性導(dǎo)航系統(tǒng)、編碼器和 GPS，得到一個(gè)預(yù)測(cè)的全局位置。當(dāng)激光雷達(dá)實(shí)時(shí)掃描單次的點(diǎn)云數(shù)據(jù)后，結(jié)合單次的點(diǎn)云數(shù)據(jù)進(jìn)行匹配，并進(jìn)行特征提取。這些特征包括路沿、車道線、高度等周圍點(diǎn)線面的特征。對(duì)于高精度地圖，提取過特征與實(shí)時(shí)提取的特征進(jìn)行匹配，最終得到精準(zhǔn)的車本體速度，這是激光雷達(dá)的定位過程。

濾波算法是LIDAR定位的另一種算法。可消除冗余信息，并在地圖上找最可能的車輛位置. 比如，Apollo采用了直方圖濾波算法（有時(shí)也叫誤差平方和算法（或SSD））,為了利用直方濾波，我們將通過傳感器掃描的點(diǎn)云滑過地圖的每一個(gè)位置，在每個(gè)位置，我們計(jì)算掃描的點(diǎn)和高精度地圖上對(duì)應(yīng)點(diǎn)之間的距離誤差或距離，然后對(duì)誤差的平方求和，求和的數(shù)越小說明掃描結(jié)果與地圖之間的匹配越好。在下圖的示例中，匹配最好的點(diǎn)顯示紅色，最差的點(diǎn)顯示藍(lán)色，綠色代表適中的點(diǎn)。

卡爾曼濾波是LIDAR的另一種定位方法。卡爾曼濾波是一種算法，用于根據(jù)我們?cè)谶^去的狀態(tài)和新的傳感器測(cè)量的結(jié)果預(yù)測(cè)我們當(dāng)前的狀態(tài)?？柭鼮V波使用了預(yù)測(cè)更新周期，首先我們根據(jù)之前的狀態(tài)以及對(duì)移動(dòng)距離和方向的估計(jì)來估計(jì)和“預(yù)測(cè)”我們新的位置。

一，                 視覺定位

圖像數(shù)據(jù)是收集最容易的數(shù)據(jù)，攝像頭便宜且種類繁多，還易于使用，但要用攝像頭來實(shí)現(xiàn)高精度定位是很困難的。但是可以將攝像頭數(shù)據(jù)與地圖和GPS結(jié)合起來，利用概率來判斷攝像頭數(shù)據(jù)與地圖或者GPS等傳感器采集的數(shù)據(jù)做比對(duì)，來定位車輛或者障礙物的位置。下圖為利用視覺概率思維來確定樹的位置。

自動(dòng)駕駛系統(tǒng)一般使用基于GPS,IMU和激光雷達(dá)等多種傳感器融合的定位系統(tǒng)。這種融合利用了不同傳感器的互補(bǔ)優(yōu)勢(shì)，提高了穩(wěn)定性和準(zhǔn)確性。系統(tǒng)定位模塊依賴于IMU,GPS,激光雷達(dá)，雷達(dá)和高精度地圖，這些傳感器同時(shí)支持GNSS定位和LIDAR定位，GNSS定位輸出速度和位置信息，LIDAR定位輸出位置和行進(jìn)方向信息，融合框架通過卡爾曼濾波將這些輸出結(jié)合在一起，卡爾曼濾波建立在兩步預(yù)測(cè)測(cè)量周期之上。

    卡爾曼濾波已成為大多數(shù)定向算法和商用慣性方向傳感器的公認(rèn)基礎(chǔ)；Xsens、微應(yīng)變、，矢量導(dǎo)航、InterSense、PNI和十字弓，所有的生產(chǎn)系統(tǒng)都建立在它的基礎(chǔ)上?；诳柭慕鉀Q方案的廣泛使用證明了其準(zhǔn)確性和有效性，但是它們有一些缺點(diǎn)，它們的實(shí)現(xiàn)是復(fù)雜的，這可以從學(xué)科文獻(xiàn)中看到的眾多解決方案中反映出來。線性回歸迭代是卡爾曼濾波過程的基礎(chǔ)，它要求采樣率遠(yuǎn)遠(yuǎn)超過目標(biāo)帶寬(例如，512 Hz之間的采樣率)，30千赫對(duì)于系統(tǒng)可移植性至關(guān)重要的人體運(yùn)動(dòng)捕獲應(yīng)用程序來說也許是必要的，描述三維旋轉(zhuǎn)運(yùn)動(dòng)學(xué)的狀態(tài)關(guān)系通常需要較大的狀態(tài)向量，擴(kuò)展的卡爾曼濾波實(shí)現(xiàn)將問題線性化。

這些挑戰(zhàn)需要大量的計(jì)算負(fù)荷來實(shí)現(xiàn)基于卡爾曼濾波的解決方案，并提供了一個(gè)明確的結(jié)果。解決這些問題的先前的方法已經(jīng)實(shí)現(xiàn)了模糊處理和頻域?yàn)V波處器，有利于在低角速度下定向的加速度計(jì)和在高角速度下的集成陀螺儀。

總之，慣性導(dǎo)航系統(tǒng)將成為自動(dòng)駕駛定位信息融合的中心。由于慣導(dǎo)具有的輸出信息不間斷、不受外界干擾的獨(dú)特優(yōu)勢(shì)，慣導(dǎo)可以在車輛運(yùn)行中提供連續(xù)的測(cè)量信息，同時(shí)可以將視覺傳感器、雷達(dá)、激光雷達(dá)、車身系統(tǒng)信息進(jìn)行更深層次的融合，為決策層提供精確可靠的連續(xù)的車輛位置，姿態(tài)的信息，成為定位信息融合的中心。

據(jù)公開報(bào)道，作為百度Apollo的重要合作伙伴，ADI公司的慣性測(cè)量單元(IMU)被用于阿波龍系統(tǒng)的慣性導(dǎo)航器件。