1.5.2　激光雷达在SLAM功能中的应用

在记忆泊车（Home-Zone Parking Pilot，HPP）、自动辅助导航驾驶（Navigate on Autopilot，NOA）等L2+或更高级别的智能驾驶功能中，除了需要对目标、道路环境等进行感知、检测之外，还需要系统能够实时确定车辆的行驶位置，以辅助系统寻找车位，以及判断自车何时需要变道、下闸道等。如何实现对智能车全天候、高精度、实时的定位呢？我们知道，现有的全球定位系统（Global Positioning System，GPS）是一种以人造地球卫星为基础的高精度无线电导航的定位系统，具有全能性（适用于陆地、海洋、航天、航空场景）、全球性、全天候性和实时性，能够为各类静止或高速运动的物体迅速提供精确的瞬间三维空间坐标、速度矢量和精确授时服务[8]，其定位原理如图1-16所示。

图1-16　GPS定位原理示意图

在实际工程中，车载GPS的引入虽然能够在一般情况下提供智能驾驶车辆的位置数据，但是考虑成本，其定位精度通常为米级，信号频率多为1Hz。此外，在高架桥、地下停车场、城区等场景中，车载导航系统的GPS定位信号往往会受到树木、建筑、隧道等的影响或遮挡，导致GPS位置信息精度降低或信号完全缺失，该过程如图1-17所示。

因此，为了弥补GPS的上述缺点，从而实现对车辆分米级，甚至厘米级的实时定位，业界的许多研发团队使用了高精地图和高精定位组合的方式。图1-18给出了常见的车辆定位系统架构。其中，通过将智能车行驶中获取的实时激光雷达点云和图像与事先建立的高精地图进行帧-图的匹配，可得到车辆的绝对位置估计，而后将其和GPS信号结合，这样在一定程度上可以降低GPS信号丢失对绝对位置计算的影响。同时，基于连续帧的激光点云、图像，可实现对应的里程计功能，并与惯性测量单元（Interial Measurement Unit，IMU）数据、轮速计数据结合，实现对车辆的相对定位。最后，通过融合上述各定位信息，实现对车辆的高精定位。

图1-17　GPS信号受外界环境影响示意图

图1-18　车辆定位系统架构示意图

一方面，在建图阶段，由于激光雷达的探测精度较高且不受光照变化的影响，其对高精地图的构建起着至关重要的作用。我们可以使用配备了高精度实时动态测量（Real Time Kinematic，RTK）设备、高性能IMU、激光雷达、相机等多种传感器的数据采集车对道路进行数据采集。而后，经过离线处理，在点云地图中进一步融入图像语义信息，标明交通标志、车道线、信号灯、道路曲率等多种背景信息和数据，得到最终的高精定位地图，如图1-19所示。

另一方面，在定位阶段，如前所述，我们可以基于激光雷达实时获取的点云，实现激光里程计和地图匹配两种定位功能。其中，激光里程计是通过相邻帧点云间的匹配，根据对应多个路标或特征点的位置变化，推算出车辆运动增量，实现车辆的局部定位，该过程如图1-20所示。

而激光点云-地图匹配则是对实时获取的激光点云和预先构建好的高精定位地图进行匹配，计算出车辆在场景中的绝对位置，该过程如图1-21所示。

图1-19　高精定位地图示例

图1-20　激光里程计示例

图1-21　实时点云和点云地图匹配示例