从零开始做自动驾驶定位(十三)

从零开始做自动驾驶定位(十三): 关于建图的讨论

配套代码和测试数据：联系作者获取

附赠自动驾驶学习资料和量产经验：链接

代码在后续可能会有调整，如和文章有出入，以实际代码为准

========================================

系列文章进行到这里，建图部分算是基本完工了。

但是关于建图这件事倒还有几句话想说。

现在是早上7:25，在熬了一个通宵debug之后，打了这些字，浑浑噩噩，乱七八糟，胡说八道。

所以，对各位只有一个请求，就是读完这篇之后如果觉得浪费时间，别骂人就行了。

关于是否需要地图这个问题，高翔博士已经在别的文章里回答过了（文章链接），而且答得非常好，反正比我好，在观点上我和大佬是一致的，这里我想补充谈一些我的想法。

我想往这个问题的背后走一走，所以就不局限于城市自动驾驶场景，而是着眼于多场景的定位需求。

其实要不要建图的问题在不同场景的定位需求下确实有不同的答案，也即在不同场景的任务中要适应性地改变方案。

作为融合定位工程师，为了能够准确给出匹配的方案，我们首先要明白定位方案设计的核心思想是什么，各种不同的方案其实只是核心思想在不同场景下的应用而已。

我总结的核心其实就三个字：“互补性”。

1. 什么是互补性

“互补性”这三个字怎么强调都不为过，定位方案中传感器选择的过程，就是**“寻找互补性”的过程，而融合的过程，就是“执行互补性”**的过程。

不妨举几个例子。

第一个是IMU和GNSS的例子，前者有累计误差，但是没有位姿跳变，后者没有累计误差，但受干扰或遮挡时会跳变。二者融合，既能消除累计误差，又能避免跳变。可以抽象表述为，误差在“累积性”和“噪声性”上都有互补，那么融合既消除了累计性，又消除了噪声性。

第二个是GNSS和点云地图定位的例子，二者均不随时间累计，均有位姿跳变，前者在场景稀疏的情况下定位良好，但受高楼和树木遮挡时表现不好，后者在空旷处无法定位，但是就喜欢稠密的地方，二者融合，两种场景皆可解决。可以总结为在“异常场景”上有互补，融合使其场景适应性增强。

第三个是IMU和激光里程计的例子，二者均有累计误差，但是前者随时间累计，后者随距离累计。二者融合，速度快时，经过同样距离，imu累计误差比激光里程计小，应以imu定位结果为主，速度慢时，经过同样距离，imu累计误差更大，应以里程计定位为主。这样融合后的累计误差均比单一传感器时要小。可以总结为在“误差累计方式”上存在互补，融合使其累计误差减小。但是“累计性”仍然存在，并没有被消除。

这样的例子太多了，但是从上面三个例子中已经足以发现一个规律，融合消除或者减弱的是其有差异的那部分特性，具体包括IMU误差累积性与GNSS误差不累计性之间的差异，GNSS喜空旷与点云地图定位喜稠密之间的差异，IMU随时间累计与激光里程计随距离累计之间的差异，融合使他们的性能都有大幅度提升。但是我们同时也注意到，他们共同具有的那部分特性并没有被消除，比如IMU和激光里程计均具有累计性，融合之后仍有累计误差，虽然误差减小了。可以想见，即使再拿一万个具有累计误差的传感器和他们融合，融合结果的误差仍然是有累计的。

所以，我们有必要强调：只有差异性才能在融合中得到补偿。

这句话也可以换一种表述方式：通过融合消除误差的过程，就是为该误差寻找差异性信息的过程。

这个差异性就是互补性。

《机器人学中的状态估计》有这样一句话“状态估计的过程，是理解传感器本质的过程”。在我的理解里，与其他传感器的互补性就是这个“本质”的重要组成部分。

2. 要寻找的是什么样的差异性？

差异性无处不在，我们面对一个系统，为了提高它的性能，应该怎样从众多的差异性中找到最重要的那个？

举个例子，在IMU和GNSS组合的方案中，融合结果之所以既不累计又不跳变，是因为GNSS的“不累计性”跟IMU“累计性”形成了一对差异性。现在把它放在城市环境下，有很大概率GNSS信号受遮挡，无法定位，这时这一对差异性就消失了，无法形成互补，那么融合结果就又重新具有了“累积性”。

要解决这个问题，就要从差异性消失的原因入手。

因为GNSS被稠密环境遮挡，导致我们需要的“不累计性”消失了，那么就要提供一个同样具有“不累计性”，并且在“遮挡性”上和GNSS能形成互补的信息，比如基于点云地图的定位就具备这个要求，所以加上这个信息之后，不仅提供了另一个“不累计型”，而且它和GNSS有形成了场景的互补性，那么这个融合系统就同时具备了“不累计性”和“稠密环境适应性”。

所以，解决故障时最缺失的那个差异性，就是我们最需要寻找的差异性。

这好像是一句废话。

为了证明这句废话并没有完全非废，我们举一个反例。

在上面这个故障中，如果我不添加点云地图定位，而是再添加一个轮速计，跟添加点云地图定位比，它是更好了，还是更坏了呢？（我们这里的讨论以性能为目的，暂不考虑复杂度、成本、数据下发等运营相关事项）。

添加轮速计以后，IMU+轮速计的组合把里程精度提高了，但是“累计性”仍然存在，它会让你不超差的时间长一些，能在指标内保持行走更远的距离。如果这个自动驾驶车就是在一个区域内来回清扫，这个区域两边都是楼，RTK几乎没有固定解，虽然区域并不是很大，但是车辆来回走，总路程很长，所以仍然会导致超差。所以这种做法只是给他续了命，并没有给他看好病。

我再举一个例子，同样是IMU和GNSS的组合方案，这次是在高速路场景下，用在卡车上，遇到的问题是高速路上偶尔会有一些隧道，进入隧道以后GNSS信号消失，IMU的位置保持精度又不足以保证在出隧道之前不超差，这时应该怎么办？

如果我们仍像上一个例子那样加一个点云地图定位可以吗？如果做过这方面工作的应该都知道，隧道内随着距离推进，点云是无差异性的，也就是说点云和地图匹配容易匹配不上。

反过来，如果我加一个轮速计呢，加上轮速计以后虽然有累计误差，但是累计误差减小了，而且车是单方向通过隧道，不会像清扫车那样在一个没信号的区域里来回走，所以需要保持的距离没那么长，在这种情况下，添加轮速计反而比添加点云地图定位要好。

我们把这两个例子在一起看，能发现什么呢？

我们能够发现同一套组合方案，出现同样的故障，同样的原因，但是解决方案不一样。而且在上一个例子中被抛弃的方案反而成了这个例子中的优选，而上一个例子中的优选，却在这个例子中被抛弃。

所以，我们把刚才的那句废话再说一遍：解决故障时最缺失的那个差异性，就是我们最需要寻找的差异性。

并且，在它的后面再追加一句：缺失程度是由目标任务决定的。