cartographer 使用 定位_對SLAM定位和自動駕駛車輛定位的思考

前沿

SLAM作為機器人領域深耕已久的方向，在我看來已經比較成熟了。從開始的EKF SLAM到現在的RTAB-MAP, ORB-SLAM, Cartographer各種SLAM算法百花齊放。SLAM的回環檢測在提高機器人的定位精度上，讓我眼前煥然一新。

“SLAM擁有實時定位和建構地圖的能力，這對于自動駕駛來說不是非常利好？既可以定位，又可以同時建構低配版HD map， 而且還可以通過這個低配版地圖進行重定位？”

我是抱着這麼個想法，開始琢磨着可不可以把基于雷射雷達的Cartographer應用在自動駕駛上。

SLAM應用在自動駕駛後的思考

是以上周就開始分析Cartographer。cartographer 是谷歌的開源SLAM項目。它是一個以低配硬體實作大型場景實時精确（5cm）SLAM的項目。

涉及到的内容很多很多，算法也比較複雜。單純看他們的論文是看不出啥東西的。像這種大型項目，必須得是論文+文獻+tutorial+其他人的說明。

googlecartographer/cartographer​github.com

總之，現在看過了各種文章，論文也讀過了，tutorial過了好幾遍，tuning了一些參數，在KITTI資料集做的rosbag上運作并觀察了一些情況。還是蠻有意思的└(^_^)┘

但是

突然意識到些都不是重點。

我之前一直覺得回環好炫，好厲害，必須通過回環提升定位精度。

不過，想了一想，自動駕駛車輛的定位，不能依靠回環啊！車都跑偏了，還調整一起的位姿幹啥？

●▽●

Carto裡面利用lidar的

t

和

t-1

的點雲資料得到robot motion， 同時利用IMU進行補償。補償機制是啥還不知道，可能是貝葉斯濾波。如果用了基于貝葉斯理論的濾波器的話，那麼基于LIDAR的motion估計值和基于貝葉斯濾波器的估計值，哪個會更準确呢？ 因為在建構submap的時候，submap的構圖的基準點，也就是車輛位置越準确，之後的pose和全局回環的時候才會更準确。哪個更準确呢， 這個有待測試。。

是以，問題又回來了。對于自動駕駛車輛來說，回環的比重不像在SLAM裡那麼重要。

實時定位

才是自動駕駛真正應該關心的事情。自動駕駛回環也重要，但是沒有實時定位重要。

一般的高精度的定位方法是基于RTK DGPS。這種研究已經進行了很久了，也比較成熟了。成熟到啥程度呢， 就是買個DGPS硬體系統和軟體，就能直接調取1~2cm誤差範圍的位置資料。商用的沒錢看。開源的RTK GPS有興趣可以看看下面的開源RTKGPS項目。

An Open Source Program Package for GNSS Positioning​www.rtklib.com

SLAM如何應用在自動駕駛車輛定位上？

SLAM強大的回環檢測在自動駕駛實時定位上， 幫不上太大忙。那是因為實時定位依靠的gps系統可以得到較高的準确度。

不過，影響gps的資料準确性的原因有很多，天氣啊，遮擋物啊，高樓啊。典型的場景就是，地下車庫，隧道，高樓比較多的市區。這種情況下，現階段的自動駕駛車輛會依賴高精地圖。也就是說，如果沒有高精地圖的， GPS不被信賴的場景，是完全可以嫁接SLAM的技術的。如果有對應地形的地圖，那麼就可以通過有地圖情況下的SLAM算法，沒有的話，跟一般SLAM是沒什麼差別的。

我認為，機器人算法和自動駕駛算法有以下差別。

1. * 自動駕駛對算法安全性的要求高。是首要因素。比什麼都重要
2. 自動駕駛車輛的 可移動自由度 比機器人要 低
3. * 自動駕駛車輛的 速度 相對于機器人要 高 很多
4. *自動駕駛車輛對算法的 魯棒性要求高
5. *自動駕駛車輛的 實時定位 更為 重要

   。

   或許可以通過V2X的手段，檢測回環，提高自身定位精度。

6. （研發車輛，不是量産）自動駕駛車輛對算力沒什麼上限。

   （量産）就需要權衡硬體性能，計算量，算法的效率等等。

7. 自動駕駛車輛的路況相當複雜，沒有統一性。是以算法要有普适性。
8. 自動駕駛車廠有自己的平台，不可能随便換平台。跟機器人有較大的差別。

總結

通過這些天的學習，觀察了cartographer應用在自動駕駛上的問題。SLAM的即時定位是可以直接應用在自動駕駛車輛上的，盡管他的穩定性和精确度有待測試。但是回環檢測這個大殺器在自動駕駛的應用，感覺非常有限。因為

車輛不能在任何一個瞬間丢失自身的位置

。由于每個瞬間都很重要，是以

不可能等到被檢測到回環的時候才提升定位精度

。但是，我們并不能說回環在提高定位精度方面沒有任何貢獻。相反，如果通過V2V共享&合并軌迹檢測回環或是自身檢測回環，是可以提升車輛以後的定位精度的。

最重要的是，得知道車輛的場景&要解決的問題。

在這裡，我關注的點是在

隧道場景

中的

車輛的實時定位問題。

涉及到的有

車輛動力學（kinematic model）， 基于VIO & LIO的T, T-1 的motion model， 貝葉斯濾波。

附錄

• KITTI轉換為bag的repo：

tomas789/kitti2bag​github.com