1摘要

實時、準確和魯棒的定位對于自動駕駛汽車（AVs）實現安全、高效駕駛至關重要，而實時性能對于AVs及時實現其當前位置以進行決策至關重要。迄今為止，沒有一篇綜述文章定量比較了基于各種硬件平臺和編程語言的不同定位技術之間的實時性能，并分析了定位方法、實時性能和準確性之間的關系。因此，本文討論了最先進的定位技術，并分析了它們在AV應用中的整體性能。為了進一步分析，本文首先提出了一種基于定位算法操作能力（LAOC）的等效比較方法，以比較不同定位技術的相對計算復雜性；然后，全面討論了方法論、計算復雜性和準確性之間的關系。分析結果表明，定位方法的計算復雜性最大相差約107倍，而精度相差約100倍。與基于激光雷達的定位相比，基于視覺和數據融合的定位技術在提高精度方面的潛力約為2–5倍。基于激光雷達和視覺的定位可以通過提高圖像配準方法的效率來降低計算復雜性。與基于激光雷達和視覺的定位相比，基于數據融合的定位可以實現更好的實時性能，因為每個獨立傳感器不需要開發復雜的算法來實現其最佳定位潛力。V2X技術可以提高定位魯棒性。最后，討論了基于定量比較結果的AVs定位的潛在解決方案和未來方向。

2介紹

自動駕駛車輛（AVs）有望在未來的智能交通系統中發揮關鍵作用，因為它們在確保安全駕駛、緩解交通壓力和降低能耗方面具有潛力。目前對AVs的研究已進入道路測試階段。例如，百度已經在復雜的道路場景中測試了Apollo 5.0系統，例如沒有特殊標記的彎道或十字路口[1]。谷歌Waymo項目也在美國公共道路上完成了1000多萬英里的路測，并在模擬中完成了70億英里的路測[2]。然而，在AVs商業化之前，該行業仍需要應對幾個關鍵挑戰。這些挑戰包括a）提出實時、準確和低成本的自定位解決方案；b）實現實時和準確的環境感知模型；c）在復雜場景中實現智能、安全和高效的決策。同時，環境感知和決策模塊顯著依賴于自動駕駛汽車的實時和準確的自定位，以實現安全駕駛。因此，自定位是AV的核心要素之一。此外，只有當自動定位達到毫秒級實時性能和厘米級精度時，才能確保安全駕駛，如避免碰撞[3]。 作為一種典型的方法，地圖匹配算法廣泛應用于許多配備激光雷達[4]、雷達[5]、相機[6]或V2X[7]的定位解決方案中。地圖匹配方法之一是使用現有地圖來匹配檢測到的環境特征（例如，拐角和道路標記），從而獲得車輛位置信息。另一種技術是在應用程序中使用的SLAM，無需先驗地圖。它通過同時構建用于順序映射的環境模型（地圖）來實現車輛定位。地圖算法主要關注從各種傳感器提取的抽象數據，如激光雷達、雷達、相機或它們的組合。在基于傳感器的定位技術方面，它依靠車載傳感器來估計車量車輛的絕對或相對位置。之前的綜述對其進行了詳細討論[8]。在許多基于傳感器的定位研究中，“傳感器”被視為主要的定位傳感器，作者試圖探索一種主要基于其測量的創新方法，旨在解決某些特殊場景中的定位挑戰。這并不意味著定位系統僅使用單個傳感器來實現車輛定位。作為解釋這一概念的示例，對于基于IMU的定位，參考文獻[9]提出了一種交互多模型（IMM）方法，通過使用IMU和里程計傳感器數據來消除由全球定位系統（GPS）中斷或GPS信號塊引起的系統漂移，從而提高了此類駕駛場景中的定位魯棒性和完整性性能?；趥鞲衅鞯亩ㄎ患夹g可以指導AV定位系統的部署，包括如何選擇能夠滿足實時性能的傳感器、定位算法、融合算法和計算資源。此外，關注定位輸入（傳感器硬件）可以讓讀者更好地了解不同系統部署在準確性、實時性、魯棒性和成本方面的優缺點。因此，本次調查將從車載傳感器開始，討論不同的基于傳感器的定位技術，然后討論V2X定位技術，最后討論基于數據融合的定位。 圖1顯示了車輛不同自定位技術，包括車載傳感器、V2X和基于數據融合的技術?；谲囕d傳感器的定位系統，包括基于主動和被動傳感器的技術，依靠車載傳感器感知周圍環境，然后估計車輛位置。基于V2X的定位方法與周圍環境節點（例如，相鄰車輛或基礎設施）通信，以接收其位姿信息，包括基于車輛對車輛（V2V）和車輛對基礎設施（V2I）的技術，這些技術可以為定位算法提供多個參考坐標。數據融合不是一種直接感測位置的方法，而是一種后處理定位感測技術。其目標是融合各種傳感器的測量結果，以獲得比單個傳感器更好的結果。

基于主動傳感器的定位通過車載傳感器（包括激光雷達、雷達和超聲波傳感器）主動感知周圍環境以估計車輛位置。它們的測距原理是相同的，這是基于到達時間（TOA）方法的。它們的區別在于信號載體，即激光雷達、雷達和超聲波傳感器的激光、無線電和超聲波。信號載波波長的差異導致這些傳感器的成本和精度的顯著變化。例如，激光雷達通常成本最高，但精度最好，超聲波[10]-[13]的情況正好相反。 基于被動傳感器的定位被動地接收環境信息，從中計算車輛位置。傳感器包括GPS、IMU和視覺（例如，單目或雙目攝像機）。根據空間三角測量方法，GPS需要在開闊的天空區域中有三顆或更多的衛星來獲取車輛位置（2–10m）。GPS的優點是成本低，但在城市環境中，它經常遭受多徑和nonline-of-sight（NLOS）誤差以及緩慢的位置更新率。IMU使用高頻采樣率（>100Hz）測量車輛加速度和轉速。因此，可以通過給定初始姿態的航位推算來推導車輛的位置和方向[14]。盡管IMU具有快速的位置刷新率和高可靠性，但它也容易出現大量累積錯誤?；谝曈X的定位通過使用來自單目或雙目相機的圖像作為輸入來估計車輛位置。這類似于根據平面三角測量確定障礙物位置的人類視覺系統。圖像中豐富的環境信息可以在適當的照明條件下提供令人滿意的定位性能，但消耗大量的內存和計算資源。 基于V2V的定位是指vehicular ad hoc network（VANET）下的自動駕駛車輛，使用專用短程通信（DSRC）或長期演進技術來確定其他車輛的位姿，從而提高車輛的位置精度。基于V2I的定位是指目標車輛和靜態基礎設施之間的通信，使用它們的精確已知位置來確定目標車輛位置?；A設施的類型包括磁性標記、射頻識別（RFID）標簽、路邊單元（RSU）和GPS基站。基于V2X的定位具有廣泛的全局感知范圍（300m[15]），但可能會受到網絡延遲和城市擁堵的影響。 已經發表了許多調查，總結了現有的自定位技術，并全面討論了它們的優缺點以及每種基于傳感器的方法的潛在應用。然而，在評估各種定位方法時，最新的綜述文件僅關注以下方面：

a） 經濟和可靠的定位技術[8]，其中經濟對應于定位系統的成本，可靠對應于定位性能（包括準確性和可靠性），這些技術可以在各種駕駛場景（例如，下雪天氣）中實現；

b） 準確度、可靠性和可用性[16]，其中與定位系統相對應的可用性應在不同環境中可用，例如隧道中基于GPS的定位系統，在通信延遲的情況下的V2V方法；

c） 魯棒性和可擴展性[17]，[18]，其中與定位系統相對應的魯棒性在不同季節和交通條件下以低故障率長時間運行，可擴展性與車輛處理大規模自動駕駛的能力相對應。

自動定位的實時性能是評估AV安全駕駛的關鍵指標之一。上述調查還提到，研究人員在設計定位系統時應仔細考慮不同技術的計算負載和實時性能。然而，到目前為止，還沒有調查對不同的自定位技術的實時性能進行比較和深入討論。通過比較駕駛員行為對決策過程的反應時間[28]。論文進行了文獻綜述，以展示從感知障礙物到執行控制動作的時刻，AV行為的反應時間，如表I所示。根據計算機模擬和實際測試，為了滿足安全駕駛，AV的整個決策過程的反應時間通?？s短至0.5s。然而，在極端情況下，檢測和識別模塊、規劃和決策模塊以及執行模塊將占用近0.5秒，這導致為定位模塊預留的執行時間非常有限。因此，快速實時定位解決方案可以為AV系統的其他模塊（如決策）節省計算資源，以實施復雜的策略以確保安全駕駛。目前，在各種硬件平臺和編程語言上呈現了不同定位解決方案的實時性能。直接使用每個自定位研究論文提供的數據來比較實時性能沒有意義，也不能反映AV中內存和計算資源的相對消耗。也沒有調查對同一基準下各種定位解決方案的計算復雜性進行量化，這與定位系統的實時性能和部署成本有關。本文旨在研究現有的最先進的定位技術，并著重于提出的每種解決方案的創新算法或方法，以及在實時性能、準確性和魯棒性方面的整體定位性能；提出一種等效方法，定量比較基于各種硬件平臺和編程語言的不同定位解決方案之間的相對實時性能；最后總結現有的定位技術，并基于AV中的定量比較結果討論潛在的解決方案和未來方向。表II總結了論文的調查與最近現有調查之間的關系和差異。

3基于主動傳感器的定位

基于激光雷達的定位

基于激光雷達的定位通常需要預先構建參考地圖，以與點云數據或激光雷達反射強度數據相匹配。但在沒有先驗地圖的情況下，它將使用SLAM技術構建實時地圖以與先前生成的地圖匹配。在AVs的應用中，高維地圖包含豐富的特征信息，這提高了位置估計精度，但降低了存儲效率并增加了處理時間[29]，[30]。 Im等人[31]基于城市道路兩側建筑物的垂直角建立了一維角地圖，用于匹配和定位。他們使用迭代端點擬合來提取垂直角的特征，并根據垂直線的長度和方向構建角特征圖。然后，他們應用特征匹配和點云數據來計算車輛位置。由于提取的特征信息較少，該方法減少了匹配時間和地圖數據文件大小（約14KB/km）。然而，最大水平位置誤差達到0.46m；此外，這種方法不適用于沒有建筑物的地區。參考文獻[32]構建了由基于道路標記的道路反射密集圖和基于垂直結構的概率占用網格圖組成的2D占用網格圖。首先，他們通過提取道路標記和拐角的線條特征，構建了一個1D擴展線地圖（ELM）。這些要素僅包含直線兩個端點的緯度和經度信息。然后，他們將ELM轉換為2D網格地圖，以便在定位過程中進行匹配。與[31]相比，[32]增加了道路標記特征以提高準確性性能，但該方法將ELM數據大小增加到134KB/km。 用于激光雷達定位的二維平面地圖匹配在當前的研究中非常流行。例如，Levinson等人[4]通過使用SLAM式松弛算法來構建沒有任何潛在移動物體的平坦地面反射圖，然后使用部分濾波器（PF）來關聯激光雷達，從而獲得車輛定位。為了進一步提高魯棒性，參考文獻[33]使用了表示為remittance values的高斯分布的概率圖，而不是表示為固定infrared remittance values的先前地圖。它使地圖中的靜止物體和一致的角反射率能夠通過貝葉斯推斷快速識別。然后使用離線SLAM來對齊先前序列地圖中的重疊軌跡，這使得定位系統不斷學習和改進地圖。與參考文獻[4]中的方法相比，參考文獻[33]提高了動態城市環境中AV的定位精度和魯棒性。然而，這兩種方法的地圖數據大小已增加到每英里10MB左右。其他相關算法[29]、[35]—[42]可以參考具體論文。 基于3D地圖的匹配可以實現更準確的位置，因為它包含環境對象的高度信息。參考文獻[43]通過提取道路標記特征構建了3D地圖。然后，系統使用正態分布變換（NDT）來處理不確定信息，之后基于PF推導出魯棒性和精確定位。然而，3D NDT方法可能需要大量內存來保存ND體素（用于匹配的3D ND體素總數高達100MB[30]），這導致定位時間與second level一樣長[44]。Li等人[45]提出構建3D占用網格地圖，然后使用混合過濾框架（即cubature Kalman filter和PF的組合）來計算大規模戶外定位并減少地圖數據大小。盡管數據量減少了，但實驗表明，該方法可以保持穩定、可靠的定位性能，這意味著定位誤差小于0.097m。

基于雷達的定位

與基于激光雷達和視覺的定位相比，基于雷達的定位可以滿足實時性能要求，因為其內存效率高且計算負載低[46]，[47]。然而，基于雷達的SLAM在地圖匹配中面臨數據配準錯誤的風險，因為有時會提取不真實的特征，從而導致定位精度低的風險[5]。面向軌跡的擴展卡爾曼濾波器（EKF）-SLAM技術使用傅里葉-梅林變換順序配準雷達圖像，并在不匹配特征的情況下計算車輛位置，以避免此類特征帶來的風險。缺點是定位誤差達到13m（平均值）[46]。參考文獻[48]旨在通過Levy過程擴展半馬爾可夫鏈，以提高長期變化環境中的魯棒性，83%的估計位置誤差小于0.2m。對于雨雪情況，[49]通過對誤差傳播的不確定性進行建模，然后匹配雷達圖像以實現可靠定位，從而建立了參考地圖。參考文獻[50]提出了一種聚類SLAM技術，該技術使用基于密度的流聚類算法對動態環境中的雷達信號進行聚類。提出了一種無測量噪聲的環境掃描用于地圖匹配。PF用于使用該匹配結果來計算車輛位置。該技術中使用的地圖大小僅為200KB。 此外，參考文獻[51]和[52]提出了一種基于空間和多普勒的聯合優化框架，以進一步提高定位速度。該框架通過構建稀疏高斯混合模型來表達參考點云，該模型是一種稀疏概率密度函數，可以降低計算復雜性。該方法的定位刷新率可達17Hz。參考文獻[47]使用相同道路的雷達掃描數據構建參考地圖。然后，使用迭代最近點（ICP）來匹配雷達圖像以估計車輛位置。最后，應用EKF平滑估計。由于所需的映射數據的大小較小，該技術減少了地圖匹配的計算負載。然而，挑戰在于需要從傳感器的相同模型中獲取最新數據，并從與參考相同的道路中獲取樣本，以進行匹配。 此外，參考文獻[53]設計了一種車載定位探地雷達（LGPR）系統，以構建道路地下地圖。該系統可以抵抗復雜天氣的信號干擾，因為它的雷達安裝在底盤下，用于掃描地面。此外，它可以實現高精度（RMSE為12.7cm）和出色的實時性能（~126Hz刷新率）。然而，作者還提到，LGPR陣列的高度需要進一步降低，以適應更多的乘用車。

基于超聲波的定位

由于低成本的超聲波傳感器，基于超聲波的定位被廣泛用于室內機器人定位。然而，短的檢測距離和對環境溫度、濕度和灰塵的敏感性都限制了超聲波傳感器在AV定位中的廣泛應用[54]，[55]。Moussa等人[56]使用EKF算法實現了基于超聲波的輔助導航解決方案。當GPS無法限制車輛位置的漂移并增強系統的魯棒性時，該解決方案使用超聲波傳感器作為定位的主要傳感器。它可以實現出色的實時性能（約92Hz刷新率），但位置誤差高達7.11m。Jung等人[13]使用超聲波傳感器、編碼器、陀螺儀和數字磁羅盤，以及SLAM方法來估計車輛的絕對位置。該方法的平均位置更新時間長達10.65s。此外，長時間的SLAM計算過程可能會導致定位系統在位置更新之前由IMU導致的一些累積誤差。因此，能夠滿足位置精度要求的平均行駛距離僅約為5.2m?？傊诔暤亩ㄎ患夹g可以實現低成本和低功耗的定位系統。然而，它的定位精度和魯棒性仍然不能滿足自動駕駛的要求。

討論

基于激光雷達的地圖匹配技術中的準確和魯棒的特征檢測方法可以提高AV定位的準確性和魯棒性[57]?？傊?，就基于激光雷達的1D地圖匹配技術而言，由于該方法僅采用少數異形線作為特征，例如參考文獻[31]和[32]中所示的垂直角，因此特征配準中的計算負載和內存使用量較低。然而，這種方法需要解決路邊沒有垂直建筑物的情況下的挑戰。與1D地圖相比，2D地圖包含豐富的特征類型，但增加了地圖存儲空間?；趶姸鹊?D地圖方法可以增強積雪路面場景中的道路表示?；诨旌系貓D的算法可以減少內存使用，并解決實時性能和定位精度之間的權衡，例如參考文獻[38]中所示的拓撲度量地圖?；?D地圖的匹配算法可以獲得受益于3D特征的準確和魯棒的位置。然而，與基于1D地圖和2D地圖的方法相比，它需要最大的計算資源，這將增加AV定位系統的部署成本。與基于高成本激光雷達的定位相比，雷達是一種經濟高效的解決方案，但毫米波雷達獲得的環境模型分辨率低，且缺乏物體高度信息，使得定位系統難以實現魯棒性和準確性。目前，雷達被廣泛用作輔助定位傳感器，以檢測車輛與障礙物之間的距離。超聲波傳感器的檢測范圍（約3m）決定了基于超聲波的定位主要用于短距離定位應用，例如自動停車，其中幾個參考目標位于近距離。

4基于被動傳感器的定位

基于GPS的定位

GPS可以為AV提供低成本、高效的定位解決方案。然而，GPS經常受到城市中NLOS、多徑或信號阻塞的影響，所有這些都對提供可靠車輛定位的目標提出了挑戰[58]，[59]。 當前主流的基于GPS的定位通過位置校正技術提高了準確性和可靠性，包括融合來自不同來源的測量[60]、過濾異常信號[61]和地圖輔助[62]。參考文獻[63]通過融合來自其他來源（包括GPS、RFID和V2V）的測量結果，改進了基于GPS的定位。作者分析了不同數據源的準確性，并過濾掉了冗余連接。它們只保留具有期望精度的連接，以在GPS降級環境中實現魯棒性要求。所提出方法的位置精度約為2.9m，計算復雜度約為[64]的0.8%。參考文獻[61]提出了一種GPS異常信號識別處理框架，以提高基于GPS的定位的魯棒性。該框架可以根據原始GPS的質量決定輸出原始GPS、估計GPS或去除異常信號的GPS。與前兩種技術不同，Lu等人[65]通過匹配低精度開源地圖來提高GPS精度。然而，該方法的局限性在于難以提取道路交叉口中的車道標記特征。同時，[66]通過去除異常GPS信號并結合數字地圖的地形高度輔助，提出了一種基于全球導航衛星系統（GNSS）的定位方法。參考文獻[67]通過匹配NLOS信號延遲提高了GNSS精度。盡管如此，[66]和[67]的位置RMS誤差在城市場景中仍高達約10m?？傊褂锚毩PS接收機實現可靠、準確的車輛定位是困難的。

基于IMU的定位

IMU是慣性導航系統（INS）的一個組件，可以測量加速度和俯仰率，并具有強大的抗干擾能力[68]。然而，由于累積誤差的缺點，自動駕駛系統不能使用IMU計算長距離的位置。在這種情況下，IMU被廣泛用作備用傳感器或融合源之一，以確保主定位傳感器短時中斷時的連續定位[69]。 參考文獻[70]提出使用基于航位推算（DR）的緊密耦合（TC）方案來提高城市中的精度性能。參考文獻[71]使用具有異常GPS測量抑制的修正TC，以在GPS無效環境下實現連續定位。Wang等人[72]提出了一種基于一組自回歸、移動平均預測模型和占用網格約束的方案，以進一步提高定位精度；該方案還可以減少DR系統的累積誤差和GPS上的多徑干擾。其他相關算法[73]-[76]可以參考具體論文。除DR方法外，IMU輸出的俯仰率信號的模式識別也可用于計算車輛位置。該方法的原理是通過分析俯仰率信號來提取車輛的振動和運動模式。然后，利用預先構建的索引地圖進行模式匹配以進行位置估計。該技術沒有累積誤差，因此具有合理的精度（約5m）。然而缺點是它很容易受到測量噪聲的影響[68]，[77]，[78]。

基于視覺的定位

基于視覺的定位通?？梢赃_到合理的精度。多核CPU和GPU的普及及其強大的并行圖像處理能力的提高緩解了此類定位方法的高計算復雜性帶來的壓力[79]，[80]。 參考文獻[81]使用四個魚眼攝像頭、一張預先構建的地圖和當前車輛位姿來檢測自主停車場景中給定范圍內的對稱停車標記。然后，將檢測結果作為方向標記，以與預先構建的地圖匹配。該方法可以實現車輛定位，平行位置誤差為0.3米，定位時間為0.04s。Du等人[82]開發了一種改進的序列RANSAC算法，以有效地從圖像中提取車道線，用于特征匹配；在具有車道線的場景中，它們實現了大約0.06m的位置誤差和0.12s的定位刷新率。參考文獻[83]為特征匹配構建了基于道路地標的輕量級3D語義地圖，然后最小化殘余配準誤差以估計車輛位置。該地圖可以減少內存使用，這只會導致圖像匹配的四次迭代。然而，這種方法的缺點是，當在彎道場景中使用時，仍需要進一步測試。其他相關算法[6]、[84]、[85]、[86]、[87]可以參考具體論文。 同時，參考文獻[88]開發了一個拓撲模型，以從參考地圖中獲得一組接近捕獲圖像的可能節點。然后，他們將提取的整體特征與最近節點的可能節點進行匹配。最后通過將該節點的特征與圖像中的局部特征相關聯，以0.45m的位置精度實現了可靠的車輛定位。然而，這種方法受到照明靈敏度的影響，這可能導致定位失敗。參考文獻[89]提出了一種擴展的赫爾普查變換方法，用于從全方位圖像數據集進行語義描述和特征提取，以構建拓撲圖。通過結合基于內容和特征的圖像檢索方法進行場景識別，該工作通過將識別結果與拓撲圖匹配，在變化的亮度和動態障礙場景中實現了約85.5%置信度的魯棒定位。然而，這種技術的挑戰在于其位置刷新周期長達2秒。

討論

總之，基于無源傳感器的定位技術的分析顯示了獲得低成本AV定位的顯著優勢。然而，需要注意的是，獨立的無源傳感器不能滿足精度和魯棒性要求。GPS經常受到城市中NLOS、多徑或信號阻塞的影響，這對定位的一致性和完整性提出了挑戰。通過融合來自不同來源的GPS測量、缺陷信號邊界和地圖輔助，可以改進基于GPS的定位。當GPS信號不可用時，DR系統可以提供實時一致的車輛位置。例如，如[9]所示，基于DR的IMM方法減少了系統漂移，提高了GPS中斷或GPS信號模塊環境中的定位魯棒性和完整性。然而，基于GPS和基于IMU的定位仍然需要進一步提高GPS-IMU信號長期異常情況下的精度、一致性和完整性性能。基于視覺的定位可以實現0.14米的定位RMSE。但合理的定位時間通常要求系統配備GPU以加速。此外，相機在照明不足或惡劣天氣（如霧和雨）條件下的可靠性仍需進一步研究。上述討論表明，通過融合多個低成本傳感器，數據融合技術將成為實現成本高效定位解決方案的趨勢。同時，參考文獻[90]–[93]中關于傳感器故障檢測和識別方法的最新研究表明，在提高定位魯棒性方面具有顯著優勢，如基于IMM的故障識別方法、基于多模型和模糊邏輯的故障檢測方法等。未來的研究需要集中于這些技術和缺陷數據建模方法。

5基于V2X的定位

基于V2V的定位

基于V2V的定位不要求車輛配備高精度傳感器，以實現VANET下的精確位置。相反，它可以通過融合來自其他連接車輛的粗略位姿信息來實現合理的位置精度[94]。然而，其缺點是道路上參與車輛的分布不足或不均勻可能導致定位精度不足[95]，[96]。 Liu等人[15]提出了一種基于與其他車輛共享GPS偽距離測量值的加權最小二乘-雙差法來計算車輛間距離。他們使用分布式位置估計算法來融合共享數據，實現了約4米的定位精度。該解決方案減少了隨機噪聲的影響，并提高了計算車輛間距離的準確性。參考文獻[97]提出使用貝葉斯方法來融合來自其他車輛的目標車輛GPS位置和車輛間距離的GPS位置信息，以進行車輛定位。該方法可以顯著降低定位不確定性。為了消除參與車輛需要預定義動態運動模型來實現數據融合的挑戰，參考文獻[98]計算了關于車輛當前位置的置信度，這是一種可以推斷車輛位置并在VANET中傳播的概率。然后，他們使用到達角度和TOA技術來測量車輛間距離，從而顯示相鄰車輛的相對位置。最后，通過計算相鄰位置的權重和來估計車輛位置；位置包括相對位置和信念。該方法的位置精度約為1.95m，但刷新率高達1.4s（7輛車接入網絡）。其他相關算法[99]-[103]可以參考具體論文。

基于V2X的定位

基于V2I的定位基于附近基礎設施的位置推斷車輛位置。它可以實現準確、實時和魯棒的定位性能。V2I技術的優點包括基礎設施的高精度定位、獨立于時間的穩定數據源和低計算復雜性。 參考文獻[104]和[105]提出了基于磁標記的V2I定位。首先，在道路上以一定的間隔布置具有獨特高斯極陣分布的磁標記，并將每個標記的位置和分布存儲在數據庫中。然后，檢測每個標記，并在車輛行駛過程中計算其高斯分布。最后，通過在數據庫中搜索該分布來確定車輛位置。該方法將失真的影響降至最低，并達到厘米級（<10cm）的定位精度。RFID技術，包括低成本的RFID讀取器和RFID標簽也用于定位。RFID標簽部署在路面上，配備有RFID讀取器的車輛可以根據標簽確定位置[106]，[107]。至于缺點，這些技術需要高密度的基礎設施，并且容易受到基礎設施堵塞的影響。其他相關算法[108]-[113]可以參考具體論文。

討論

從V2X定位技術的回顧來看，V2V和V2I解決方案都不需要昂貴的專用硬件。對于基于V2V的解決方案，道路上參與車輛的充分和均勻分布可以提高定位精度和魯棒性。然而，不斷增加的車輛可能會導致較高的系統計算開銷，但精度沒有太大提高。用于在節點之間創建層次結構的高效集群架構可以在具有長距離的VANET下提供準確的V2V通信服務。通過對此類架構的進一步研究，可以克服車輛間準確信息交換的挑戰。CMM方法可以提供一種潛在的方法來消除天線之間的多徑誤差，但傳播信號延遲的問題仍然需要進一步解決。V2X系統的信號延遲建議在10ms內[3]?？梢酝ㄟ^優化網絡參數（例如，數據波特率、傳播頻率和天線功率等）來解決信號降級和丟包問題，之前的調查已經對此進行了詳細討論[8]?；赗FID的V2I系統可以實現成本高效的AV定位。然而，這些方法需要高密度的基礎設施，并且容易受到基礎設施堵塞的影響?；赗FID的技術非常適用于AV在固定路線上行駛的應用，例如動物園的觀光巴士或港口的集裝箱裝卸車。優化RSU高度、傳播角度和傳輸功率之間的關系可以確保信號強度和網絡覆蓋范圍廣，以實現基于RSU的V2I定位。盡管信號延遲仍需要進一步解決以提高定位精度。

6基于數據融合的定位

基于多傳感器的數據融合定位

之前的討論表明，沒有獨立的傳感器能夠滿足AV定位的準確性、實時性和可靠性要求。多個傳感器的數據融合顯示出實現準確、實時和可靠的自我定位的巨大潛力。 參考文獻[114]開發了一種交互式多模型（IMM）濾波器，該濾波器由車輛動力學模型和車輛運動學模型組成，以通過使用低成本傳感器實現成本高效的AV定位。GPS數據和車內傳感器（即車輪速度傳感器和轉向角傳感器）數據用于該過濾器。IMM濾波器可以基于各種駕駛場景來權衡數據融合實現的適當模型。該方法可以在32位嵌入式處理器中實現合理的定位性能。參考文獻[115]建議使用三個基于IMM的UKF構建模型，以融合低成本傳感器數據，如GPS和慣性傳感器。該模型減少了來自慣性傳感器的大部分不確定噪聲，預測并補償了定位誤差，并可以在GPS中斷期間實現1.18米的位置精度。對于動態機動情況，如強加速、高速轉彎以及啟動和停止，Ndjeng等人[116]表明，使用低成本傳感器（如IMU、里程計和GPS）的基于IMM的定位系統優于基于EKF的定位系統。他們通過實際實驗得出結論，基于IMM的定位魯棒性性能優于基于EKF的車輛動力學操縱的高可變性。其他相關算法[117]-[131]可以參考具體論文。

基于地圖的數據融合定位

基于地圖的數據融合技術基于多傳感器測量，并通過添加地圖信息來提高定位性能。例如，Suhr等人[132]提出將低成本傳感器與數字地圖融合，以提高實時性能。他們將車道和道路標記特征表示為一組關鍵點，并使用前視攝像頭模塊處理捕獲的圖像。該解決方案可以減少內存使用和計算開銷；此外，其位置刷新率約為100Hz，位置精度約為0.5m。蔡等人[133]提出了一種數據驅動的運動模型，不使用慣性傳感器來消除積分誤差的挑戰。他們通過使用高清地圖校正了GPS位置和相機的橫向距離，然后將這兩種信息用作融合數據。與純GPS定位相比，該方法的位置誤差減少了1/3。Gruyer等人[134]，[135]提出了一種基于精確數字地圖、GPS、IMU和兩個相機的地圖輔助數據融合方法，以獲得亞分米精度的AV橫向位置。他們首先通過兩個側面攝像頭估計了車輛到車輛左右兩側道路標記的距離。然后，他們使用EKF通過GPS和IMU傳感器測量來估計車輛位置。最后，他們將先前估計的車輛位置和通過基于點到線段的地圖匹配算法獲得的匹配線段位置相結合，以進一步提高定位精度和可靠性。其他相關算法[136]-[139]可以參考具體論文。

討論

分析表明，基于低成本多傳感器（如GPS、IMU、攝像頭和里程計等）數據融合的技術可以為自動駕駛車輛提供一種經濟高效的商業定位解決方案。融合GPS測量的多傳感器數據融合技術仍然需要解決GPS完整性問題?；贗MM的融合方法可以減少來自慣性傳感器的大部分不確定噪聲，并在GPS中斷或GPS信號阻塞期間提高定位精度和魯棒性。然而，IMM的定位誤差仍然達到米級。通過將缺陷數據建模為區間，區間方法可以實現具有高完整性和一致性的車輛定位。該方法的定位RSSE和更新時間可以分別為約15cm、約170ms。間隔技術可以為市場提供一種潛在的基于融合的定位解決方案。然而，在不同復雜環境中的整體定位性能仍需要進一步驗證，以實現完全AVs。與地圖融合的協作方法還可以獲得準確和魯棒的定位解決方案。例如，參考文獻[136]顯示了一種協作方法，該方法可以通過與多傳感器（例如GPS、相機等）、SLAM和地圖融合來增強定位精度和魯棒性。此外，還可以關注不同傳感器的故障檢測和識別技術，以確保更穩健的AV定位。綜上所述，上述討論表明，基于數據融合的技術具有在經濟性、實時性、準確性和魯棒性之間權衡商用自動駕駛車輛定位性能的巨大潛力。

7精度和實時性能討論

定位性能評估的相關工作

實時、準確和穩健的AV定位是確保安全駕駛的關鍵要素之一。不同定位技術的性能比較可以指導AV系統的傳感器選擇和研究目的。已經發表了許多與不同定位算法的準確性和魯棒性性能比較相關的工作。Zhang等人[138]從理論上分析了RI-EKF-SLAM的收斂性和一致性，并將其定位性能與SO（3）-EKF-SLAM進行了比較。Zhang等人通過一維、二維和三維模擬比較了基于RI-EKF的SLAM和基于優化的SLAM的準確性和一致性性能。[140]。此外，Mourllion等人[141]在車輛定位的預測步驟中展示了卡爾曼濾波器變量的性能，例如EKF、UKF以及一階和二階的除法差（DD1和DD2）。Gruyer等人[142]使用基于精度和濾波器不確定性和一致性的標準以及多傳感器實驗測量，比較了這些KF變體的整體定位過程（預測和校正步驟）。Ndjeng等人[116]評估了動態機動場景下基于IMM和基于EKF的低成本定位系統的準確性和魯棒性性能。到目前為止，很少有工作對定位實時性能進行了比較。參考文獻[6]和[149]比較了基于CPU和GPU平臺的同一解決方案的定位時間。參考文獻[143]在CPU和GPU上運行濾波算法，以比較它們的執行時間。然而，上述實時性能比較僅在各種平臺上運行相同的算法。在各種硬件平臺和編程語言上展示了不同定位解決方案的實時性能。此外，整個解決方案的定位時間受數據提取和原始搜索步驟、核心定位算法執行、地圖存儲和更新（如果使用了地圖）的影響。為了在沒有實際測試的情況下對不同解決方案進行快速實時性能比較，首先，論文假設不同研究論文中顯示的定位時間與完整的定位解決方案有關，而不僅僅是算法。其次假設每個解決方案中運行的代碼都充分利用了所有計算源。因此，基于不同的硬件計算能力和編程語言執行效率，可以將不同解決方案的本地化時間轉換為相同的基準。然后，可以近似地和定量地比較不同解決方案的實時性能。

等效比較法

對不同定位技術的討論表明，AV定位主要依賴CPU和GPU作為硬件平臺，MATLAB和C/C++作為編程語言。眾所周知，不同的硬件具有不同的計算能力。例如，當使用濾波算法處理激光雷達3D點云數據時，GPU比CPU快52倍[143]。對于編程語言來說，C/C++是一種編譯語言，在執行之前被翻譯成機器語言。MATLAB是一種解釋語言，其中每行代碼都必須在執行期間由解釋器讀取和解釋，這使得它比編譯語言要慢得多[144]，[145]。因此，在比較不同定位技術的實時性能時，必須考慮使用硬件和編程語言的因素。 作為第一步，必須確定CPU/GPU系列之間以及CPU和GPU之間的定位算法操作能力（LAOC）等效轉換系數。CPU/GPU系列中的所有CPU/GPU都源自不同定位技術的硬件平臺。在本文中，使用單精度浮點（SPFP）峰值性能來確定GPU/CPU系列的LAOC等效轉換關系，因為定位算法通常涉及SPFP操作。在CPU系列中，SPEC CPU2006基準測試[146]旨在比較不同CPU在硬件級別的計算密集型性能。這取決于處理器、內存結構和總線的因素。該基準可以全面評估和比較不同CPU的硬件性能[147]。因此，CPU系列之間的LAOC等效轉換關系基于SPECfp2006[148]，其中給出了每秒CPU相對峰值浮點運算（FLOPS）性能。對于標準化，本文所示相對峰值FLOPS性能的最小值作為基線，其LAOC等效轉換系數確定為。CPU系列之間的LAOC等效轉換系數通過使用，如表III所示。

對于GPU系列，影響FLOPS功能的因素包括頻率f、內核數量N和每個內核FMA的每個周期的單精度融合乘加運算（FMA）。FMA可以在所選GPU的官方網站中找到。理論上的單精度峰值性能可以通過使用以下方程來估計。 對于相同的數據傳輸和復制，可以表示GPU的實際SPFP計算能力，GPU系列之間的轉換關系基于。對于歸一化，論文將本文中給出的最小FLOPS峰值性能定義為基線，其LAOC等效轉換因子為。GPU系列之間的LAOC等效轉化因子通過使用a計算，如表IV所示：

對于CPU和GPU之間的LAOC等效關系，Charmette等人[6]，[149]在比較定位應用中的CPU和GPU計算性能方面進行了許多有代表性的工作。在本文中，CPU和GPU之間的轉換因子基于他們的最新研究結論[6]。結論表明，同一種方法GPU的定位時間大約是CPU的45倍。作者提到，雙核CPU中只有一個內核用于定位。因此，論文認為[6]中CPU的峰值FLOPS性能是相同雙核CPU的一半，如表III所示。[6]中CPU和GPU之間的LAOC等效轉換系數確定為。 論文考慮將C/C++作為編程語言基準，其LAOC等效轉換因子設置為。MATLAB設置為。 最后論文選擇基準峰值FLOPS性能作為硬件基準，選擇C/C++作為編程語言基準?；诓煌布途幊陶Z言的定位時間必須轉移到此基準進行比較。轉換方法由以下等式給出。

方法驗證

在本文中，參考文獻[29]用于評估所提出的基于LAOC的等效比較方法。參考文獻[29]比較了基于CPU和GPU平臺的相同解決方案的定位時間。CPU和GPU的TR和TC、硬件和軟件的LAOC等效轉換因子h和s分別列于表V中。表V顯示，轉換前定位時間的差異是由于硬件平臺（CPU和GPU）不同造成的。轉換后的定位時間大大增加，因為硬件基準的峰值FLOPS性能最低，編程語言也相同。此外，轉換結果表明，，這意味著轉換后基于CPU和GPU的定位時間相似。這是因為解決方案A和解決方案B都是相同的解決方案，但在不同的硬件平臺中實現。因此，基于LAOC的等效比較方法是合理的，可以用于近似和定量地比較不同的定位解決方案。表VI總結了使用方程（2）計算的不同定位技術的相對計算復雜性。

討論

1）準確度和實時性能：本節定量比較了上述所有定位技術的計算復雜性和位置誤差。圖2顯示，在基于激光雷達的定位中，基于3D地圖的方法在精度方面優于基于2D地圖的方法，因為它包含豐富的特征信息。然而，基于3D地圖的技術增加了內存使用量和計算負載，導致算法的計算復雜度較高。此外，盡管基于2D地圖的技術之間的精度差異較小，但由于不同的方法，計算復雜性差異很大。例如，[29]中的2D GMM匹配技術的計算復雜度約為[42]中多層RANSAC配準和2D地圖匹配方法的組合的2000倍。與基于激光雷達的定位技術相比，基于雷達和超聲波的定位技術具有更低的計算復雜性，因為它們發射低密度電磁波。雷達定位的計算復雜性和位置誤差介于激光雷達和超聲波定位之間；盡管粒子群優化和網格地圖匹配方法相結合實現了合理的定位性能，但該方法需要嚴格的傳感器部署。由于超聲波傳感器的低精度，基于超聲波的技術位置精度的位置精度約為10m。

圖3顯示，對于開闊天空中的純GPS定位，GPS接收機可以輸出頻率為1Hz、精度為2–10m的位置信息，而不受車輛操作系統的限制。與其他基于傳感器的定位相比，基于IMU的技術由于其快速的位置刷新率，可以實現最低的計算復雜度，但其累積誤差僅在10分鐘的駕駛時間內導致約1m的定位誤差。在基于視覺的定位方面，圖像中包含的豐富環境信息使其計算復雜性與基于激光雷達的方法相似。然而，由于圖像質量和鏡頭失真的挑戰，視覺無法準確測量周圍物體的范圍。因此，其定位精度低于基于激光雷達的技術。此外，它的計算復雜度隨著參考地圖的維數而降低，但其位置精度變化不大。

如圖4所示，與基于激光雷達和視覺的定位相比，基于V2X的定位的實時性能更好，但由于信號延遲或參與節點不足的挑戰，其精度不令人滿意。

圖5顯示，與其他基于傳感器的定位相比，基于數據融合的技術可以在精度和實時性能方面實現平衡。這是因為它利用每個傳感器的優點來減少其他傳感器缺點的影響，并且每個獨立傳感器不需要開發復雜的算法來實現其最佳定位潛力。

總之，不同的基于傳感器的定位技術的計算復雜性最大相差約10^7倍，而位置誤差相差約100倍。表VII總結了不同傳感器技術在精度和實時性能方面的性能。

2）應用場景：滿足AV應用安全駕駛要求的精度和實時性能分別是位置誤差和位置輸出頻率，要求分別小于30cm[3]和100ms[151]。分析表明，基于激光雷達、視覺和數據融合的定位具有滿足精度性能的潛力?；诩す饫走_和視覺的技術使用強大的處理器，如高性能GPU和多核CPU，可以滿足實時性能要求?；跀祿诤系募夹g融合多個低成本傳感器（例如，相機、GPS、IMU和車載傳感器）的計算復雜性低于基于激光雷達和視覺的技術?？傊诤霞夹g在實現經濟高效的自主定位方面具有相當大的潛力。 此外，表VII還可以指導不同場景下的定位解決方案選擇。對于行人和車輛高度參與交通的城市環境，與其他常見駕駛環境相比，定位精度和實時要求最高。盡管基于激光雷達、視覺和基于激光雷達或視覺的數據融合技術可能會增加硬件部署成本以實現實時性能，但這些技術可以獲得精確的定位精度。高速公路和郊區場景中，AV周圍的行人和車輛較少。這些場景中的精度要求可能低于城市環境中的精度。然而，AVs需要遠距離檢測傳感器來感知周圍的障礙物和高頻位置輸出，以滿足高速駕駛。因此，具有遠距離傳感器感知和實時性能的定位技術可能是一種潛在的選擇，例如基于數據融合、雷達和V2V的技術。由于專用車道上的障礙物較少，且用作城市巴士或觀光巴士的AVs行駛速度較低，因此準確度和實時性要求低于上述情況。在這種情況下，低成本的數據融合、V2I和基于雷達的定位技術可能是首選方案。在自動停車場景中，檢測距離和定位實時性能不需要像上述應用中那樣高。因此，低成本的超聲波和雷達技術可能是最有前途的選擇。

8結論

本文綜述了基于主動傳感器、被動傳感器、V2X和數據融合的最新自定位技術，并定量比較了它們的精度和計算復雜性性能。與1D地圖和3D地圖匹配方法相比，基于激光雷達的2D地圖匹配方法顯示了在成本、準確性、實時性和魯棒性之間平衡商用AVs定位性能的最重要前景。然而，基于激光雷達的定位比其他基于傳感器的定位（如基于雷達的定位、基于視覺的定位和基于V2X的定位）更昂貴。此外，基于激光雷達的（2D）解決方案的實時性能可能受到系統計算能力的限制，并且需要強大的CPU/GPU加速，這會增加AV的部署成本。需要進一步改進基于激光雷達的（2D）解決方案，以使用低成本處理器縮短定位更新時間?；跓o源傳感器的定位解決方案在部署成本低方面顯示出顯著優勢。挑戰在于，對于典型的無源傳感器，例如基于GPS的傳感器和IMU，定位的完整性和一致性使得該技術仍然難以應用于AV?；谝曈X的定位可以實現高精度的車輛位置，但可能需要GPU加速來處理大量圖像數據。相機在照明不足或惡劣天氣下的可靠性也需要進一步解決。V2X技術可以在VANET的廣泛信號強度和網絡覆蓋范圍內提供成本高效的AV定位解決方案?；赗FID的技術非常適合固定路線的AV應用，例如動物園的觀光巴士、港口的集裝箱裝卸車。然而，V2X系統中的信號延遲和數據包丟失問題需要進一步優化，以提高定位精度和一致性。與其他基于傳感器的定位解決方案相比，基于數據融合的技術在權衡商用AV的經濟性、實時性、準確性和魯棒性的定位性能方面具有最大的潛力。例如，基于區間理論的技術可以通過融合低成本傳感器數據（例如GPS、IMU和里程計）來實現具有高完整性和一致性的車輛定位。在商業化之前，在不同的變化環境和各種駕駛條件（如長途駕駛）下對該技術進行進一步研究和驗證至關重要。 此外，實時性和準確性性能之間的比較分析表明，不同基于傳感器的定位技術的位置誤差最大相差約100倍?；诩す饫走_、視覺和數據融合的定位技術有可能滿足AV安全駕駛的精度要求（小于30cm）。與其他基于傳感器的技術相比，基于激光雷達的技術實現了最佳的定位精度，并且不同基于激光雷達方法實現的位置精度相似。此外，高維地圖匹配或基于強度的匹配方法可以將位置誤差減少約2-3倍，但可以將計算復雜性增加約20-2000倍。與基于激光雷達的定位相比，基于視覺和數據融合的定位在提高位置精度方面的潛力約為2–5倍。就實時性能而言，不同基于傳感器的技術之間的計算復雜度最大變化約10^7倍。與精度相比，它有很大的改進空間。IMU、超聲波、多傳感器融合和基于雷達的自定位可以通過低成本處理器滿足安全駕駛的實時性能要求（<100ms），而基于激光雷達和視覺的定位可以通過使用強大的處理器實現實時定位。然而，基于IMU、超聲波和雷達的技術定位精度不足，通常被用作AV中的輔助定位解決方案。與不同的方法相比，基于激光雷達的技術具有最高的計算復雜性和大約2000倍的最大差異。重點改進激光雷達圖像配準方法可以提高基于激光雷達的技術的實時定位性能?；谝曈X的定位的計算復雜性與基于激光雷達的方法相似，與不同方法相比，其最大差異約為1000倍。提高捕獲圖像關聯的效率和準確性可以提高準確性和實時性能。此外，匹配低維特征可以降低計算復雜性，但對精度沒有實質性影響。與基于激光雷達和視覺的定位相比，基于數據融合的定位實現了更好的實時性能，因為每個獨立傳感器不需要開發復雜的算法來實現其最佳定位潛力。此外，它實現了準確度和實時性能之間的最佳平衡。總之，基于激光雷達、視覺和數據融合的技術在實時性能方面仍有很大提高。 討論表明，沒有一個傳感器能夠滿足自動駕駛的所有定位要求。與其他基于單一傳感器的技術相比，基于數據融合的技術將是實現AV成本高效自定位的研究重點。除了傳統的融合信息源，如GPS和IMU，V2X將是一個有前途的解決方案，主要原因是它對光照和天氣具有出色的魯棒性。它具有廣泛的檢測范圍（約300m），可以增加數據源并提高其穩定性。然而，精度、實時性能和魯棒性之間的權衡仍需進一步研究。此外，未來的研究需要集中于傳感器故障檢測和識別技術以及缺陷數據建模方法，以確保穩健和一致的AV定位。隨著新的新興方法的興起，如機器學習和深度學習。基于地圖的定位性能可以得到增強，因為人工智能算法具有自動學習特征的巨大潛力。我們讓讀者參考Fayyad等人最近的調查[152]，該調查對基于深度學習的定位進行了全面綜述。

9參考

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

編輯：黃飛

?