type
status
date
slug
summary
tags
category
icon
password
随着自动驾驶技术的发展，越来越多的汽车制造商开始使用IMU（惯性测量单元）来帮助车辆定位和导航。IMU是一种能够在三个方向上（X，Y，Z）测量加速度和角速度的设备。在自动驾驶中，IMU可以帮助车辆确定其当前位置和方向，并跟踪车辆移动的变化。
IMU通过测量车辆的加速度和角速度来确定车辆的运动。加速度是车辆在三个方向上的运动速度的变化率，而角速度则是车辆绕三个轴旋转的速度。这些数据可以通过IMU传感器收集，然后被使用来确定车辆的位置和方向。
在自动驾驶中，IMU通常与其他传感器一起使用，如GPS、摄像头和激光雷达。这些传感器可以帮助车辆更准确地确定其当前位置和方向，并做出更好的决策来避免障碍物和其他危险。
然而，IMU并不是完美的。由于IMU只能测量车辆的加速度和角速度，而无法直接测量车辆的位置和方向，因此它可能会出现漂移问题。漂移是指IMU测量的运动数据与实际车辆运动之间的误差。为了减少漂移问题，IMU通常会与其他传感器一起使用，例如GPS和激光雷达。
总的来说，IMU在自动驾驶中发挥着重要的作用，帮助车辆确定其位置和方向。虽然IMU可能会出现漂移问题，但是通过与其他传感器的组合使用，可以减少这种问题的影响，并提高自动驾驶的精度和安全性。
多传感器融合定位方案：
GPS 给出的全局锚定，可以消除累计误差问题，不过它的更新频率低，并且信号容易被遮挡。IMU和轮盘里程计更新频率高，不过有累计误差问题，最容易想到的是收到GPS定位，使用GPS位置信息，误差就是GPS的精度，在下一次收到GPS定位间隔中，使用IMU（角度累加）和里程计（位移累加）进行位姿累加，中间的位姿误差是初值GPS定位误差和中间累加误差的积累。
改进的方法是使用非线性卡尔曼滤波，在收到GPS位置信息的时候，要结合IMU和里程计的积累预测值和GPS观测值，算出一个误差收敛的更优的位置估算值。
GPS 给出全局锚定，中间使用雷达SLAM 前端里程计做累加，可以配合高精地图的图匹配，做类似后端回环优化的方式，将GPS、激光雷达及已知地图进行融合定位。
这种方案成本低，更加考究的是算法，有很少的自动驾驶公司宣称自己主攻纯视觉方案，现在不是主流。
满足室内定位的要求，个人理解可以分为浅融合和深融合。浅融合使用IMU＋里程计的累加值作为推算雷达里程计的初值，在这个初值基础上进行连续帧的扫描匹配，会大大加速匹配速度。深融合会结合IMU和里程计的值作为约束条件，应用到后端回环约束矫正中。
目前在手机的VR应用中已经初见端倪，如苹果公司的IphoneX以及Google 已经发布一段时间的Tango项目。深度视觉SLAM 与 IMU 进行深浅融合，达到一个比较不错的VR体验。
无人驾驶对可靠性和安全性要求非常高，除了GPS与惯性传感器外，我们通常还会使用LiDAR点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的效果。相信随着自动驾驶技术的发展，未来的定位技术也不会不断优化
自动驾驶新思路：对于IMU+高清地图方案，目前采用的很少，高清地图需要高频率的扫街，整体成本依然十分高昂，通过双目摄像头对司机经常重复的路线进行扫描，通过算法可以快速识别对应路线的特征，实现部分路段的准自动驾驶。
“”
一方面，高精地图的测绘难度高，信息量大，根据《智能网联汽车高精地图白皮书》的说法，采用传统测绘车方式，分米级地图的测绘效率约为每天每车500公里路，成本为每公里10 元左右。
而如果上升到厘米级地图，测绘效率就只能是为每天每车100公里，但是，测绘成本就要达到每公里1000元。
另一方面，城市道路建设快，施工占道、临时封路等现象层出不穷，交通事故、拥堵程度也会随时变化。
高精度地图中重要的动态地图图层需要以分钟为单位进行更新。这意味着传统采集车模式并不能够满足动态图层的更新需求。
“”
由于目前，IMU在自动驾驶领域并未大规模采用，IMU的使用范围在其他汽车领域寻找机会，包括车辆的翻滚检测，车辆的座椅在汽车颠簸时的摇摆检测补偿等。