可以使用卡尔曼滤波(Kalman Filter)整合GPS和IMU的优势。通过GPS和IMU可以为车辆定位提供既准确有足够实时的位置更新。
但是因为GPS受到环境影响比较大,同时IMU存在累积误差的问题,我们采用摄像头的立体视觉定位作为补充方案。再结合LiDAR对环境的“形状化描述”与高精度地图匹配,进行多传感器融合以达到更准确的定位。
用于定位的视觉里程计算法,有两类:一类是基于拓扑与地标的算法,另一类是基于几何的视觉里程计算法。
纯视觉定位算法本身对光线相当敏感,特别是在光线较弱时,图像会有很多噪点。同样的,在反光路面,这种算法也容易失效。
Object Recognition,包括yolo、rcnn等技术。
Action Prediction,预测其他司机的行为,采用概率分布的方法预测每一个可达位置集的相关概率。
Path Planning,因为不合理的规划代价太严重,所以采用完全确定模型。又因为这样的做法需要的计算量太大,现阶段使用概率模型成为主要的优化方向。
Obstacle Avoidance,我们会使用两层避障机制。第一层级是前瞻层级,对交通情况进行预测。第二层是实时反应层,使用雷达数据进行本地路径重规划,如果检测出前方障碍物,则立即执行避障操作。