实时主动驾驶车辆定位手艺都有哪些？（视觉/Lidar/多传感器数据合成）

来源 | 主动驾驶之心

知圈 | 进“滑板底盘群”请加微yanzhi-6,备注底盘

1摘要

实时、准确和鲁棒的定位关于主动驾驶汽车（AVs）实现平安、高效驾驶至关重要，而实时性能关于AVs及时实现其当前位置以停止决策至关重要。迄今为行，没有一篇综述文章定量比力了基于各类硬件平台和编程语言的差别定位手艺之间的实时性能，并阐发了定位办法、实时性能和准确性之间的关系。因而，本文讨论了更先进的定位手艺，并阐发了它们在AV利用中的整体性能。为了进一步阐发，本文起首提出了一种基于定位算法操做才能（LAOC）的等效比力办法，以比力差别定位手艺的相对计算复杂性；然后，全面讨论了办法论、计算复杂性和准确性之间的关系。阐发成果表白，定位办法的计算复杂性更大相差约107倍，而精度相差约100倍。与基于激光雷达的定位比拟，基于视觉和数据合成的定位手艺在进步精度方面的潜力约为2–5倍。基于激光雷达和视觉的定位能够通过进步图像配准办法的效率来降低计算复杂性。与基于激光雷达和视觉的定位比拟，基于数据合成的定位能够实现更好的实时性能，因为每个独立传感器不需要开发复杂的算法来实现其更佳定位潜力。V2X手艺能够进步定位鲁棒性。最初，讨论了基于定量比力成果的AVs定位的潜在处理计划和将来标的目的。

2介绍

主动驾驶车辆（AVs）有看在将来的智能交通系统中发扬关键感化，因为它们在确保平安驾驶、缓解交通压力和降低能耗方面具有潜力。目前对AVs的研究已进进道路测试阶段。例如，百度已经在复杂的道路场景中测试了Apollo 5.0系统，例如没有特殊标识表记标帜的弯道或十字路口[1]。谷歌Waymo项目也在美国公共道路上完成了1000多万英里的路测，并在模仿中完成了70亿英里的路测[2]。然而，在AVs贸易化之前，该行业仍需要应对几个关键挑战。那些挑战包罗a）提出实时、准确和低成本的自定位处理计划；b）实现实时和准确的情况感知模子；c）在复杂场景中实现智能、平安和高效的决策。同时，情况感知和决策模块显著依靠于主动驾驶汽车的实时和准确的自定位，以实现平安驾驶。因而，自定位是AV的核心要素之一。此外，只要当主动定位到达毫秒级实时性能和厘米级精度时，才气确保平安驾驶，如制止碰碰[3]。

做为一种典型的办法，地图婚配算法普遍利用于许多装备激光雷达[4]、雷达[5]、相机[6]或V2X[7]的定位处理计划中。地图婚配办法之一是利用现有地图来婚配检测到的情况特征（例如，拐角和道路标识表记标帜），从而获得车辆位置信息。另一种手艺是在利用法式中利用的SLAM，无需先验地图。它通过同时构建用于挨次映射的情况模子（地图）来实现车辆定位。地图算法次要存眷从各类传感器提取的笼统数据，如激光雷达、雷达、相机或它们的组合。在基于传感器的定位手艺方面，它依靠车载传感器来估量车量车辆的绝对或相对位置。之前的综述对其停止了详尽讨论[8]。在许多基于传感器的定位研究中，“传感器”被视为次要的定位传感器，做者试图摸索一种次要基于其丈量的立异办法，旨在处理某些特殊场景中的定位挑战。那其实不意味着定位系统仅利用单个传感器来实现车辆定位。做为阐明那一概念的示例，关于基于IMU的定位，参考文献[9]提出了一种交互多模子（IMM）办法，通过利用IMU和里程计传感器数据来消弭由全球定位系统（GPS）中断或GPS信号块引起的系统漂移，从而进步了此类驾驶场景中的定位鲁棒性和完全性性能。基于传感器的定位手艺能够批示AV定位系统的摆设，包罗若何抉择可以称心实时性能的传感器、定位算法、合成算法和计算资本。此外，存眷定位输进（传感器硬件）能够让读者更好地领会差别系统摆设在准确性、实时性、鲁棒性和成本方面的优缺点。因而，本次查询拜访将从车载传感器起头，讨论差别的基于传感器的定位手艺，然后讨论V2X定位手艺，最初讨论基于数据合成的定位。

图1展现了车辆差别自定位手艺，包罗车载传感器、V2X和基于数据合成的手艺。基于车载传感器的定位系统，包罗基于主动和被动传感器的手艺，依靠车载传感器感知四周情况，然后估量车辆位置。基于V2X的定位办法与四周情况节点（例如，相邻车辆或根底设备）通信，以领受其位姿信息，包罗基于车辆对车辆（V2V）和车辆对根底设备（V2I）的手艺，那些手艺能够为定位算法供给多个参考坐标。数据合成不是一种间接感测位置的办法，而是一种后处置定位感测手艺。其目标是合成各类传感器的丈量成果，以获得比单个传感器更好的成果。

基于主动传感器的定位通过车载传感器（包罗激光雷达、雷达和超声波传感器）主动感知四周情况以估量车辆位置。它们的测距原理是不异的，那是基于抵达时间（TOA）办法的。它们的区别在于信号载体，即激光雷达、雷达和超声波传感器的激光、无线电和超声波。信号载波波长的差别招致那些传感器的成本和精度的显著改变。例如，激光雷达凡是成本更高，但精度更好，超声波[10]-[13]的情状正好相反。

基于被动传感器的定位被动地领受情况信息，从入彀算车辆位置。传感器包罗GPS、IMU和视觉（例如，单目或双目摄像机）。根据空间三角丈量办法，GPS需要在开阔的天空区域中有三颗或更多的卫星来获取车辆位置（2–10m）。GPS的长处是成本低，但在城市情况中，它经常遭受多径和nonline-of-sight（NLOS）误差以及迟缓的位置更新率。IMU利用高频摘样率（100Hz）丈量车辆加速度和转速。因而，能够通过给定初始姿势的航位推算来推导车辆的位置和标的目的[14]。虽然IMU具有快速的位置刷新率和高可靠性，但它也随便呈现大量累积错误。基于视觉的定位通过利用来自单目或双目相机的图像做为输进来估量车辆位置。那类似于根据平面三角丈量确定障碍物位置的人类视觉系统。图像中丰富的情况信息能够在恰当的照明前提下供给令人称心的定位性能，但消耗大量的内存和计算资本。

已经颁发了许多查询拜访，总结了现有的自定位手艺，并全面讨论了它们的优缺点以及每种基于传感器的办法的潜在利用。然而，在评估各类定位办法时，最新的综述文件仅存眷以下方面：

a） 经济和可靠的定位手艺[8]，此中经济对应于定位系统的成本，可靠对应于定位性能（包罗准确性和可靠性），那些手艺能够在各类驾驶场景（例如，下雪气候）中实现；

b） 准确度、可靠性和可用性[16]，此中与定位系统相对应的可用性应在差别情况中可用，例如隧道中基于GPS的定位系统，在通信延迟的情状下的V2V办法；

c） 鲁棒性和可扩展性[17]，[18]，此中与定位系统相对应的鲁棒性在差别季节和交通前提下以低毛病率长时间运行，可扩展性与车辆处置大规模主动驾驶的才能相对应。

3基于主动传感器的定位基于激光雷达的定位

基于激光雷达的定位凡是需要预先构建参考地图，以与点云数据或激光雷达反射强度数据相婚配。但在没有先验地图的情状下，它将利用SLAM手艺构建实时地图以与先前生成的地图婚配。在AVs的利用中，高维地图包罗丰富的特征信息，那进步了位置估量精度，但降低了存储效率并增加了处置时间[29]，[30]。

Im等人[31]基于城市道路两侧建筑物的垂曲角成立了一维角地图，用于婚配和定位。他们利用迭代端点拟合来提取垂曲角的特征，并根据垂曲线的长度和标的目的构建角特征图。然后，他们利用特征婚配和点云数据来计算车辆位置。因为提取的特征信息较少，该办法削减了婚配时间和地图数据文件大小（约14KB/km）。然而，更大程度位置误差到达0.46m；此外，那种办法不适用于没有建筑物的地域。参考文献[32]构建了由基于道路标识表记标帜的道路反射密集图和基于垂曲构造的概率占用网格图构成的2D占用网格图。起首，他们通过提取道路标识表记标帜和拐角的线条特征，构建了一个1D扩展线地图（ELM）。那些要素仅包罗曲线两个端点的纬度和经度信息。然后，他们将ELM转换为2D网格地图，以便在定位过程中停止婚配。与[31]比拟，[32]增加了道路标识表记标帜特征以进步准确性性能，但该办法将ELM数据大小增加到134KB/km。

基于3D地图的婚配能够实现更准确的位置，因为它包罗情况对象的高度信息。参考文献[43]通过提取道路标识表记标帜特征构建了3D地图。然后，系统利用正态散布变更（NDT）来处置不确定信息，之后基于PF推导出鲁棒性和切确定位。然而，3D NDT办法可能需要大量内存来保留ND体素（用于婚配的3D ND体素总数高达100MB[30]），那招致定位时间与second level一样长[44]。Li等人[45]提出构建3D占用网格地图，然后利用混合过滤框架（即cubature Kalman filter和PF的组合）来计算大规模户外定位并削减地图数据大小。虽然数据量削减了，但尝试表白，该办法能够连结不变、可靠的定位性能，那意味着定位误差小于0.097m。

基于雷达的定位

与基于激光雷达和视觉的定位比拟，基于雷达的定位能够称心实时性能要求，因为其内存效率高且计算负载低[46]，[47]。然而，基于雷达的SLAM在地图婚配中面对数据配准错误的风险，因为有时会提取不实在的特征，从而招致定位精度低的风险[5]。面向轨迹的扩展卡尔曼滤波器（EKF）-SLAM手艺利用傅里叶-梅林变更挨次配准雷达图像，并在不婚配特征的情状下计算车辆位置，以制止此类特征带来的风险。缺点是定位误差到达13m（均匀值）[46]。参考文献[48]旨在通过Levy过程扩展半马尔可夫链，以进步持久改变情况中的鲁棒性，83%的估量位置误差小于0.2m。关于雨雪情状，[49]通过对误差传布的不确定性停止建模，然后婚配雷达图像以实现可靠定位，从而成立了参考地图。参考文献[50]提出了一种聚类SLAM手艺，该手艺利用基于密度的流聚类算法对动态情况中的雷达信号停止聚类。提出了一种无丈量噪声的情况扫描用于地图婚配。PF用于利用该婚配成果来计算车辆位置。该手艺中利用的地图大小仅为200KB。

此外，参考文献[51]和[52]提出了一种基于空间和多普勒的结合优化框架，以进一步进步定位速度。该框架通过构建稀少高斯混合模子来表达参考点云，该模子是一种稀少概率密度函数，能够降低计算复杂性。该办法的定位刷新率可达17Hz。参考文献[47]利用不异道路的雷达扫描数据构建参考地图。然后，利用迭代比来点（ICP）来婚配雷达图像以估量车辆位置。最初，利用EKF光滑估量。因为所需的映射数据的大小较小，该手艺削减了地图婚配的计算负载。然而，挑战在于需要从传感器的不异模子中获取最新数据，并从与参考不异的道路中获取样本，以停止婚配。

此外，参考文献[53]设想了一种车载定位探地雷达（LGPR）系统，以构建道路地下地图。该系统能够对抗复杂气候的信号骚乱，因为它的雷达安拆在底盘下，用于扫描空中。此外，它能够实现高精度（RMSE为12.7cm）和超卓的实时性能（~126Hz刷新率）。然而，做者还提到，LGPR阵列的高度需要进一步降低，以适应更多的乘用车。

基于超声波的定位

因为低成本的超声波传感器，基于超声波的定位被普遍用于室内机器人定位。然而，短的检测间隔和对情况温度、湿度和尘埃的灵敏性都限造了超声波传感器在AV定位中的普遍利用[54]，[55]。Moussa等人[56]利用EKF算法实现了基于超声波的辅助导航处理计划。当GPS无法限造车辆位置的漂移并加强系统的鲁棒性时，该处理计划利用超声波传感器做为定位的次要传感器。它能够实现超卓的实时性能（约92Hz刷新率），但位置误差高达7.11m。Jung等人[13]利用超声波传感器、编码器、陀螺仪和数字磁罗盘，以及SLAM办法来估量车辆的绝对位置。该办法的均匀位置更新时间长达10.65s。此外，长时间的SLAM计算过程可能会招致定位系统在位置更新之前由IMU招致的一些累积误差。因而，可以称心位置精度要求的均匀行驶间隔仅约为5.2m。总之，基于超声的定位手艺能够实现低成本和低功耗的定位系统。然而，它的定位精度和鲁棒性仍然不克不及称心主动驾驶的要求。

讨论

基于激光雷达的地图婚配手艺中的准确和鲁棒的特征检测办法能够进步AV定位的准确性和鲁棒性[57]。总之，就基于激光雷达的1D地图婚配手艺而言，因为该办法仅摘用少数异形线做为特征，例如参考文献[31]和[32]中所示的垂曲角，因而特征配准中的计算负载和内存利用量较低。然而，那种办法需要处理路边没有垂曲建筑物的情状下的挑战。与1D地图比拟，2D地图包罗丰富的特征类型，但增加了地图存储空间。基于强度的2D地图办法能够加强积雪路面场景中的道路表达。基于混合地图的算法能够削减内存利用，并处理实时性能和定位精度之间的权衡，例如参考文献[38]中所示的拓扑度量地图。基于3D地图的婚配算法能够获得受益于3D特征的准确和鲁棒的位置。然而，与基于1D地图和2D地图的办法比拟，它需要更大的计算资本，那将增加AV定位系统的摆设成本。与基于高成本激光雷达的定位比拟，雷达是一种经济高效的处理计划，但毫米波雷达获得的情况模子辨认率低，且欠缺物体高度信息，使得定位系统难以实现鲁棒性和准确性。目前，雷达被普遍用做辅助定位传感器，以检测车辆与障碍物之间的间隔。超声波传感器的检测范畴（约3m）决定了基于超声波的定位次要用于短间隔定位利用，例如主动泊车，此中几个参考目标位于近间隔。

4基于被动传感器的定位基于GPS的定位

GPS能够为AV供给低成本、高效的定位处理计划。然而，GPS经常遭到城市中NLOS、多径或信号阻塞的影响，所有那些都对供给可靠车辆定位的目标提出了挑战[58]，[59]。

基于IMU的定位

IMU是惯性导航系统（INS）的一个组件，能够丈量加速度和俯仰率，并具有强大的抗骚乱才能[68]。然而，因为累积误差的缺点，主动驾驶系统不克不及利用IMU计算长间隔的位置。在那种情状下，IMU被普遍用做备用传感器或合成源之一，以确保主定位传感器短时中断时的持续定位[69]。

基于视觉的定位

基于视觉的定位凡是能够到达合理的精度。多核CPU和GPU的普及及其强大的并行图像处置才能的进步缓解了此类定位办法的高计算复杂性带来的压力[79]，[80]。

参考文献[81]利用四个鱼眼摄像头、一张预先构建的地图和当前车辆位姿来检测自主泊车场景中给定范畴内的对称泊车标识表记标帜。然后，将检测成果做为标的目的标识表记标帜，以与预先构建的地图婚配。该办法能够实现车辆定位，平行位置误差为0.3米，定位时间为0.04s。Du等人[82]开发了一种改进的序列RANSAC算法，以有效地从图像中提取车道线，用于特征婚配；在具有车道线的场景中，它们实现了大约0.06m的位置误差和0.12s的定位刷新率。参考文献[83]为特征婚配构建了基于道路地标的轻量级3D语义地图，然后最小化残存配准误差以估量车辆位置。该地图能够削减内存利用，那只会招致图像婚配的四次迭代。然而，那种办法的缺点是，当在弯道场景中利用时，仍需要进一步测试。其他相关算法[6]、[84]、[85]、[86]、[87]能够参考详细论文。

讨论

5基于V2X的定位基于V2V的定位

基于V2V的定位不要求车辆装备高精度传感器，以实现VANET下的切确位置。相反，它能够通过合成来自其他毗连车辆的粗略位姿信息来实现合理的位置精度[94]。然而，其缺点是道路上参与车辆的散布不敷或不平均可能招致定位精度不敷[95]，[96]。

Liu等人[15]提出了一种基于与其他车辆共享GPS伪间隔丈量值的加权最小二乘-双差法来计算车辆间间隔。他们利用散布式位置估量算法来合成共享数据，实现了约4米的定位精度。该处理计划削减了随机噪声的影响，并进步了计算车辆间间隔的准确性。参考文献[97]提出利用贝叶斯办法来合成来自其他车辆的目标车辆GPS位置和车辆间间隔的GPS位置信息，以停止车辆定位。该办法能够显著降低定位不确定性。为了消弭参与车辆需要预定义动态运动模子来实现数据合成的挑战，参考文献[98]计算了关于车辆当前位置的置信度，那是一种能够揣度车辆位置并在VANET中传布的概率。然后，他们利用抵达角度和TOA手艺来丈量车辆间间隔，从而展现相邻车辆的相对位置。最初，通过计算相邻位置的权重和来估量车辆位置；位置包罗相对位置和自信心。该办法的位置精度约为1.95m，但刷新率高达1.4s（7辆车接进收集）。其他相关算法[99]-[103]能够参考详细论文。

基于V2X的定位

基于V2I的定位基于四周根底设备的位置揣度车辆位置。它能够实现准确、实时和鲁棒的定位性能。V2I手艺的长处包罗根底设备的高精度定位、独立于时间的不变数据源和低计算复杂性。

参考文献[104]和[105]提出了基于磁标识表记标帜的V2I定位。起首，在道路上以必然的间隔安插具有特殊高斯极阵散布的磁标识表记标帜，并将每个标识表记标帜的位置和散布存储在数据库中。然后，检测每个标识表记标帜，并在车辆行驶过程入彀算其高斯散布。最初，通过在数据库中搜刮该散布来确定车辆位置。该办法将失实的影响降至更低，并到达厘米级（10cm）的定位精度。RFID手艺，包罗低成本的RFID读取器和RFID标签也用于定位。RFID标签摆设在路面上，装备有RFID读取器的车辆能够根据标签确定位置[106]，[107]。至于缺点，那些手艺需要高密度的根底设备，而且随便遭到根底设备障碍的影响。其他相关算法[108]-[113]能够参考详细论文。

讨论

从V2X定位手艺的回忆来看，V2V和V2I处理计划都不需要高贵的公用硬件。关于基于V2V的处理计划，道路上参与车辆的足够和平均散布能够进步定位精度和鲁棒性。然而，不竭增加的车辆可能会招致较高的系统计算开销，但精度没有太大进步。用于在节点之间创建条理构造的高效集群架构能够在具有长间隔的VANET下供给准确的V2V通心办事。通过对此类架构的进一步研究，能够征服车辆间准确信息交换的挑战。CMM办法能够供给一种潜在的办法来消弭天线之间的多径误差，但传布信号延迟的问题仍然需要进一步处理。V2X系统的信号延迟定见在10ms内[3]。能够通过优化收集参数（例如，数据波特率、传布频次和天线功率等）来处理信号降级和丢包问题，之前的查询拜访已经对此停止了详尽讨论[8]。基于RFID的V2I系统能够实现成本高效的AV定位。然而，那些办法需要高密度的根底设备，而且随便遭到根底设备障碍的影响。基于RFID的手艺十分适用于AV在固定道路上行驶的利用，例如动物园的看光巴士或港口的集拆箱拆卸车。优化RSU高度、传布角度和传输功率之间的关系能够确保信号强度和收集笼盖范畴广，以实现基于RSU的V2I定位。虽然信号延迟仍需要进一步处理以进步定位精度。

6基于数据合成的定位基于多传感器的数据合成定位

之前的讨论表白，没有独立的传感器可以称心AV定位的准确性、实时性和可靠性要求。多个传感器的数据合成展现出实现准确、实时和可靠的自我定位的浩荡潜力。

参考文献[114]开发了一种交互式多模子（IMM）滤波器，该滤波器由车辆动力学模子和车辆运动学模子构成，以通过利用低成本传感器实现成本高效的AV定位。GPS数据和车内传感器（即车轮速度传感器和转向角传感器）数据用于该过滤器。IMM滤波器能够基于各类驾驶场景来权衡数据合成实现的恰当模子。该办法能够在32位嵌进式处置器中实现合理的定位性能。参考文献[115]定见利用三个基于IMM的UKF构建模子，以合成低成本传感器数据，如GPS和惯性传感器。该模子削减了来自惯性传感器的大部门不确定噪声，揣测并抵偿了定位误差，并能够在GPS中断期间实现1.18米的位置精度。关于动态灵活情状，如强加速、高速转弯以及启动和停行，Ndjeng等人[116]表白，利用低成本传感器（如IMU、里程计和GPS）的基于IMM的定位系统优于基于EKF的定位系统。他们通过现实尝试得出结论，基于IMM的定位鲁棒性性能优于基于EKF的车辆动力学把持的高可变性。其他相关算法[117]-[131]能够参考详细论文。

基于地图的数据合成定位

基于地图的数据合成手艺基于多传感器丈量，并通过添加地图信息来进步定位性能。例如，Suhr等人[132]提出将低成本传感器与数字地图合成，以进步实时性能。他们将车道和道路标识表记标帜特征表达为一组关键点，并利用前视摄像头模块处置捕获的图像。该处理计划能够削减内存利用和计算开销；此外，其位置刷新率约为100Hz，位置精度约为0.5m。蔡等人[133]提出了一种数据驱动的运动模子，不利用惯性传感器来消弭积分误差的挑战。他们通过利用高清地图校正了GPS位置和相机的横向间隔，然后将那两种信息用做合成数据。与纯GPS定位比拟，该办法的位置误差削减了1/3。Gruyer等人[134]，[135]提出了一种基于切确数字地图、GPS、IMU和两个相机的地图辅助数据合成办法，以获得亚分米精度的AV横向位置。他们起首通过两个侧面摄像头估量了车辆到车辆摆布两侧道路标识表记标帜的间隔。然后，他们利用EKF通过GPS和IMU传感器丈量来估量车辆位置。最初，他们将先前估量的车辆位置和通过基于点到线段的地图婚配算法获得的婚配线段位置相连系，以进一步进步定位精度和可靠性。其他相关算法[136]-[139]能够参考详细论文。

讨论

7精度和实时性能讨论定位性能评估的相关工做

实时、准确和稳重的AV定位是确保平安驾驶的关键要素之一。差别定位手艺的性能比力能够批示AV系统的传感器抉择和研究目标。已经颁发了许多与差别定位算法的准确性和鲁棒性性能比力相关的工做。Zhang等人[138]从理论上阐发了RI-EKF-SLAM的收敛性和一致性，并将其定位性能与SO（3）-EKF-SLAM停止了比力。Zhang等人通过一维、二维和三维模仿比力了基于RI-EKF的SLAM和基于优化的SLAM的准确性和一致性性能。[140]。此外，Mourllion等人[141]在车辆定位的揣测步调中展现了卡尔曼滤波器变量的性能，例如EKF、UKF以及一阶和二阶的除法差（DD1和DD2）。Gruyer等人[142]利用基于精度和滤波器不确定性和一致性的原则以及多传感器尝试丈量，比力了那些KF变体的整体定位过程（揣测和校正步调）。Ndjeng等人[116]评估了动态灵活场景下基于IMM和基于EKF的低成本定位系统的准确性和鲁棒性性能。到目前为行，很少有工做对定位实时性能停止了比力。参考文献[6]和[149]比力了基于CPU和GPU平台的统一处理计划的定位时间。参考文献[143]在CPU和GPU上运行滤波算法，以比力它们的施行时间。然而，上述实时性能比力仅在各类平台上运行不异的算法。在各类硬件平台和编程语言上展现了差别定位处理计划的实时性能。此外，整个处理计划的定位时间受数据提取和原始搜刮步调、核心定位算法施行、地图存储和更新（假设利用了地图）的影响。为了在没有现实测试的情状下对差别处理计划停止快速实时性能比力，起首，论文假设差别研究论文中展现的定位时间与完全的定位处理计划有关，而不单单是算法。其次假设每个处理计划中运行的代码都足够操纵了所有计算源。因而，基于差别的硬件计算才能和编程语言施行效率，能够将差别处理计划的当地化时间转换为不异的基准。然后，能够近似地和定量地比力差别处理计划的实时性能。

等效比力法

对差别定位手艺的讨论表白，AV定位次要依靠CPU和GPU做为硬件平台，MATLAB和C/C++做为编程语言。寡所周知，差别的硬件具有差别的计算才能。例如，当利用滤波算法处置激光雷达3D点云数据时，GPU比CPU快52倍[143]。关于编程语言来说，C/C++是一种编译语言，在施行之前被翻译成机器语言。MATLAB是一种阐明语言，此中每行代码都必需在施行期间由阐明器读取和阐明，那使得它比编译语言要慢得多[144]，[145]。因而，在比力差别定位手艺的实时性能时，必需考虑利用硬件和编程语言的因素。

做为第一步，必需确定CPU/GPU系列之间以及CPU和GPU之间的定位算法操做才能（LAOC）等效转换系数。CPU/GPU系列中的所有CPU/GPU都源自差别定位手艺的硬件平台。在本文中，利用单精度浮点（SPFP）峰值性能来确定GPU/CPU系列的LAOC等效转换关系，因为定位算法凡是涉及SPFP操做。在CPU系列中，SPEC CPU®2006基准测试[146]旨在比力差别CPU在硬件级此外计算密集型性能。那取决于处置器、内存构造和总线的因素。该基准能够全面评估和比力差别CPU的硬件性能[147]。因而，CPU系列之间的LAOC等效转换关系基于SPECfp2006[148]，此中给出了每秒CPU相对峰值浮点运算（FLOPS）性能。关于原则化，本文所示相对峰值FLOPS性能的最小值做为基线，其LAOC等效转换系数确定为 。CPU系列之间的LAOC等效转换系数通过利用，如表III所示。

关于GPU系列，影响FLOPS功用的因素包罗频次f、内核数量N和每个内核FMA的每个周期的单精度合成乘加运算（FMA）。FMA能够在所选GPU的官方网站中找到。理论上的单精度峰值性能能够通过利用以下方程来估量。

关于不异的数据传输和复造， 能够表达GPU的现实SPFP计算才能，GPU系列之间的转换关系基于 。关于回一化，论文将本文中给出的最小FLOPS峰值性能定义为基线，其LAOC等效转换因子为 。GPU系列之间的LAOC等效转化因子通过利用a计算，如表IV所示：

关于CPU和GPU之间的LAOC等效关系，Charmette等人[6]，[149]在比力定位利用中的CPU和GPU计算性能方面停止了许多有代表性的工做。在本文中，CPU和GPU之间的转换因子基于他们的最新研究结论[6]。结论表白，统一种办法GPU的定位时间大约是CPU的45倍。做者提到，双核CPU中只要一个内核用于定位。因而，论文认为[6]中CPU的峰值FLOPS性能是不异双核CPU的一半，如表III所示。[6]中CPU和GPU之间的LAOC等效转换系数确定为 。

论文考虑将C/C++做为编程语言基准，其LAOC等效转换因子设置为 。MATLAB设置为 。

最初论文抉择基准峰值FLOPS性能做为硬件基准，抉择C/C++做为编程语言基准。基于差别硬件和编程语言的定位时间必需转移到此基准停止比力。转换办法由以劣等式给出。

办法验证

在本文中，参考文献[29]用于评估所提出的基于LAOC的等效比力办法。参考文献[29]比力了基于CPU和GPU平台的不异处理计划的定位时间。CPU和GPU的TR和TC、硬件和软件的LAOC等效转换因子h和s别离列于表V中。表V展现，转换前定位时间的差别是因为硬件平台（CPU和GPU）差别形成的。转换后的定位时间大大增加，因为硬件基准的峰值FLOPS性能更低，编程语言也不异。此外，转换成果表白，，那意味着转换后基于CPU和GPU的定位时间类似。那是因为处理计划A息争决计划B都是不异的处理计划，但在差别的硬件平台中实现。因而，基于LAOC的等效比力办法是合理的，能够用于近似和定量地比力差别的定位处理计划。表VI总结了利用方程（2）计算的差别定位手艺的相对计算复杂性。

讨论

1）准确度和实时性能：本节定量比力了上述所有定位手艺的计算复杂性和位置误差。图2展现，在基于激光雷达的定位中，基于3D地图的办法在精度方面优于基于2D地图的办法，因为它包罗丰富的特征信息。然而，基于3D地图的手艺增加了内存利用量和计算负载，招致算法的计算复杂度较高。此外，虽然基于2D地图的手艺之间的精度差别较小，但因为差别的办法，计算复杂性差别很大。例如，[29]中的2D GMM婚配手艺的计算复杂度约为[42]中多层RANSAC配准和2D地图婚配办法的组合的2000倍。与基于激光雷达的定位手艺比拟，基于雷达和超声波的定位手艺具有更低的计算复杂性，因为它们发射低密度电磁波。雷达定位的计算复杂性和位置误差介于激光雷达和超声波定位之间；虽然粒子群优化和网格地图婚配办法相连系实现了合理的定位性能，但该办法需要严厉的传感器摆设。因为超声波传感器的低精度，基于超声波的手艺位置精度的位置精度约为10m。

图3展现，关于开阔天空中的纯GPS定位，GPS领受机能够输出频次为1Hz、精度为2–10m的位置信息，而不受车辆操做系统的限造。与其他基于传感器的定位比拟，基于IMU的手艺因为其快速的位置刷新率，能够实现更低的计算复杂度，但其累积误差仅在10分钟的驾驶时间内招致约1m的定位误差。在基于视觉的定位方面，图像中包罗的丰富情况信息使其计算复杂性与基于激光雷达的办法类似。然而，因为图像量量和镜头失实的挑战，视觉无法准确丈量四周物体的范畴。因而，其定位精度低于基于激光雷达的手艺。此外，它的计算复杂度跟着参考地图的维数而降低，但其位置精度改变不大。

如图4所示，与基于激光雷达和视觉的定位比拟，基于V2X的定位的实时性能更好，但因为信号延迟或参与节点不敷的挑战，其精度不令人称心。

图5展现，与其他基于传感器的定位比拟，基于数据合成的手艺能够在精度和实时性能方面实现平衡。那是因为它操纵每个传感器的长处来削减其他传感器缺点的影响，而且每个独立传感器不需要开发复杂的算法来实现其更佳定位潜力。

总之，差别的基于传感器的定位手艺的计算复杂性更大相差约10^7倍，而位置误差相差约100倍。表VII总结了差别传感器手艺在精度和实时性能方面的性能。

2）利用场景： 称心AV利用平安驾驶要求的精度和实时性能别离是位置误差和位置输出频次，要求别离小于30cm[3]和100ms[151]。阐发表白，基于激光雷达、视觉和数据合成的定位具有称心精度性能的潜力。基于激光雷达和视觉的手艺利用强大的处置器，如高性能GPU和多核CPU，能够称心实时性能要求。基于数据合成的手艺合成多个低成本传感器（例如，相机、GPS、IMU和车载传感器）的计算复杂性低于基于激光雷达和视觉的手艺。总之，合成手艺在实现经济高效的自主定位方面具有相当大的潜力。

此外，表VII还能够批示差别场景下的定位处理计划抉择。关于行人和车辆高度参与交通的城市情况，与其他常见驾驶情况比拟，定位精度和实时要求更高。虽然基于激光雷达、视觉和基于激光雷达或视觉的数据合成手艺可能会增加硬件摆设成本以实现实时性能，但那些手艺能够获得切确的定位精度。高速公路和郊区场景中，AV四周的行人和车辆较少。那些场景中的精度要求可能低于城市情况中的精度。然而，AVs需要远间隔检测传感器来感知四周的障碍物和高频位置输出，以称心高速驾驶。因而，具有远间隔传感器感知和实时性能的定位手艺可能是一种潜在的抉择，例如基于数据合成、雷达和V2V的手艺。因为公用车道上的障碍物较少，且用做城市巴士或看光巴士的AVs行驶速度较低，因而准确度和实时性要求低于上述情状。在那种情状下，低成本的数据合成、V2I和基于雷达的定位手艺可能是首选计划。在主动泊车场景中，检测间隔和定位实时性能不需要像上述利用中那样高。因而，低成本的超声波和雷达手艺可能是最有前途的抉择。

8结论

本文综述了基于主动传感器、被动传感器、V2X和数据合成的最新自定位手艺，并定量比力了它们的精度和计算复杂性性能。与1D地图和3D地图婚配办法比拟，基于激光雷达的2D地图婚配办法展现了在成本、准确性、实时性和鲁棒性之间平衡商用AVs定位性能的最重要前景。然而，基于激光雷达的定位比其他基于传感器的定位（如基于雷达的定位、基于视觉的定位和基于V2X的定位）更高贵。此外，基于激光雷达的（2D）处理计划的实时性能可能遭到系统计算才能的限造，而且需要强大的CPU/GPU加速，那会增加AV的摆设成本。需要进一步改进基于激光雷达的（2D）处理计划，以利用低成本处置器缩短定位更新时间。基于无源传感器的定位处理计划在摆设成本低方面展现出显著优势。挑战在于，关于典型的无源传感器，例如基于GPS的传感器和IMU，定位的完全性和一致性使得该手艺仍然难以利用于AV。基于视觉的定位能够实现高精度的车辆位置，但可能需要GPU加速来处置大量图像数据。相机在照明不敷或恶劣气候下的可靠性也需要进一步处理。V2X手艺能够在VANET的普遍信号强度和收集笼盖范畴内供给成本高效的AV定位处理计划。基于RFID的手艺十分合适固定道路的AV利用，例如动物园的看光巴士、港口的集拆箱拆卸车。然而，V2X系统中的信号延迟和数据包丧失问题需要进一步优化，以进步定位精度和一致性。与其他基于传感器的定位处理计划比拟，基于数据合成的手艺在权衡商用AV的经济性、实时性、准确性和鲁棒性的定位性能方面具有更大的潜力。例如，基于区间理论的手艺能够通过合成低成本传感器数据（例如GPS、IMU和里程计）来实现具有高完全性和一致性的车辆定位。在贸易化之前，在差别的改变情况和各类驾驶前提（如长途驾驶）下对该手艺停止进一步研究和验证至关重要。

此外，实时性和准确性性能之间的比力阐发表白，差别基于传感器的定位手艺的位置误差更大相差约100倍。基于激光雷达、视觉和数据合成的定位手艺有可能称心AV平安驾驶的精度要求（小于30cm）。与其他基于传感器的手艺比拟，基于激光雷达的手艺实现了更佳的定位精度，而且差别基于激光雷达办法实现的位置精度类似。此外，高维地图婚配或基于强度的婚配办法能够将位置误差削减约2-3倍，但能够将计算复杂性增加约20-2000倍。与基于激光雷达的定位比拟，基于视觉和数据合成的定位在进步位置精度方面的潜力约为2–5倍。就实时性能而言，差别基于传感器的手艺之间的计算复杂度更大改变约10^7倍。与精度比拟，它有很大的改进空间。IMU、超声波、多传感器合成和基于雷达的自定位能够通过低成本处置器称心平安驾驶的实时性能要求（100ms），而基于激光雷达和视觉的定位能够通过利用强大的处置器实现实时定位。然而，基于IMU、超声波和雷达的手艺定位精度不敷，凡是被用做AV中的辅助定位处理计划。与差别的办法比拟，基于激光雷达的手艺具有更高的计算复杂性和大约2000倍的更大差别。重点改进激光雷达图像配准办法能够进步基于激光雷达的手艺的实时定位性能。基于视觉的定位的计算复杂性与基于激光雷达的办法类似，与差别办法比拟，其更大差别约为1000倍。进步捕获图像联系关系的效率和准确性能够进步准确性和实时性能。此外，婚配低维特征能够降低计算复杂性，但对精度没有本色性影响。与基于激光雷达和视觉的定位比拟，基于数据合成的定位实现了更好的实时性能，因为每个独立传感器不需要开发复杂的算法来实现其更佳定位潜力。此外，它实现了准确度和实时性能之间的更佳平衡。总之，基于激光雷达、视觉和数据合成的手艺在实时性能方面仍有很大进步。

9参考

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