1摘要

實(shí)時(shí)、準(zhǔn)確和魯棒的定位對(duì)于自動(dòng)駕駛汽車(chē)（AVs）實(shí)現(xiàn)安全、高效駕駛至關(guān)重要，而實(shí)時(shí)性能對(duì)于A(yíng)Vs及時(shí)實(shí)現(xiàn)其當(dāng)前位置以進(jìn)行決策至關(guān)重要。迄今為止，沒(méi)有一篇綜述文章定量比較了基于各種硬件平臺(tái)和編程語(yǔ)言的不同定位技術(shù)之間的實(shí)時(shí)性能，并分析了定位方法、實(shí)時(shí)性能和準(zhǔn)確性之間的關(guān)系。因此，本文討論了最先進(jìn)的定位技術(shù)，并分析了它們?cè)贏(yíng)V應(yīng)用中的整體性能。為了進(jìn)一步分析，本文首先提出了一種基于定位算法操作能力（LAOC）的等效比較方法，以比較不同定位技術(shù)的相對(duì)計(jì)算復(fù)雜性；然后，全面討論了方法論、計(jì)算復(fù)雜性和準(zhǔn)確性之間的關(guān)系。分析結(jié)果表明，定位方法的計(jì)算復(fù)雜性最大相差約107倍，而精度相差約100倍。與基于激光雷達(dá)的定位相比，基于視覺(jué)和數(shù)據(jù)融合的定位技術(shù)在提高精度方面的潛力約為2–5倍?；诩す饫走_(dá)和視覺(jué)的定位可以通過(guò)提高圖像配準(zhǔn)方法的效率來(lái)降低計(jì)算復(fù)雜性。與基于激光雷達(dá)和視覺(jué)的定位相比，基于數(shù)據(jù)融合的定位可以實(shí)現(xiàn)更好的實(shí)時(shí)性能，因?yàn)槊總€(gè)獨(dú)立傳感器不需要開(kāi)發(fā)復(fù)雜的算法來(lái)實(shí)現(xiàn)其最佳定位潛力。V2X技術(shù)可以提高定位魯棒性。最后，討論了基于定量比較結(jié)果的AVs定位的潛在解決方案和未來(lái)方向。

2介紹

自動(dòng)駕駛車(chē)輛（AVs）有望在未來(lái)的智能交通系統(tǒng)中發(fā)揮關(guān)鍵作用，因?yàn)樗鼈冊(cè)诖_保安全駕駛、緩解交通壓力和降低能耗方面具有潛力。目前對(duì)AVs的研究已進(jìn)入道路測(cè)試階段。例如，百度已經(jīng)在復(fù)雜的道路場(chǎng)景中測(cè)試了Apollo 5.0系統(tǒng)，例如沒(méi)有特殊標(biāo)記的彎道或十字路口[1]。谷歌Waymo項(xiàng)目也在美國(guó)公共道路上完成了1000多萬(wàn)英里的路測(cè)，并在模擬中完成了70億英里的路測(cè)[2]。然而，在A(yíng)Vs商業(yè)化之前，該行業(yè)仍需要應(yīng)對(duì)幾個(gè)關(guān)鍵挑戰(zhàn)。這些挑戰(zhàn)包括a）提出實(shí)時(shí)、準(zhǔn)確和低成本的自定位解決方案；b）實(shí)現(xiàn)實(shí)時(shí)和準(zhǔn)確的環(huán)境感知模型；c）在復(fù)雜場(chǎng)景中實(shí)現(xiàn)智能、安全和高效的決策。同時(shí)，環(huán)境感知和決策模塊顯著依賴(lài)于自動(dòng)駕駛汽車(chē)的實(shí)時(shí)和準(zhǔn)確的自定位，以實(shí)現(xiàn)安全駕駛。因此，自定位是AV的核心要素之一。此外，只有當(dāng)自動(dòng)定位達(dá)到毫秒級(jí)實(shí)時(shí)性能和厘米級(jí)精度時(shí)，才能確保安全駕駛，如避免碰撞[3]。 作為一種典型的方法，地圖匹配算法廣泛應(yīng)用于許多配備激光雷達(dá)[4]、雷達(dá)[5]、相機(jī)[6]或V2X[7]的定位解決方案中。地圖匹配方法之一是使用現(xiàn)有地圖來(lái)匹配檢測(cè)到的環(huán)境特征（例如，拐角和道路標(biāo)記），從而獲得車(chē)輛位置信息。另一種技術(shù)是在應(yīng)用程序中使用的SLAM，無(wú)需先驗(yàn)地圖。它通過(guò)同時(shí)構(gòu)建用于順序映射的環(huán)境模型（地圖）來(lái)實(shí)現(xiàn)車(chē)輛定位。地圖算法主要關(guān)注從各種傳感器提取的抽象數(shù)據(jù)，如激光雷達(dá)、雷達(dá)、相機(jī)或它們的組合。在基于傳感器的定位技術(shù)方面，它依靠車(chē)載傳感器來(lái)估計(jì)車(chē)量車(chē)輛的絕對(duì)或相對(duì)位置。之前的綜述對(duì)其進(jìn)行了詳細(xì)討論[8]。在許多基于傳感器的定位研究中，“傳感器”被視為主要的定位傳感器，作者試圖探索一種主要基于其測(cè)量的創(chuàng)新方法，旨在解決某些特殊場(chǎng)景中的定位挑戰(zhàn)。這并不意味著定位系統(tǒng)僅使用單個(gè)傳感器來(lái)實(shí)現(xiàn)車(chē)輛定位。作為解釋這一概念的示例，對(duì)于基于IMU的定位，參考文獻(xiàn)[9]提出了一種交互多模型（IMM）方法，通過(guò)使用IMU和里程計(jì)傳感器數(shù)據(jù)來(lái)消除由全球定位系統(tǒng)（GPS）中斷或GPS信號(hào)塊引起的系統(tǒng)漂移，從而提高了此類(lèi)駕駛場(chǎng)景中的定位魯棒性和完整性性能?；趥鞲衅鞯亩ㄎ患夹g(shù)可以指導(dǎo)AV定位系統(tǒng)的部署，包括如何選擇能夠滿(mǎn)足實(shí)時(shí)性能的傳感器、定位算法、融合算法和計(jì)算資源。此外，關(guān)注定位輸入（傳感器硬件）可以讓讀者更好地了解不同系統(tǒng)部署在準(zhǔn)確性、實(shí)時(shí)性、魯棒性和成本方面的優(yōu)缺點(diǎn)。因此，本次調(diào)查將從車(chē)載傳感器開(kāi)始，討論不同的基于傳感器的定位技術(shù)，然后討論V2X定位技術(shù)，最后討論基于數(shù)據(jù)融合的定位。 圖1顯示了車(chē)輛不同自定位技術(shù)，包括車(chē)載傳感器、V2X和基于數(shù)據(jù)融合的技術(shù)。基于車(chē)載傳感器的定位系統(tǒng)，包括基于主動(dòng)和被動(dòng)傳感器的技術(shù)，依靠車(chē)載傳感器感知周?chē)h(huán)境，然后估計(jì)車(chē)輛位置?；赩2X的定位方法與周?chē)h(huán)境節(jié)點(diǎn)（例如，相鄰車(chē)輛或基礎(chǔ)設(shè)施）通信，以接收其位姿信息，包括基于車(chē)輛對(duì)車(chē)輛（V2V）和車(chē)輛對(duì)基礎(chǔ)設(shè)施（V2I）的技術(shù)，這些技術(shù)可以為定位算法提供多個(gè)參考坐標(biāo)。數(shù)據(jù)融合不是一種直接感測(cè)位置的方法，而是一種后處理定位感測(cè)技術(shù)。其目標(biāo)是融合各種傳感器的測(cè)量結(jié)果，以獲得比單個(gè)傳感器更好的結(jié)果。

基于主動(dòng)傳感器的定位通過(guò)車(chē)載傳感器（包括激光雷達(dá)、雷達(dá)和超聲波傳感器）主動(dòng)感知周?chē)h(huán)境以估計(jì)車(chē)輛位置。它們的測(cè)距原理是相同的，這是基于到達(dá)時(shí)間（TOA）方法的。它們的區(qū)別在于信號(hào)載體，即激光雷達(dá)、雷達(dá)和超聲波傳感器的激光、無(wú)線(xiàn)電和超聲波。信號(hào)載波波長(zhǎng)的差異導(dǎo)致這些傳感器的成本和精度的顯著變化。例如，激光雷達(dá)通常成本最高，但精度最好，超聲波[10]-[13]的情況正好相反。 基于被動(dòng)傳感器的定位被動(dòng)地接收環(huán)境信息，從中計(jì)算車(chē)輛位置。傳感器包括GPS、IMU和視覺(jué)（例如，單目或雙目攝像機(jī)）。根據(jù)空間三角測(cè)量方法，GPS需要在開(kāi)闊的天空區(qū)域中有三顆或更多的衛(wèi)星來(lái)獲取車(chē)輛位置（2–10m）。GPS的優(yōu)點(diǎn)是成本低，但在城市環(huán)境中，它經(jīng)常遭受多徑和nonline-of-sight（NLOS）誤差以及緩慢的位置更新率。IMU使用高頻采樣率（>100Hz）測(cè)量車(chē)輛加速度和轉(zhuǎn)速。因此，可以通過(guò)給定初始姿態(tài)的航位推算來(lái)推導(dǎo)車(chē)輛的位置和方向[14]。盡管IMU具有快速的位置刷新率和高可靠性，但它也容易出現(xiàn)大量累積錯(cuò)誤?；谝曈X(jué)的定位通過(guò)使用來(lái)自單目或雙目相機(jī)的圖像作為輸入來(lái)估計(jì)車(chē)輛位置。這類(lèi)似于根據(jù)平面三角測(cè)量確定障礙物位置的人類(lèi)視覺(jué)系統(tǒng)。圖像中豐富的環(huán)境信息可以在適當(dāng)?shù)恼彰鳁l件下提供令人滿(mǎn)意的定位性能，但消耗大量的內(nèi)存和計(jì)算資源。 基于V2V的定位是指vehicular ad hoc network（VANET）下的自動(dòng)駕駛車(chē)輛，使用專(zhuān)用短程通信（DSRC）或長(zhǎng)期演進(jìn)技術(shù)來(lái)確定其他車(chē)輛的位姿，從而提高車(chē)輛的位置精度?；赩2I的定位是指目標(biāo)車(chē)輛和靜態(tài)基礎(chǔ)設(shè)施之間的通信，使用它們的精確已知位置來(lái)確定目標(biāo)車(chē)輛位置?；A(chǔ)設(shè)施的類(lèi)型包括磁性標(biāo)記、射頻識(shí)別（RFID）標(biāo)簽、路邊單元（RSU）和GPS基站?；赩2X的定位具有廣泛的全局感知范圍（300m[15]），但可能會(huì)受到網(wǎng)絡(luò)延遲和城市擁堵的影響。 已經(jīng)發(fā)表了許多調(diào)查，總結(jié)了現(xiàn)有的自定位技術(shù)，并全面討論了它們的優(yōu)缺點(diǎn)以及每種基于傳感器的方法的潛在應(yīng)用。然而，在評(píng)估各種定位方法時(shí)，最新的綜述文件僅關(guān)注以下方面：

a） 經(jīng)濟(jì)和可靠的定位技術(shù)[8]，其中經(jīng)濟(jì)對(duì)應(yīng)于定位系統(tǒng)的成本，可靠對(duì)應(yīng)于定位性能（包括準(zhǔn)確性和可靠性），這些技術(shù)可以在各種駕駛場(chǎng)景（例如，下雪天氣）中實(shí)現(xiàn)；

b） 準(zhǔn)確度、可靠性和可用性[16]，其中與定位系統(tǒng)相對(duì)應(yīng)的可用性應(yīng)在不同環(huán)境中可用，例如隧道中基于GPS的定位系統(tǒng)，在通信延遲的情況下的V2V方法；

c） 魯棒性和可擴(kuò)展性[17]，[18]，其中與定位系統(tǒng)相對(duì)應(yīng)的魯棒性在不同季節(jié)和交通條件下以低故障率長(zhǎng)時(shí)間運(yùn)行，可擴(kuò)展性與車(chē)輛處理大規(guī)模自動(dòng)駕駛的能力相對(duì)應(yīng)。

自動(dòng)定位的實(shí)時(shí)性能是評(píng)估AV安全駕駛的關(guān)鍵指標(biāo)之一。上述調(diào)查還提到，研究人員在設(shè)計(jì)定位系統(tǒng)時(shí)應(yīng)仔細(xì)考慮不同技術(shù)的計(jì)算負(fù)載和實(shí)時(shí)性能。然而，到目前為止，還沒(méi)有調(diào)查對(duì)不同的自定位技術(shù)的實(shí)時(shí)性能進(jìn)行比較和深入討論。通過(guò)比較駕駛員行為對(duì)決策過(guò)程的反應(yīng)時(shí)間[28]。論文進(jìn)行了文獻(xiàn)綜述，以展示從感知障礙物到執(zhí)行控制動(dòng)作的時(shí)刻，AV行為的反應(yīng)時(shí)間，如表I所示。根據(jù)計(jì)算機(jī)模擬和實(shí)際測(cè)試，為了滿(mǎn)足安全駕駛，AV的整個(gè)決策過(guò)程的反應(yīng)時(shí)間通常縮短至0.5s。然而，在極端情況下，檢測(cè)和識(shí)別模塊、規(guī)劃和決策模塊以及執(zhí)行模塊將占用近0.5秒，這導(dǎo)致為定位模塊預(yù)留的執(zhí)行時(shí)間非常有限。因此，快速實(shí)時(shí)定位解決方案可以為AV系統(tǒng)的其他模塊（如決策）節(jié)省計(jì)算資源，以實(shí)施復(fù)雜的策略以確保安全駕駛。目前，在各種硬件平臺(tái)和編程語(yǔ)言上呈現(xiàn)了不同定位解決方案的實(shí)時(shí)性能。直接使用每個(gè)自定位研究論文提供的數(shù)據(jù)來(lái)比較實(shí)時(shí)性能沒(méi)有意義，也不能反映AV中內(nèi)存和計(jì)算資源的相對(duì)消耗。也沒(méi)有調(diào)查對(duì)同一基準(zhǔn)下各種定位解決方案的計(jì)算復(fù)雜性進(jìn)行量化，這與定位系統(tǒng)的實(shí)時(shí)性能和部署成本有關(guān)。本文旨在研究現(xiàn)有的最先進(jìn)的定位技術(shù)，并著重于提出的每種解決方案的創(chuàng)新算法或方法，以及在實(shí)時(shí)性能、準(zhǔn)確性和魯棒性方面的整體定位性能；提出一種等效方法，定量比較基于各種硬件平臺(tái)和編程語(yǔ)言的不同定位解決方案之間的相對(duì)實(shí)時(shí)性能；最后總結(jié)現(xiàn)有的定位技術(shù)，并基于A(yíng)V中的定量比較結(jié)果討論潛在的解決方案和未來(lái)方向。表II總結(jié)了論文的調(diào)查與最近現(xiàn)有調(diào)查之間的關(guān)系和差異。

3基于主動(dòng)傳感器的定位

基于激光雷達(dá)的定位

基于激光雷達(dá)的定位通常需要預(yù)先構(gòu)建參考地圖，以與點(diǎn)云數(shù)據(jù)或激光雷達(dá)反射強(qiáng)度數(shù)據(jù)相匹配。但在沒(méi)有先驗(yàn)地圖的情況下，它將使用SLAM技術(shù)構(gòu)建實(shí)時(shí)地圖以與先前生成的地圖匹配。在A(yíng)Vs的應(yīng)用中，高維地圖包含豐富的特征信息，這提高了位置估計(jì)精度，但降低了存儲(chǔ)效率并增加了處理時(shí)間[29]，[30]。 Im等人[31]基于城市道路兩側(cè)建筑物的垂直角建立了一維角地圖，用于匹配和定位。他們使用迭代端點(diǎn)擬合來(lái)提取垂直角的特征，并根據(jù)垂直線(xiàn)的長(zhǎng)度和方向構(gòu)建角特征圖。然后，他們應(yīng)用特征匹配和點(diǎn)云數(shù)據(jù)來(lái)計(jì)算車(chē)輛位置。由于提取的特征信息較少，該方法減少了匹配時(shí)間和地圖數(shù)據(jù)文件大小（約14KB/km）。然而，最大水平位置誤差達(dá)到0.46m；此外，這種方法不適用于沒(méi)有建筑物的地區(qū)。參考文獻(xiàn)[32]構(gòu)建了由基于道路標(biāo)記的道路反射密集圖和基于垂直結(jié)構(gòu)的概率占用網(wǎng)格圖組成的2D占用網(wǎng)格圖。首先，他們通過(guò)提取道路標(biāo)記和拐角的線(xiàn)條特征，構(gòu)建了一個(gè)1D擴(kuò)展線(xiàn)地圖（ELM）。這些要素僅包含直線(xiàn)兩個(gè)端點(diǎn)的緯度和經(jīng)度信息。然后，他們將ELM轉(zhuǎn)換為2D網(wǎng)格地圖，以便在定位過(guò)程中進(jìn)行匹配。與[31]相比，[32]增加了道路標(biāo)記特征以提高準(zhǔn)確性性能，但該方法將ELM數(shù)據(jù)大小增加到134KB/km。 用于激光雷達(dá)定位的二維平面地圖匹配在當(dāng)前的研究中非常流行。例如，Levinson等人[4]通過(guò)使用SLAM式松弛算法來(lái)構(gòu)建沒(méi)有任何潛在移動(dòng)物體的平坦地面反射圖，然后使用部分濾波器（PF）來(lái)關(guān)聯(lián)激光雷達(dá)，從而獲得車(chē)輛定位。為了進(jìn)一步提高魯棒性，參考文獻(xiàn)[33]使用了表示為remittance values的高斯分布的概率圖，而不是表示為固定infrared remittance values的先前地圖。它使地圖中的靜止物體和一致的角反射率能夠通過(guò)貝葉斯推斷快速識(shí)別。然后使用離線(xiàn)SLAM來(lái)對(duì)齊先前序列地圖中的重疊軌跡，這使得定位系統(tǒng)不斷學(xué)習(xí)和改進(jìn)地圖。與參考文獻(xiàn)[4]中的方法相比，參考文獻(xiàn)[33]提高了動(dòng)態(tài)城市環(huán)境中AV的定位精度和魯棒性。然而，這兩種方法的地圖數(shù)據(jù)大小已增加到每英里10MB左右。其他相關(guān)算法[29]、[35]—[42]可以參考具體論文。 基于3D地圖的匹配可以實(shí)現(xiàn)更準(zhǔn)確的位置，因?yàn)樗h(huán)境對(duì)象的高度信息。參考文獻(xiàn)[43]通過(guò)提取道路標(biāo)記特征構(gòu)建了3D地圖。然后，系統(tǒng)使用正態(tài)分布變換（NDT）來(lái)處理不確定信息，之后基于PF推導(dǎo)出魯棒性和精確定位。然而，3D NDT方法可能需要大量?jī)?nèi)存來(lái)保存ND體素（用于匹配的3D ND體素總數(shù)高達(dá)100MB[30]），這導(dǎo)致定位時(shí)間與second level一樣長(zhǎng)[44]。Li等人[45]提出構(gòu)建3D占用網(wǎng)格地圖，然后使用混合過(guò)濾框架（即cubature Kalman filter和PF的組合）來(lái)計(jì)算大規(guī)模戶(hù)外定位并減少地圖數(shù)據(jù)大小。盡管數(shù)據(jù)量減少了，但實(shí)驗(yàn)表明，該方法可以保持穩(wěn)定、可靠的定位性能，這意味著定位誤差小于0.097m。

基于雷達(dá)的定位

與基于激光雷達(dá)和視覺(jué)的定位相比，基于雷達(dá)的定位可以滿(mǎn)足實(shí)時(shí)性能要求，因?yàn)槠鋬?nèi)存效率高且計(jì)算負(fù)載低[46]，[47]。然而，基于雷達(dá)的SLAM在地圖匹配中面臨數(shù)據(jù)配準(zhǔn)錯(cuò)誤的風(fēng)險(xiǎn)，因?yàn)橛袝r(shí)會(huì)提取不真實(shí)的特征，從而導(dǎo)致定位精度低的風(fēng)險(xiǎn)[5]。面向軌跡的擴(kuò)展卡爾曼濾波器（EKF）-SLAM技術(shù)使用傅里葉-梅林變換順序配準(zhǔn)雷達(dá)圖像，并在不匹配特征的情況下計(jì)算車(chē)輛位置，以避免此類(lèi)特征帶來(lái)的風(fēng)險(xiǎn)。缺點(diǎn)是定位誤差達(dá)到13m（平均值）[46]。參考文獻(xiàn)[48]旨在通過(guò)Levy過(guò)程擴(kuò)展半馬爾可夫鏈，以提高長(zhǎng)期變化環(huán)境中的魯棒性，83%的估計(jì)位置誤差小于0.2m。對(duì)于雨雪情況，[49]通過(guò)對(duì)誤差傳播的不確定性進(jìn)行建模，然后匹配雷達(dá)圖像以實(shí)現(xiàn)可靠定位，從而建立了參考地圖。參考文獻(xiàn)[50]提出了一種聚類(lèi)SLAM技術(shù)，該技術(shù)使用基于密度的流聚類(lèi)算法對(duì)動(dòng)態(tài)環(huán)境中的雷達(dá)信號(hào)進(jìn)行聚類(lèi)。提出了一種無(wú)測(cè)量噪聲的環(huán)境掃描用于地圖匹配。PF用于使用該匹配結(jié)果來(lái)計(jì)算車(chē)輛位置。該技術(shù)中使用的地圖大小僅為200KB。 此外，參考文獻(xiàn)[51]和[52]提出了一種基于空間和多普勒的聯(lián)合優(yōu)化框架，以進(jìn)一步提高定位速度。該框架通過(guò)構(gòu)建稀疏高斯混合模型來(lái)表達(dá)參考點(diǎn)云，該模型是一種稀疏概率密度函數(shù)，可以降低計(jì)算復(fù)雜性。該方法的定位刷新率可達(dá)17Hz。參考文獻(xiàn)[47]使用相同道路的雷達(dá)掃描數(shù)據(jù)構(gòu)建參考地圖。然后，使用迭代最近點(diǎn)（ICP）來(lái)匹配雷達(dá)圖像以估計(jì)車(chē)輛位置。最后，應(yīng)用EKF平滑估計(jì)。由于所需的映射數(shù)據(jù)的大小較小，該技術(shù)減少了地圖匹配的計(jì)算負(fù)載。然而，挑戰(zhàn)在于需要從傳感器的相同模型中獲取最新數(shù)據(jù)，并從與參考相同的道路中獲取樣本，以進(jìn)行匹配。 此外，參考文獻(xiàn)[53]設(shè)計(jì)了一種車(chē)載定位探地雷達(dá)（LGPR）系統(tǒng)，以構(gòu)建道路地下地圖。該系統(tǒng)可以抵抗復(fù)雜天氣的信號(hào)干擾，因?yàn)樗睦走_(dá)安裝在底盤(pán)下，用于掃描地面。此外，它可以實(shí)現(xiàn)高精度（RMSE為12.7cm）和出色的實(shí)時(shí)性能（~126Hz刷新率）。然而，作者還提到，LGPR陣列的高度需要進(jìn)一步降低，以適應(yīng)更多的乘用車(chē)。

基于超聲波的定位

由于低成本的超聲波傳感器，基于超聲波的定位被廣泛用于室內(nèi)機(jī)器人定位。然而，短的檢測(cè)距離和對(duì)環(huán)境溫度、濕度和灰塵的敏感性都限制了超聲波傳感器在A(yíng)V定位中的廣泛應(yīng)用[54]，[55]。Moussa等人[56]使用EKF算法實(shí)現(xiàn)了基于超聲波的輔助導(dǎo)航解決方案。當(dāng)GPS無(wú)法限制車(chē)輛位置的漂移并增強(qiáng)系統(tǒng)的魯棒性時(shí)，該解決方案使用超聲波傳感器作為定位的主要傳感器。它可以實(shí)現(xiàn)出色的實(shí)時(shí)性能（約92Hz刷新率），但位置誤差高達(dá)7.11m。Jung等人[13]使用超聲波傳感器、編碼器、陀螺儀和數(shù)字磁羅盤(pán)，以及SLAM方法來(lái)估計(jì)車(chē)輛的絕對(duì)位置。該方法的平均位置更新時(shí)間長(zhǎng)達(dá)10.65s。此外，長(zhǎng)時(shí)間的SLAM計(jì)算過(guò)程可能會(huì)導(dǎo)致定位系統(tǒng)在位置更新之前由IMU導(dǎo)致的一些累積誤差。因此，能夠滿(mǎn)足位置精度要求的平均行駛距離僅約為5.2m?？傊?，基于超聲的定位技術(shù)可以實(shí)現(xiàn)低成本和低功耗的定位系統(tǒng)。然而，它的定位精度和魯棒性仍然不能滿(mǎn)足自動(dòng)駕駛的要求。

討論

基于激光雷達(dá)的地圖匹配技術(shù)中的準(zhǔn)確和魯棒的特征檢測(cè)方法可以提高AV定位的準(zhǔn)確性和魯棒性[57]。總之，就基于激光雷達(dá)的1D地圖匹配技術(shù)而言，由于該方法僅采用少數(shù)異形線(xiàn)作為特征，例如參考文獻(xiàn)[31]和[32]中所示的垂直角，因此特征配準(zhǔn)中的計(jì)算負(fù)載和內(nèi)存使用量較低。然而，這種方法需要解決路邊沒(méi)有垂直建筑物的情況下的挑戰(zhàn)。與1D地圖相比，2D地圖包含豐富的特征類(lèi)型，但增加了地圖存儲(chǔ)空間。基于強(qiáng)度的2D地圖方法可以增強(qiáng)積雪路面場(chǎng)景中的道路表示。基于混合地圖的算法可以減少內(nèi)存使用，并解決實(shí)時(shí)性能和定位精度之間的權(quán)衡，例如參考文獻(xiàn)[38]中所示的拓?fù)涠攘康貓D?；?D地圖的匹配算法可以獲得受益于3D特征的準(zhǔn)確和魯棒的位置。然而，與基于1D地圖和2D地圖的方法相比，它需要最大的計(jì)算資源，這將增加AV定位系統(tǒng)的部署成本。與基于高成本激光雷達(dá)的定位相比，雷達(dá)是一種經(jīng)濟(jì)高效的解決方案，但毫米波雷達(dá)獲得的環(huán)境模型分辨率低，且缺乏物體高度信息，使得定位系統(tǒng)難以實(shí)現(xiàn)魯棒性和準(zhǔn)確性。目前，雷達(dá)被廣泛用作輔助定位傳感器，以檢測(cè)車(chē)輛與障礙物之間的距離。超聲波傳感器的檢測(cè)范圍（約3m）決定了基于超聲波的定位主要用于短距離定位應(yīng)用，例如自動(dòng)停車(chē)，其中幾個(gè)參考目標(biāo)位于近距離。

4基于被動(dòng)傳感器的定位

基于GPS的定位

GPS可以為AV提供低成本、高效的定位解決方案。然而，GPS經(jīng)常受到城市中NLOS、多徑或信號(hào)阻塞的影響，所有這些都對(duì)提供可靠車(chē)輛定位的目標(biāo)提出了挑戰(zhàn)[58]，[59]。 當(dāng)前主流的基于GPS的定位通過(guò)位置校正技術(shù)提高了準(zhǔn)確性和可靠性，包括融合來(lái)自不同來(lái)源的測(cè)量[60]、過(guò)濾異常信號(hào)[61]和地圖輔助[62]。參考文獻(xiàn)[63]通過(guò)融合來(lái)自其他來(lái)源（包括GPS、RFID和V2V）的測(cè)量結(jié)果，改進(jìn)了基于GPS的定位。作者分析了不同數(shù)據(jù)源的準(zhǔn)確性，并過(guò)濾掉了冗余連接。它們只保留具有期望精度的連接，以在GPS降級(jí)環(huán)境中實(shí)現(xiàn)魯棒性要求。所提出方法的位置精度約為2.9m，計(jì)算復(fù)雜度約為[64]的0.8%。參考文獻(xiàn)[61]提出了一種GPS異常信號(hào)識(shí)別處理框架，以提高基于GPS的定位的魯棒性。該框架可以根據(jù)原始GPS的質(zhì)量決定輸出原始GPS、估計(jì)GPS或去除異常信號(hào)的GPS。與前兩種技術(shù)不同，Lu等人[65]通過(guò)匹配低精度開(kāi)源地圖來(lái)提高GPS精度。然而，該方法的局限性在于難以提取道路交叉口中的車(chē)道標(biāo)記特征。同時(shí)，[66]通過(guò)去除異常GPS信號(hào)并結(jié)合數(shù)字地圖的地形高度輔助，提出了一種基于全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）的定位方法。參考文獻(xiàn)[67]通過(guò)匹配N(xiāo)LOS信號(hào)延遲提高了GNSS精度。盡管如此，[66]和[67]的位置RMS誤差在城市場(chǎng)景中仍高達(dá)約10m。總之，使用獨(dú)立GPS接收機(jī)實(shí)現(xiàn)可靠、準(zhǔn)確的車(chē)輛定位是困難的。

基于IMU的定位

IMU是慣性導(dǎo)航系統(tǒng)（INS）的一個(gè)組件，可以測(cè)量加速度和俯仰率，并具有強(qiáng)大的抗干擾能力[68]。然而，由于累積誤差的缺點(diǎn)，自動(dòng)駕駛系統(tǒng)不能使用IMU計(jì)算長(zhǎng)距離的位置。在這種情況下，IMU被廣泛用作備用傳感器或融合源之一，以確保主定位傳感器短時(shí)中斷時(shí)的連續(xù)定位[69]。 參考文獻(xiàn)[70]提出使用基于航位推算（DR）的緊密耦合（TC）方案來(lái)提高城市中的精度性能。參考文獻(xiàn)[71]使用具有異常GPS測(cè)量抑制的修正TC，以在GPS無(wú)效環(huán)境下實(shí)現(xiàn)連續(xù)定位。Wang等人[72]提出了一種基于一組自回歸、移動(dòng)平均預(yù)測(cè)模型和占用網(wǎng)格約束的方案，以進(jìn)一步提高定位精度；該方案還可以減少DR系統(tǒng)的累積誤差和GPS上的多徑干擾。其他相關(guān)算法[73]-[76]可以參考具體論文。除DR方法外，IMU輸出的俯仰率信號(hào)的模式識(shí)別也可用于計(jì)算車(chē)輛位置。該方法的原理是通過(guò)分析俯仰率信號(hào)來(lái)提取車(chē)輛的振動(dòng)和運(yùn)動(dòng)模式。然后，利用預(yù)先構(gòu)建的索引地圖進(jìn)行模式匹配以進(jìn)行位置估計(jì)。該技術(shù)沒(méi)有累積誤差，因此具有合理的精度（約5m）。然而缺點(diǎn)是它很容易受到測(cè)量噪聲的影響[68]，[77]，[78]。

基于視覺(jué)的定位

基于視覺(jué)的定位通?？梢赃_(dá)到合理的精度。多核CPU和GPU的普及及其強(qiáng)大的并行圖像處理能力的提高緩解了此類(lèi)定位方法的高計(jì)算復(fù)雜性帶來(lái)的壓力[79]，[80]。 參考文獻(xiàn)[81]使用四個(gè)魚(yú)眼攝像頭、一張預(yù)先構(gòu)建的地圖和當(dāng)前車(chē)輛位姿來(lái)檢測(cè)自主停車(chē)場(chǎng)景中給定范圍內(nèi)的對(duì)稱(chēng)停車(chē)標(biāo)記。然后，將檢測(cè)結(jié)果作為方向標(biāo)記，以與預(yù)先構(gòu)建的地圖匹配。該方法可以實(shí)現(xiàn)車(chē)輛定位，平行位置誤差為0.3米，定位時(shí)間為0.04s。Du等人[82]開(kāi)發(fā)了一種改進(jìn)的序列RANSAC算法，以有效地從圖像中提取車(chē)道線(xiàn)，用于特征匹配；在具有車(chē)道線(xiàn)的場(chǎng)景中，它們實(shí)現(xiàn)了大約0.06m的位置誤差和0.12s的定位刷新率。參考文獻(xiàn)[83]為特征匹配構(gòu)建了基于道路地標(biāo)的輕量級(jí)3D語(yǔ)義地圖，然后最小化殘余配準(zhǔn)誤差以估計(jì)車(chē)輛位置。該地圖可以減少內(nèi)存使用，這只會(huì)導(dǎo)致圖像匹配的四次迭代。然而，這種方法的缺點(diǎn)是，當(dāng)在彎道場(chǎng)景中使用時(shí)，仍需要進(jìn)一步測(cè)試。其他相關(guān)算法[6]、[84]、[85]、[86]、[87]可以參考具體論文。 同時(shí)，參考文獻(xiàn)[88]開(kāi)發(fā)了一個(gè)拓?fù)淠Ｐ?，以從參考地圖中獲得一組接近捕獲圖像的可能節(jié)點(diǎn)。然后，他們將提取的整體特征與最近節(jié)點(diǎn)的可能節(jié)點(diǎn)進(jìn)行匹配。最后通過(guò)將該節(jié)點(diǎn)的特征與圖像中的局部特征相關(guān)聯(lián)，以0.45m的位置精度實(shí)現(xiàn)了可靠的車(chē)輛定位。然而，這種方法受到照明靈敏度的影響，這可能導(dǎo)致定位失敗。參考文獻(xiàn)[89]提出了一種擴(kuò)展的赫爾普查變換方法，用于從全方位圖像數(shù)據(jù)集進(jìn)行語(yǔ)義描述和特征提取，以構(gòu)建拓?fù)鋱D。通過(guò)結(jié)合基于內(nèi)容和特征的圖像檢索方法進(jìn)行場(chǎng)景識(shí)別，該工作通過(guò)將識(shí)別結(jié)果與拓?fù)鋱D匹配，在變化的亮度和動(dòng)態(tài)障礙場(chǎng)景中實(shí)現(xiàn)了約85.5%置信度的魯棒定位。然而，這種技術(shù)的挑戰(zhàn)在于其位置刷新周期長(zhǎng)達(dá)2秒。

討論

總之，基于無(wú)源傳感器的定位技術(shù)的分析顯示了獲得低成本AV定位的顯著優(yōu)勢(shì)。然而，需要注意的是，獨(dú)立的無(wú)源傳感器不能滿(mǎn)足精度和魯棒性要求。GPS經(jīng)常受到城市中NLOS、多徑或信號(hào)阻塞的影響，這對(duì)定位的一致性和完整性提出了挑戰(zhàn)。通過(guò)融合來(lái)自不同來(lái)源的GPS測(cè)量、缺陷信號(hào)邊界和地圖輔助，可以改進(jìn)基于GPS的定位。當(dāng)GPS信號(hào)不可用時(shí)，DR系統(tǒng)可以提供實(shí)時(shí)一致的車(chē)輛位置。例如，如[9]所示，基于DR的IMM方法減少了系統(tǒng)漂移，提高了GPS中斷或GPS信號(hào)模塊環(huán)境中的定位魯棒性和完整性。然而，基于GPS和基于IMU的定位仍然需要進(jìn)一步提高GPS-IMU信號(hào)長(zhǎng)期異常情況下的精度、一致性和完整性性能?；谝曈X(jué)的定位可以實(shí)現(xiàn)0.14米的定位RMSE。但合理的定位時(shí)間通常要求系統(tǒng)配備GPU以加速。此外，相機(jī)在照明不足或惡劣天氣（如霧和雨）條件下的可靠性仍需進(jìn)一步研究。上述討論表明，通過(guò)融合多個(gè)低成本傳感器，數(shù)據(jù)融合技術(shù)將成為實(shí)現(xiàn)成本高效定位解決方案的趨勢(shì)。同時(shí)，參考文獻(xiàn)[90]–[93]中關(guān)于傳感器故障檢測(cè)和識(shí)別方法的最新研究表明，在提高定位魯棒性方面具有顯著優(yōu)勢(shì)，如基于IMM的故障識(shí)別方法、基于多模型和模糊邏輯的故障檢測(cè)方法等。未來(lái)的研究需要集中于這些技術(shù)和缺陷數(shù)據(jù)建模方法。

5基于V2X的定位

基于V2V的定位

基于V2V的定位不要求車(chē)輛配備高精度傳感器，以實(shí)現(xiàn)VANET下的精確位置。相反，它可以通過(guò)融合來(lái)自其他連接車(chē)輛的粗略位姿信息來(lái)實(shí)現(xiàn)合理的位置精度[94]。然而，其缺點(diǎn)是道路上參與車(chē)輛的分布不足或不均勻可能導(dǎo)致定位精度不足[95]，[96]。 Liu等人[15]提出了一種基于與其他車(chē)輛共享GPS偽距離測(cè)量值的加權(quán)最小二乘-雙差法來(lái)計(jì)算車(chē)輛間距離。他們使用分布式位置估計(jì)算法來(lái)融合共享數(shù)據(jù)，實(shí)現(xiàn)了約4米的定位精度。該解決方案減少了隨機(jī)噪聲的影響，并提高了計(jì)算車(chē)輛間距離的準(zhǔn)確性。參考文獻(xiàn)[97]提出使用貝葉斯方法來(lái)融合來(lái)自其他車(chē)輛的目標(biāo)車(chē)輛GPS位置和車(chē)輛間距離的GPS位置信息，以進(jìn)行車(chē)輛定位。該方法可以顯著降低定位不確定性。為了消除參與車(chē)輛需要預(yù)定義動(dòng)態(tài)運(yùn)動(dòng)模型來(lái)實(shí)現(xiàn)數(shù)據(jù)融合的挑戰(zhàn)，參考文獻(xiàn)[98]計(jì)算了關(guān)于車(chē)輛當(dāng)前位置的置信度，這是一種可以推斷車(chē)輛位置并在VANET中傳播的概率。然后，他們使用到達(dá)角度和TOA技術(shù)來(lái)測(cè)量車(chē)輛間距離，從而顯示相鄰車(chē)輛的相對(duì)位置。最后，通過(guò)計(jì)算相鄰位置的權(quán)重和來(lái)估計(jì)車(chē)輛位置；位置包括相對(duì)位置和信念。該方法的位置精度約為1.95m，但刷新率高達(dá)1.4s（7輛車(chē)接入網(wǎng)絡(luò)）。其他相關(guān)算法[99]-[103]可以參考具體論文。

基于V2X的定位

基于V2I的定位基于附近基礎(chǔ)設(shè)施的位置推斷車(chē)輛位置。它可以實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)和魯棒的定位性能。V2I技術(shù)的優(yōu)點(diǎn)包括基礎(chǔ)設(shè)施的高精度定位、獨(dú)立于時(shí)間的穩(wěn)定數(shù)據(jù)源和低計(jì)算復(fù)雜性。 參考文獻(xiàn)[104]和[105]提出了基于磁標(biāo)記的V2I定位。首先，在道路上以一定的間隔布置具有獨(dú)特高斯極陣分布的磁標(biāo)記，并將每個(gè)標(biāo)記的位置和分布存儲(chǔ)在數(shù)據(jù)庫(kù)中。然后，檢測(cè)每個(gè)標(biāo)記，并在車(chē)輛行駛過(guò)程中計(jì)算其高斯分布。最后，通過(guò)在數(shù)據(jù)庫(kù)中搜索該分布來(lái)確定車(chē)輛位置。該方法將失真的影響降至最低，并達(dá)到厘米級(jí)（<10cm）的定位精度。RFID技術(shù)，包括低成本的RFID讀取器和RFID標(biāo)簽也用于定位。RFID標(biāo)簽部署在路面上，配備有RFID讀取器的車(chē)輛可以根據(jù)標(biāo)簽確定位置[106]，[107]。至于缺點(diǎn)，這些技術(shù)需要高密度的基礎(chǔ)設(shè)施，并且容易受到基礎(chǔ)設(shè)施堵塞的影響。其他相關(guān)算法[108]-[113]可以參考具體論文。

討論

從V2X定位技術(shù)的回顧來(lái)看，V2V和V2I解決方案都不需要昂貴的專(zhuān)用硬件。對(duì)于基于V2V的解決方案，道路上參與車(chē)輛的充分和均勻分布可以提高定位精度和魯棒性。然而，不斷增加的車(chē)輛可能會(huì)導(dǎo)致較高的系統(tǒng)計(jì)算開(kāi)銷(xiāo)，但精度沒(méi)有太大提高。用于在節(jié)點(diǎn)之間創(chuàng)建層次結(jié)構(gòu)的高效集群架構(gòu)可以在具有長(zhǎng)距離的VANET下提供準(zhǔn)確的V2V通信服務(wù)。通過(guò)對(duì)此類(lèi)架構(gòu)的進(jìn)一步研究，可以克服車(chē)輛間準(zhǔn)確信息交換的挑戰(zhàn)。CMM方法可以提供一種潛在的方法來(lái)消除天線(xiàn)之間的多徑誤差，但傳播信號(hào)延遲的問(wèn)題仍然需要進(jìn)一步解決。V2X系統(tǒng)的信號(hào)延遲建議在10ms內(nèi)[3]?？梢酝ㄟ^(guò)優(yōu)化網(wǎng)絡(luò)參數(shù)（例如，數(shù)據(jù)波特率、傳播頻率和天線(xiàn)功率等）來(lái)解決信號(hào)降級(jí)和丟包問(wèn)題，之前的調(diào)查已經(jīng)對(duì)此進(jìn)行了詳細(xì)討論[8]?；赗FID的V2I系統(tǒng)可以實(shí)現(xiàn)成本高效的AV定位。然而，這些方法需要高密度的基礎(chǔ)設(shè)施，并且容易受到基礎(chǔ)設(shè)施堵塞的影響?；赗FID的技術(shù)非常適用于A(yíng)V在固定路線(xiàn)上行駛的應(yīng)用，例如動(dòng)物園的觀(guān)光巴士或港口的集裝箱裝卸車(chē)。優(yōu)化RSU高度、傳播角度和傳輸功率之間的關(guān)系可以確保信號(hào)強(qiáng)度和網(wǎng)絡(luò)覆蓋范圍廣，以實(shí)現(xiàn)基于RSU的V2I定位。盡管信號(hào)延遲仍需要進(jìn)一步解決以提高定位精度。

6基于數(shù)據(jù)融合的定位

基于多傳感器的數(shù)據(jù)融合定位

之前的討論表明，沒(méi)有獨(dú)立的傳感器能夠滿(mǎn)足AV定位的準(zhǔn)確性、實(shí)時(shí)性和可靠性要求。多個(gè)傳感器的數(shù)據(jù)融合顯示出實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)和可靠的自我定位的巨大潛力。 參考文獻(xiàn)[114]開(kāi)發(fā)了一種交互式多模型（IMM）濾波器，該濾波器由車(chē)輛動(dòng)力學(xué)模型和車(chē)輛運(yùn)動(dòng)學(xué)模型組成，以通過(guò)使用低成本傳感器實(shí)現(xiàn)成本高效的AV定位。GPS數(shù)據(jù)和車(chē)內(nèi)傳感器（即車(chē)輪速度傳感器和轉(zhuǎn)向角傳感器）數(shù)據(jù)用于該過(guò)濾器。IMM濾波器可以基于各種駕駛場(chǎng)景來(lái)權(quán)衡數(shù)據(jù)融合實(shí)現(xiàn)的適當(dāng)模型。該方法可以在32位嵌入式處理器中實(shí)現(xiàn)合理的定位性能。參考文獻(xiàn)[115]建議使用三個(gè)基于IMM的UKF構(gòu)建模型，以融合低成本傳感器數(shù)據(jù)，如GPS和慣性傳感器。該模型減少了來(lái)自慣性傳感器的大部分不確定噪聲，預(yù)測(cè)并補(bǔ)償了定位誤差，并可以在GPS中斷期間實(shí)現(xiàn)1.18米的位置精度。對(duì)于動(dòng)態(tài)機(jī)動(dòng)情況，如強(qiáng)加速、高速轉(zhuǎn)彎以及啟動(dòng)和停止，Ndjeng等人[116]表明，使用低成本傳感器（如IMU、里程計(jì)和GPS）的基于IMM的定位系統(tǒng)優(yōu)于基于EKF的定位系統(tǒng)。他們通過(guò)實(shí)際實(shí)驗(yàn)得出結(jié)論，基于IMM的定位魯棒性性能優(yōu)于基于EKF的車(chē)輛動(dòng)力學(xué)操縱的高可變性。其他相關(guān)算法[117]-[131]可以參考具體論文。

基于地圖的數(shù)據(jù)融合定位

基于地圖的數(shù)據(jù)融合技術(shù)基于多傳感器測(cè)量，并通過(guò)添加地圖信息來(lái)提高定位性能。例如，Suhr等人[132]提出將低成本傳感器與數(shù)字地圖融合，以提高實(shí)時(shí)性能。他們將車(chē)道和道路標(biāo)記特征表示為一組關(guān)鍵點(diǎn)，并使用前視攝像頭模塊處理捕獲的圖像。該解決方案可以減少內(nèi)存使用和計(jì)算開(kāi)銷(xiāo)；此外，其位置刷新率約為100Hz，位置精度約為0.5m。蔡等人[133]提出了一種數(shù)據(jù)驅(qū)動(dòng)的運(yùn)動(dòng)模型，不使用慣性傳感器來(lái)消除積分誤差的挑戰(zhàn)。他們通過(guò)使用高清地圖校正了GPS位置和相機(jī)的橫向距離，然后將這兩種信息用作融合數(shù)據(jù)。與純GPS定位相比，該方法的位置誤差減少了1/3。Gruyer等人[134]，[135]提出了一種基于精確數(shù)字地圖、GPS、IMU和兩個(gè)相機(jī)的地圖輔助數(shù)據(jù)融合方法，以獲得亞分米精度的AV橫向位置。他們首先通過(guò)兩個(gè)側(cè)面攝像頭估計(jì)了車(chē)輛到車(chē)輛左右兩側(cè)道路標(biāo)記的距離。然后，他們使用EKF通過(guò)GPS和IMU傳感器測(cè)量來(lái)估計(jì)車(chē)輛位置。最后，他們將先前估計(jì)的車(chē)輛位置和通過(guò)基于點(diǎn)到線(xiàn)段的地圖匹配算法獲得的匹配線(xiàn)段位置相結(jié)合，以進(jìn)一步提高定位精度和可靠性。其他相關(guān)算法[136]-[139]可以參考具體論文。

討論

分析表明，基于低成本多傳感器（如GPS、IMU、攝像頭和里程計(jì)等）數(shù)據(jù)融合的技術(shù)可以為自動(dòng)駕駛車(chē)輛提供一種經(jīng)濟(jì)高效的商業(yè)定位解決方案。融合GPS測(cè)量的多傳感器數(shù)據(jù)融合技術(shù)仍然需要解決GPS完整性問(wèn)題?；贗MM的融合方法可以減少來(lái)自慣性傳感器的大部分不確定噪聲，并在GPS中斷或GPS信號(hào)阻塞期間提高定位精度和魯棒性。然而，IMM的定位誤差仍然達(dá)到米級(jí)。通過(guò)將缺陷數(shù)據(jù)建模為區(qū)間，區(qū)間方法可以實(shí)現(xiàn)具有高完整性和一致性的車(chē)輛定位。該方法的定位RSSE和更新時(shí)間可以分別為約15cm、約170ms。間隔技術(shù)可以為市場(chǎng)提供一種潛在的基于融合的定位解決方案。然而，在不同復(fù)雜環(huán)境中的整體定位性能仍需要進(jìn)一步驗(yàn)證，以實(shí)現(xiàn)完全AVs。與地圖融合的協(xié)作方法還可以獲得準(zhǔn)確和魯棒的定位解決方案。例如，參考文獻(xiàn)[136]顯示了一種協(xié)作方法，該方法可以通過(guò)與多傳感器（例如GPS、相機(jī)等）、SLAM和地圖融合來(lái)增強(qiáng)定位精度和魯棒性。此外，還可以關(guān)注不同傳感器的故障檢測(cè)和識(shí)別技術(shù)，以確保更穩(wěn)健的AV定位。綜上所述，上述討論表明，基于數(shù)據(jù)融合的技術(shù)具有在經(jīng)濟(jì)性、實(shí)時(shí)性、準(zhǔn)確性和魯棒性之間權(quán)衡商用自動(dòng)駕駛車(chē)輛定位性能的巨大潛力。

7精度和實(shí)時(shí)性能討論

定位性能評(píng)估的相關(guān)工作

實(shí)時(shí)、準(zhǔn)確和穩(wěn)健的AV定位是確保安全駕駛的關(guān)鍵要素之一。不同定位技術(shù)的性能比較可以指導(dǎo)AV系統(tǒng)的傳感器選擇和研究目的。已經(jīng)發(fā)表了許多與不同定位算法的準(zhǔn)確性和魯棒性性能比較相關(guān)的工作。Zhang等人[138]從理論上分析了RI-EKF-SLAM的收斂性和一致性，并將其定位性能與SO（3）-EKF-SLAM進(jìn)行了比較。Zhang等人通過(guò)一維、二維和三維模擬比較了基于RI-EKF的SLAM和基于優(yōu)化的SLAM的準(zhǔn)確性和一致性性能。[140]。此外，Mourllion等人[141]在車(chē)輛定位的預(yù)測(cè)步驟中展示了卡爾曼濾波器變量的性能，例如EKF、UKF以及一階和二階的除法差（DD1和DD2）。Gruyer等人[142]使用基于精度和濾波器不確定性和一致性的標(biāo)準(zhǔn)以及多傳感器實(shí)驗(yàn)測(cè)量，比較了這些KF變體的整體定位過(guò)程（預(yù)測(cè)和校正步驟）。Ndjeng等人[116]評(píng)估了動(dòng)態(tài)機(jī)動(dòng)場(chǎng)景下基于IMM和基于EKF的低成本定位系統(tǒng)的準(zhǔn)確性和魯棒性性能。到目前為止，很少有工作對(duì)定位實(shí)時(shí)性能進(jìn)行了比較。參考文獻(xiàn)[6]和[149]比較了基于CPU和GPU平臺(tái)的同一解決方案的定位時(shí)間。參考文獻(xiàn)[143]在CPU和GPU上運(yùn)行濾波算法，以比較它們的執(zhí)行時(shí)間。然而，上述實(shí)時(shí)性能比較僅在各種平臺(tái)上運(yùn)行相同的算法。在各種硬件平臺(tái)和編程語(yǔ)言上展示了不同定位解決方案的實(shí)時(shí)性能。此外，整個(gè)解決方案的定位時(shí)間受數(shù)據(jù)提取和原始搜索步驟、核心定位算法執(zhí)行、地圖存儲(chǔ)和更新（如果使用了地圖）的影響。為了在沒(méi)有實(shí)際測(cè)試的情況下對(duì)不同解決方案進(jìn)行快速實(shí)時(shí)性能比較，首先，論文假設(shè)不同研究論文中顯示的定位時(shí)間與完整的定位解決方案有關(guān)，而不僅僅是算法。其次假設(shè)每個(gè)解決方案中運(yùn)行的代碼都充分利用了所有計(jì)算源。因此，基于不同的硬件計(jì)算能力和編程語(yǔ)言執(zhí)行效率，可以將不同解決方案的本地化時(shí)間轉(zhuǎn)換為相同的基準(zhǔn)。然后，可以近似地和定量地比較不同解決方案的實(shí)時(shí)性能。

等效比較法

對(duì)不同定位技術(shù)的討論表明，AV定位主要依賴(lài)CPU和GPU作為硬件平臺(tái)，MATLAB和C/C++作為編程語(yǔ)言。眾所周知，不同的硬件具有不同的計(jì)算能力。例如，當(dāng)使用濾波算法處理激光雷達(dá)3D點(diǎn)云數(shù)據(jù)時(shí)，GPU比CPU快52倍[143]。對(duì)于編程語(yǔ)言來(lái)說(shuō)，C/C++是一種編譯語(yǔ)言，在執(zhí)行之前被翻譯成機(jī)器語(yǔ)言。MATLAB是一種解釋語(yǔ)言，其中每行代碼都必須在執(zhí)行期間由解釋器讀取和解釋?zhuān)@使得它比編譯語(yǔ)言要慢得多[144]，[145]。因此，在比較不同定位技術(shù)的實(shí)時(shí)性能時(shí)，必須考慮使用硬件和編程語(yǔ)言的因素。 作為第一步，必須確定CPU/GPU系列之間以及CPU和GPU之間的定位算法操作能力（LAOC）等效轉(zhuǎn)換系數(shù)。CPU/GPU系列中的所有CPU/GPU都源自不同定位技術(shù)的硬件平臺(tái)。在本文中，使用單精度浮點(diǎn)（SPFP）峰值性能來(lái)確定GPU/CPU系列的LAOC等效轉(zhuǎn)換關(guān)系，因?yàn)槎ㄎ凰惴ㄍǔＩ婕癝PFP操作。在CPU系列中，SPEC CPU2006基準(zhǔn)測(cè)試[146]旨在比較不同CPU在硬件級(jí)別的計(jì)算密集型性能。這取決于處理器、內(nèi)存結(jié)構(gòu)和總線(xiàn)的因素。該基準(zhǔn)可以全面評(píng)估和比較不同CPU的硬件性能[147]。因此，CPU系列之間的LAOC等效轉(zhuǎn)換關(guān)系基于SPECfp2006[148]，其中給出了每秒CPU相對(duì)峰值浮點(diǎn)運(yùn)算（FLOPS）性能。對(duì)于標(biāo)準(zhǔn)化，本文所示相對(duì)峰值FLOPS性能的最小值作為基線(xiàn)，其LAOC等效轉(zhuǎn)換系數(shù)確定為。CPU系列之間的LAOC等效轉(zhuǎn)換系數(shù)通過(guò)使用，如表III所示。

對(duì)于GPU系列，影響FLOPS功能的因素包括頻率f、內(nèi)核數(shù)量N和每個(gè)內(nèi)核FMA的每個(gè)周期的單精度融合乘加運(yùn)算（FMA）。FMA可以在所選GPU的官方網(wǎng)站中找到。理論上的單精度峰值性能可以通過(guò)使用以下方程來(lái)估計(jì)。 對(duì)于相同的數(shù)據(jù)傳輸和復(fù)制，可以表示GPU的實(shí)際SPFP計(jì)算能力，GPU系列之間的轉(zhuǎn)換關(guān)系基于。對(duì)于歸一化，論文將本文中給出的最小FLOPS峰值性能定義為基線(xiàn)，其LAOC等效轉(zhuǎn)換因子為。GPU系列之間的LAOC等效轉(zhuǎn)化因子通過(guò)使用a計(jì)算，如表IV所示：

對(duì)于CPU和GPU之間的LAOC等效關(guān)系，Charmette等人[6]，[149]在比較定位應(yīng)用中的CPU和GPU計(jì)算性能方面進(jìn)行了許多有代表性的工作。在本文中，CPU和GPU之間的轉(zhuǎn)換因子基于他們的最新研究結(jié)論[6]。結(jié)論表明，同一種方法GPU的定位時(shí)間大約是CPU的45倍。作者提到，雙核CPU中只有一個(gè)內(nèi)核用于定位。因此，論文認(rèn)為[6]中CPU的峰值FLOPS性能是相同雙核CPU的一半，如表III所示。[6]中CPU和GPU之間的LAOC等效轉(zhuǎn)換系數(shù)確定為。 論文考慮將C/C++作為編程語(yǔ)言基準(zhǔn)，其LAOC等效轉(zhuǎn)換因子設(shè)置為。MATLAB設(shè)置為。 最后論文選擇基準(zhǔn)峰值FLOPS性能作為硬件基準(zhǔn)，選擇C/C++作為編程語(yǔ)言基準(zhǔn)?；诓煌布途幊陶Z(yǔ)言的定位時(shí)間必須轉(zhuǎn)移到此基準(zhǔn)進(jìn)行比較。轉(zhuǎn)換方法由以下等式給出。

方法驗(yàn)證

在本文中，參考文獻(xiàn)[29]用于評(píng)估所提出的基于LAOC的等效比較方法。參考文獻(xiàn)[29]比較了基于CPU和GPU平臺(tái)的相同解決方案的定位時(shí)間。CPU和GPU的TR和TC、硬件和軟件的LAOC等效轉(zhuǎn)換因子h和s分別列于表V中。表V顯示，轉(zhuǎn)換前定位時(shí)間的差異是由于硬件平臺(tái)（CPU和GPU）不同造成的。轉(zhuǎn)換后的定位時(shí)間大大增加，因?yàn)橛布鶞?zhǔn)的峰值FLOPS性能最低，編程語(yǔ)言也相同。此外，轉(zhuǎn)換結(jié)果表明，，這意味著轉(zhuǎn)換后基于CPU和GPU的定位時(shí)間相似。這是因?yàn)榻鉀Q方案A和解決方案B都是相同的解決方案，但在不同的硬件平臺(tái)中實(shí)現(xiàn)。因此，基于LAOC的等效比較方法是合理的，可以用于近似和定量地比較不同的定位解決方案。表VI總結(jié)了使用方程（2）計(jì)算的不同定位技術(shù)的相對(duì)計(jì)算復(fù)雜性。

討論

1）準(zhǔn)確度和實(shí)時(shí)性能：本節(jié)定量比較了上述所有定位技術(shù)的計(jì)算復(fù)雜性和位置誤差。圖2顯示，在基于激光雷達(dá)的定位中，基于3D地圖的方法在精度方面優(yōu)于基于2D地圖的方法，因?yàn)樗S富的特征信息。然而，基于3D地圖的技術(shù)增加了內(nèi)存使用量和計(jì)算負(fù)載，導(dǎo)致算法的計(jì)算復(fù)雜度較高。此外，盡管基于2D地圖的技術(shù)之間的精度差異較小，但由于不同的方法，計(jì)算復(fù)雜性差異很大。例如，[29]中的2D GMM匹配技術(shù)的計(jì)算復(fù)雜度約為[42]中多層RANSAC配準(zhǔn)和2D地圖匹配方法的組合的2000倍。與基于激光雷達(dá)的定位技術(shù)相比，基于雷達(dá)和超聲波的定位技術(shù)具有更低的計(jì)算復(fù)雜性，因?yàn)樗鼈儼l(fā)射低密度電磁波。雷達(dá)定位的計(jì)算復(fù)雜性和位置誤差介于激光雷達(dá)和超聲波定位之間；盡管粒子群優(yōu)化和網(wǎng)格地圖匹配方法相結(jié)合實(shí)現(xiàn)了合理的定位性能，但該方法需要嚴(yán)格的傳感器部署。由于超聲波傳感器的低精度，基于超聲波的技術(shù)位置精度的位置精度約為10m。

圖3顯示，對(duì)于開(kāi)闊天空中的純GPS定位，GPS接收機(jī)可以輸出頻率為1Hz、精度為2–10m的位置信息，而不受車(chē)輛操作系統(tǒng)的限制。與其他基于傳感器的定位相比，基于IMU的技術(shù)由于其快速的位置刷新率，可以實(shí)現(xiàn)最低的計(jì)算復(fù)雜度，但其累積誤差僅在10分鐘的駕駛時(shí)間內(nèi)導(dǎo)致約1m的定位誤差。在基于視覺(jué)的定位方面，圖像中包含的豐富環(huán)境信息使其計(jì)算復(fù)雜性與基于激光雷達(dá)的方法相似。然而，由于圖像質(zhì)量和鏡頭失真的挑戰(zhàn)，視覺(jué)無(wú)法準(zhǔn)確測(cè)量周?chē)矬w的范圍。因此，其定位精度低于基于激光雷達(dá)的技術(shù)。此外，它的計(jì)算復(fù)雜度隨著參考地圖的維數(shù)而降低，但其位置精度變化不大。

如圖4所示，與基于激光雷達(dá)和視覺(jué)的定位相比，基于V2X的定位的實(shí)時(shí)性能更好，但由于信號(hào)延遲或參與節(jié)點(diǎn)不足的挑戰(zhàn)，其精度不令人滿(mǎn)意。

圖5顯示，與其他基于傳感器的定位相比，基于數(shù)據(jù)融合的技術(shù)可以在精度和實(shí)時(shí)性能方面實(shí)現(xiàn)平衡。這是因?yàn)樗妹總€(gè)傳感器的優(yōu)點(diǎn)來(lái)減少其他傳感器缺點(diǎn)的影響，并且每個(gè)獨(dú)立傳感器不需要開(kāi)發(fā)復(fù)雜的算法來(lái)實(shí)現(xiàn)其最佳定位潛力。

總之，不同的基于傳感器的定位技術(shù)的計(jì)算復(fù)雜性最大相差約10^7倍，而位置誤差相差約100倍。表VII總結(jié)了不同傳感器技術(shù)在精度和實(shí)時(shí)性能方面的性能。

2）應(yīng)用場(chǎng)景：滿(mǎn)足AV應(yīng)用安全駕駛要求的精度和實(shí)時(shí)性能分別是位置誤差和位置輸出頻率，要求分別小于30cm[3]和100ms[151]。分析表明，基于激光雷達(dá)、視覺(jué)和數(shù)據(jù)融合的定位具有滿(mǎn)足精度性能的潛力?；诩す饫走_(dá)和視覺(jué)的技術(shù)使用強(qiáng)大的處理器，如高性能GPU和多核CPU，可以滿(mǎn)足實(shí)時(shí)性能要求?；跀?shù)據(jù)融合的技術(shù)融合多個(gè)低成本傳感器（例如，相機(jī)、GPS、IMU和車(chē)載傳感器）的計(jì)算復(fù)雜性低于基于激光雷達(dá)和視覺(jué)的技術(shù)?？傊?，融合技術(shù)在實(shí)現(xiàn)經(jīng)濟(jì)高效的自主定位方面具有相當(dāng)大的潛力。 此外，表VII還可以指導(dǎo)不同場(chǎng)景下的定位解決方案選擇。對(duì)于行人和車(chē)輛高度參與交通的城市環(huán)境，與其他常見(jiàn)駕駛環(huán)境相比，定位精度和實(shí)時(shí)要求最高。盡管基于激光雷達(dá)、視覺(jué)和基于激光雷達(dá)或視覺(jué)的數(shù)據(jù)融合技術(shù)可能會(huì)增加硬件部署成本以實(shí)現(xiàn)實(shí)時(shí)性能，但這些技術(shù)可以獲得精確的定位精度。高速公路和郊區(qū)場(chǎng)景中，AV周?chē)男腥撕蛙?chē)輛較少。這些場(chǎng)景中的精度要求可能低于城市環(huán)境中的精度。然而，AVs需要遠(yuǎn)距離檢測(cè)傳感器來(lái)感知周?chē)恼系K物和高頻位置輸出，以滿(mǎn)足高速駕駛。因此，具有遠(yuǎn)距離傳感器感知和實(shí)時(shí)性能的定位技術(shù)可能是一種潛在的選擇，例如基于數(shù)據(jù)融合、雷達(dá)和V2V的技術(shù)。由于專(zhuān)用車(chē)道上的障礙物較少，且用作城市巴士或觀(guān)光巴士的AVs行駛速度較低，因此準(zhǔn)確度和實(shí)時(shí)性要求低于上述情況。在這種情況下，低成本的數(shù)據(jù)融合、V2I和基于雷達(dá)的定位技術(shù)可能是首選方案。在自動(dòng)停車(chē)場(chǎng)景中，檢測(cè)距離和定位實(shí)時(shí)性能不需要像上述應(yīng)用中那樣高。因此，低成本的超聲波和雷達(dá)技術(shù)可能是最有前途的選擇。

8結(jié)論

本文綜述了基于主動(dòng)傳感器、被動(dòng)傳感器、V2X和數(shù)據(jù)融合的最新自定位技術(shù)，并定量比較了它們的精度和計(jì)算復(fù)雜性性能。與1D地圖和3D地圖匹配方法相比，基于激光雷達(dá)的2D地圖匹配方法顯示了在成本、準(zhǔn)確性、實(shí)時(shí)性和魯棒性之間平衡商用AVs定位性能的最重要前景。然而，基于激光雷達(dá)的定位比其他基于傳感器的定位（如基于雷達(dá)的定位、基于視覺(jué)的定位和基于V2X的定位）更昂貴。此外，基于激光雷達(dá)的（2D）解決方案的實(shí)時(shí)性能可能受到系統(tǒng)計(jì)算能力的限制，并且需要強(qiáng)大的CPU/GPU加速，這會(huì)增加AV的部署成本。需要進(jìn)一步改進(jìn)基于激光雷達(dá)的（2D）解決方案，以使用低成本處理器縮短定位更新時(shí)間?；跓o(wú)源傳感器的定位解決方案在部署成本低方面顯示出顯著優(yōu)勢(shì)。挑戰(zhàn)在于，對(duì)于典型的無(wú)源傳感器，例如基于GPS的傳感器和IMU，定位的完整性和一致性使得該技術(shù)仍然難以應(yīng)用于A(yíng)V?；谝曈X(jué)的定位可以實(shí)現(xiàn)高精度的車(chē)輛位置，但可能需要GPU加速來(lái)處理大量圖像數(shù)據(jù)。相機(jī)在照明不足或惡劣天氣下的可靠性也需要進(jìn)一步解決。V2X技術(shù)可以在VANET的廣泛信號(hào)強(qiáng)度和網(wǎng)絡(luò)覆蓋范圍內(nèi)提供成本高效的AV定位解決方案?；赗FID的技術(shù)非常適合固定路線(xiàn)的AV應(yīng)用，例如動(dòng)物園的觀(guān)光巴士、港口的集裝箱裝卸車(chē)。然而，V2X系統(tǒng)中的信號(hào)延遲和數(shù)據(jù)包丟失問(wèn)題需要進(jìn)一步優(yōu)化，以提高定位精度和一致性。與其他基于傳感器的定位解決方案相比，基于數(shù)據(jù)融合的技術(shù)在權(quán)衡商用AV的經(jīng)濟(jì)性、實(shí)時(shí)性、準(zhǔn)確性和魯棒性的定位性能方面具有最大的潛力。例如，基于區(qū)間理論的技術(shù)可以通過(guò)融合低成本傳感器數(shù)據(jù)（例如GPS、IMU和里程計(jì)）來(lái)實(shí)現(xiàn)具有高完整性和一致性的車(chē)輛定位。在商業(yè)化之前，在不同的變化環(huán)境和各種駕駛條件（如長(zhǎng)途駕駛）下對(duì)該技術(shù)進(jìn)行進(jìn)一步研究和驗(yàn)證至關(guān)重要。 此外，實(shí)時(shí)性和準(zhǔn)確性性能之間的比較分析表明，不同基于傳感器的定位技術(shù)的位置誤差最大相差約100倍?；诩す饫走_(dá)、視覺(jué)和數(shù)據(jù)融合的定位技術(shù)有可能滿(mǎn)足AV安全駕駛的精度要求（小于30cm）。與其他基于傳感器的技術(shù)相比，基于激光雷達(dá)的技術(shù)實(shí)現(xiàn)了最佳的定位精度，并且不同基于激光雷達(dá)方法實(shí)現(xiàn)的位置精度相似。此外，高維地圖匹配或基于強(qiáng)度的匹配方法可以將位置誤差減少約2-3倍，但可以將計(jì)算復(fù)雜性增加約20-2000倍。與基于激光雷達(dá)的定位相比，基于視覺(jué)和數(shù)據(jù)融合的定位在提高位置精度方面的潛力約為2–5倍。就實(shí)時(shí)性能而言，不同基于傳感器的技術(shù)之間的計(jì)算復(fù)雜度最大變化約10^7倍。與精度相比，它有很大的改進(jìn)空間。IMU、超聲波、多傳感器融合和基于雷達(dá)的自定位可以通過(guò)低成本處理器滿(mǎn)足安全駕駛的實(shí)時(shí)性能要求（<100ms），而基于激光雷達(dá)和視覺(jué)的定位可以通過(guò)使用強(qiáng)大的處理器實(shí)現(xiàn)實(shí)時(shí)定位。然而，基于IMU、超聲波和雷達(dá)的技術(shù)定位精度不足，通常被用作AV中的輔助定位解決方案。與不同的方法相比，基于激光雷達(dá)的技術(shù)具有最高的計(jì)算復(fù)雜性和大約2000倍的最大差異。重點(diǎn)改進(jìn)激光雷達(dá)圖像配準(zhǔn)方法可以提高基于激光雷達(dá)的技術(shù)的實(shí)時(shí)定位性能?；谝曈X(jué)的定位的計(jì)算復(fù)雜性與基于激光雷達(dá)的方法相似，與不同方法相比，其最大差異約為1000倍。提高捕獲圖像關(guān)聯(lián)的效率和準(zhǔn)確性可以提高準(zhǔn)確性和實(shí)時(shí)性能。此外，匹配低維特征可以降低計(jì)算復(fù)雜性，但對(duì)精度沒(méi)有實(shí)質(zhì)性影響。與基于激光雷達(dá)和視覺(jué)的定位相比，基于數(shù)據(jù)融合的定位實(shí)現(xiàn)了更好的實(shí)時(shí)性能，因?yàn)槊總€(gè)獨(dú)立傳感器不需要開(kāi)發(fā)復(fù)雜的算法來(lái)實(shí)現(xiàn)其最佳定位潛力。此外，它實(shí)現(xiàn)了準(zhǔn)確度和實(shí)時(shí)性能之間的最佳平衡。總之，基于激光雷達(dá)、視覺(jué)和數(shù)據(jù)融合的技術(shù)在實(shí)時(shí)性能方面仍有很大提高。 討論表明，沒(méi)有一個(gè)傳感器能夠滿(mǎn)足自動(dòng)駕駛的所有定位要求。與其他基于單一傳感器的技術(shù)相比，基于數(shù)據(jù)融合的技術(shù)將是實(shí)現(xiàn)AV成本高效自定位的研究重點(diǎn)。除了傳統(tǒng)的融合信息源，如GPS和IMU，V2X將是一個(gè)有前途的解決方案，主要原因是它對(duì)光照和天氣具有出色的魯棒性。它具有廣泛的檢測(cè)范圍（約300m），可以增加數(shù)據(jù)源并提高其穩(wěn)定性。然而，精度、實(shí)時(shí)性能和魯棒性之間的權(quán)衡仍需進(jìn)一步研究。此外，未來(lái)的研究需要集中于傳感器故障檢測(cè)和識(shí)別技術(shù)以及缺陷數(shù)據(jù)建模方法，以確保穩(wěn)健和一致的AV定位。隨著新的新興方法的興起，如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)?；诘貓D的定位性能可以得到增強(qiáng)，因?yàn)槿斯ぶ悄芩惴ň哂凶詣?dòng)學(xué)習(xí)特征的巨大潛力。我們讓讀者參考Fayyad等人最近的調(diào)查[152]，該調(diào)查對(duì)基于深度學(xué)習(xí)的定位進(jìn)行了全面綜述。

9參考

[1] Real-Time Performance-Focused Localization Techniques for Autonomous Vehicle: A Review

編輯：黃飛

?