斯坦福大學城市挑戰賽無人車Junior：定位
編者序：DARPA舉辦的無人車挑戰賽是無人車發展史上的里程碑，排名靠前的團隊至今創辦了好多家自動駕駛公司，技術途徑至今被大部分無人車公司追隨。本文是google無人車之父特龍團隊的傑作，詳細介紹了在城市挑戰賽獲得亞軍的斯坦福大學無人車的軟體系統，非常值得從業者及愛好者研讀、膜拜。全文30餘頁，將分模塊轉述。
推薦指數☆☆☆☆☆☆☆
五、精確定位
比賽方提供了RNDF格式的路網數字地圖，儘管RNDF使用的是GPS坐標系，但基於GPS並通過Applanix系統計算的慣性位置精度並不足以滿足無人車車道保持所需精度。此外，RNDF本身也有誤差，使得基於RNDF和Applanix的位姿估計誤差更大。因此，Junior使用局部感測器測量估計並對齊RNDF和車輛的當前位置，換言之，Junior連續定位自己在RNDF中的相對位置。
細粒度定位使用道路反射特性和路緣石狀障礙物兩種類型的信息。反射信息由指向地面的RIEGLLMS-Q120和SICK LMS激光雷達獲取，側向安裝的SICK獲取的反射信息積累一段時間後得到的反射強度信息匹配到RNDF地圖上後如下圖所示，反應了路標反射的變化情況。
定位濾波器上1D直方圖濾波器，基於發射強度和沿著公路的路緣石標記估計車輛相對RNDF的橫向偏移後驗分布。以概率方式獎勵車道線等路標與RNDF中的路邊或車道平行情況，而懲罰觀測到的路緣石出現在RNDF的行駛區域情況。這樣，任何時間任何地點都可以估計出到基於GPS的INS測量位置的細粒度偏移。
下圖給出了測試中的定位結果，綠色曲線表示車道線位置，黃色曲線為橫向偏移的後驗分布，與紅色的Applanix估計相差80cm，如果沒有改步驟會使得Junior騎著車道線行駛或撞到路緣石上。在城市挑戰賽中，偏移1m或以上很常見。
下圖給出了城市挑戰賽中的橫向偏移校正分布。
5.1 坐標平滑
當長時間積累多感測器測量時，可能會嘗試使用INS位姿估計來計算不同測量間的相對偏移。然而，在一些精確的INS系統中，估計的位姿常常因GPS測量出現跳動。INS提供了當前時刻最可能的位置，新的GPS信息到來時，最可能的位置有可能和車的運動有些不一致，以前的INS使用必須當前信息校正以便建立一致性地圖。在一些估計文獻中該問題被稱為平滑。
為緩解該問題，Junior維護了一個對這種跳動穩健的內部平滑坐標系，汽車位置是所有速度增量之和。位姿估計系統對速度估計比位置估計更穩定，即便是GPS不可用或者信號不好時。X和Y速度由碼盤獲得，對GPS跳變穩健。但是長時間建圖時，平滑坐標會導致建圖不一致，因此僅能應用於局部建圖問題中，本文應用於導航用的局部建圖中。
未完待續。。。。。
英文名稱：Junior:The Stanford Entry in the Urban Challenge
本公眾號專註於提供計算機視覺、機器學習、深度學習、智能感測器技術等人工智慧、機器人、無人車、無人機相關領域省時的知識轉述，敬請各位看官關注、評論、轉發、分享。
關注該公眾號，一起創造奇蹟。
