自动驾驶定位概述

定位属于自动驾驶系统的感知模块。但也有其特殊的特性，在实际应用中通常会单独列出定位模块

实现自动驾驶的第一步是确定车辆的位置。在复杂多变的城市道路环境中，定位精度需精确至厘米级。若出现较大偏差，在行驶过程中可能导致与周边设施的刮擦或碰撞。尽管具备辅助避障功能，但无法实现完全可靠的避障。因此，在推动自动驾驶技术发展进程中，提升定位精度至关重要。

目前应用最广的自动驾驶定位技术主要依赖于将全球定位系统（GNSS）与惯性导航系统（INS）相结合。其中，GNSS的定位精度主要受设备成本影响，在几十米至几厘米范围内。随着精度要求提高，相应的设备成本也会增加。通过结合使用GNSS和INS的方法，在一定程度上能够弥补GNSS在复杂环境中定位精度不足的问题。然而，在城市这样的广泛区域中单纯的GNSS加INS技术仍然无法充分满足自动驾驶对高精度定位的需求

基于地图的辅助定位方法是一种广泛应用于自动驾驶领域的核心技术。其核心算法被称为同步定位与地图构建（SLAM），其名称缩写为Simultaneous Localization And Mapping（SLAm）。该技术旨在通过同时生成和利用地图来实现车辆的实时定位。具体而言，在车辆运行过程中通过摄像头、激光雷达等传感器感知环境特征，并结合这些观测数据计算出当前车辆的位置以及目标物体的具体位置。这一计算过程主要依赖于贝叶斯滤波器、卡尔曼滤波器、扩展卡尔曼滤波器以及粒子滤波器等多种技术手段；这些技术均基于概率统计理论基础并结合实时观测数据进行状态估计和更新

SLAM 是机器人定位领域的重要研究方向，在低速自动驾驶定位的具体应用中也存在许多现实案例。例如园区内的无人驾驶清扫车、floor cleaning robots 等设备广泛采用了 SLAM 技术。实际上，在这些特殊场景中，并不是同时进行定位和实时建图操作。相反的是，在构建好 SLAM 地图后，则是在已构建好的 SLAM 地图基础上实现定位和路径规划等功能。

在获得了部分点云地图之后

尽管利用点云准确定位技术可实现自动驾驶车辆与相对地图间的全局定位精度较高。然而这些方法往往严重依赖预先建立精确的地图数据。但其构建过程存在较高的资源消耗与经济负担。同时这些规定限制了实际应用的有效性。此外在实际应用中计算资源消耗巨大（例如使用Velodyne-32c设备时每秒可生成约120万点的数据集）。同时在高速行驶环境下对计算能力和实时响应提出了更高的需求。综上所述在高速场景下采用基于点云匹配的方法存在较高的成本与性能瓶颈问题