在自動駕駛技術(shù)問題中，定位技術(shù)（自身定位以及對周圍環(huán)境相對位置的認(rèn)知）似乎是無人駕駛汽車最難掌握的技術(shù)，這與城市的動態(tài)性質(zhì)有關(guān)。例如施工路面、封閉道路、新標(biāo)志和缺失的道路標(biāo)志等，都是這種動態(tài)性和不確定性的例子。人類面對以上隨時隨地可能發(fā)生改變的因素都會感到困惑，更不用說機(jī)器了。目前沒有方法可以完美地解決自動駕駛汽車的定位問題，但以下幾種是當(dāng)前最為有效也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據(jù)具體的公司策略對三種定位方法進(jìn)行介紹。

自從特斯拉和Waymo等公司出現(xiàn)以來，車企對自動駕駛技術(shù)的關(guān)注愈發(fā)增加。這種情況在2018年更甚，從而加速了無人駕駛汽車盡快落地的可能。例如，通用汽車公司在舊金山的員工已經(jīng)用上了沒有方向盤或踏板的cruise；福特、大眾、豐田和奔馳也都在自動駕駛競爭之列；上個月，特斯拉在芯片發(fā)布會上宣布，到2020年他們將制造出完全自動駕駛汽車。

無人駕駛的實現(xiàn)前途光明，但道路曲折。目前自動駕駛?cè)匀幻媾R很多難題，例如需要快速而連續(xù)地分析數(shù)據(jù)流、需要做對機(jī)器來說很繁瑣但對人類來說只是雞毛蒜皮的一些小事等。具體來說，物體檢測、距離、速度、定位和交通法規(guī)等都是在駕駛過程中做決策時需要考慮的因素。為了達(dá)到SAE標(biāo)準(zhǔn)中的L5級別，計算機(jī)駕駛系統(tǒng)需要能夠執(zhí)行上述所有基本任務(wù)，找到針對不同問題的技術(shù)解決方案。以下列出了幾種主要的自動駕駛技術(shù)難題及解決方案：

距離：激光雷達(dá)（光探測和測距）

速度：雷達(dá)（無線電探測器）

物體探測：相機(jī)、圖像處理和機(jī)器學(xué)習(xí)

交通法規(guī)：物體檢測（用于交通信號燈和標(biāo)志）、圖像處理（用于車道檢測）和對本地數(shù)據(jù)的訪問

路徑規(guī)劃：軟件算法（如A＊搜索算法）

定位：同時定位與地圖創(chuàng)建（Simultaneous Localization and Mapping，SLAM）或預(yù)先制作的三維地圖

在上述所有問題中，定位技術(shù)（自身定位以及對周圍環(huán)境相對位置的認(rèn)知）似乎是無人駕駛汽車最難掌握的技術(shù)，這與城市的動態(tài)性質(zhì)有關(guān)。例如施工路面、封閉道路、新標(biāo)志和缺失的道路標(biāo)志等，都是這種動態(tài)性和不確定性的例子。人類面對以上隨時隨地可能發(fā)生改變的因素都會感到困惑，更不用說機(jī)器了。目前沒有方法可以完美地解決自動駕駛汽車的定位問題，但以下幾種是當(dāng)前最為有效也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據(jù)具體的公司策略對三種定位方法進(jìn)行介紹。

1．以特斯拉為代表的視覺SLAM定位

以特斯拉為例的一類企業(yè)傾向于使用基于視覺的Visual SLAM（簡稱VSLAM）技術(shù)進(jìn)行定位，他們將盡可能多的視覺傳感器置入汽車中，不依靠預(yù)先錄制的地圖，而是希望將圖像處理和機(jī)器學(xué)習(xí)結(jié)合起來，讓特斯拉車輛能夠?qū)χ車h(huán)境做到實時了解。特斯拉車輛隨時隨地都在學(xué)習(xí)并與其他車輛分享知識。他們依靠周圍的實時環(huán)境數(shù)據(jù)而不是歷史數(shù)據(jù)，不存在依賴過時地圖而出錯的風(fēng)險。

特斯拉的目標(biāo)非常明確，即建造可以在任何條件下駕駛的車輛而不受周圍環(huán)境的影響。前段時間特斯拉的芯片發(fā)布會上，因馬斯克diss激光雷達(dá)還引起了一場軒然大波。馬斯克說，使用激光雷達(dá)的定位方法擺脫了“丑陋，昂貴且不必要”的繪圖設(shè)備，為此付出的代價是在處理不確定性時更加依賴相機(jī)和軟件。特斯拉人工智能高級主管 Andrej Karpathy 強(qiáng)調(diào)物理數(shù)據(jù)的作用是無法代替的，相對于利用激光雷達(dá)建立虛擬高精地圖來說，特斯拉更相信現(xiàn)實的物理數(shù)據(jù)，看圖比看雷達(dá)更真實。

目前，使用VSLAM實現(xiàn)定位的自動駕駛車輛主要配備三類傳感器：單目、雙目（或多目）、RGBD。此外還有魚眼、全景等特殊相機(jī)，由于在研究和產(chǎn)品中都屬于少數(shù)在此不做介紹。就實現(xiàn)難度而言，這三類方法難易程度從難到易依次為：單目視覺、雙目視覺、RGBD。在定位過程中，VSLAM自動駕駛車輛從一個未知環(huán)境中的未知地點(diǎn)出發(fā)，在運(yùn)動過程中通過以上這些視覺傳感器觀測定位自身位置、姿態(tài)、運(yùn)動軌跡，再根據(jù)自身位置進(jìn)行增量式的地圖構(gòu)建，從而達(dá)到同時定位和地圖構(gòu)建的目的。定位和建圖是兩個相輔相成的過程，地圖可以提供更好的定位，而定位也可以進(jìn)一步擴(kuò)建地圖。VSLAM技術(shù)框架如下，主要包括傳感器數(shù)據(jù)預(yù)處理、前端、后端、回環(huán)檢測、建圖。

2．以通用／奔馳／福特為代表的高精地圖定位

通用汽車和奔馳都看好通過激光雷達(dá)或GPS預(yù)先制作的高精地圖來進(jìn)行定位的方法。通用汽車于2017年收購了自己的激光雷達(dá)供應(yīng)商。福特與百度合作，向一家激光雷達(dá)供應(yīng)商Velodyne 投資1．5億美元，奔馳也與Velodyne簽訂激光雷達(dá)供應(yīng)合約。

激光雷達(dá)是非常傳統(tǒng)的定位傳感器。它可以提供機(jī)器人本身與周圍環(huán)境障礙物間的距離信息。常見的激光雷達(dá)有SICK、Velodyne、Rplidar等。使用激光雷達(dá)制作高精地圖，實際上就是利用激光點(diǎn)云融合技術(shù)進(jìn)行激光雷達(dá)掃描，返回場景分布點(diǎn)的技術(shù)。激光點(diǎn)云融合的技術(shù)又分為兩種，一是基于點(diǎn)云融合的算法，其應(yīng)用場景較廣，不僅限于GPS場景；第二種是基于比較精確的差分GPS和精確慣導(dǎo)（IMU，慣性測量單元），其對場景依賴較強(qiáng)，必須在比較開闊的場景使用，對于高架橋等GPS信號弱的場景效果不佳?；趫D像和GPS技術(shù)解決方案精度比較差，主要用來制作L2、L3的ADAS地圖，而激光點(diǎn)云則可以滿足L4、L5的需求。

這類車輛依賴于預(yù)先記錄好的3D高分辨率地圖，而這些地圖是使用配備激光雷達(dá)的車輛預(yù)先捕獲的。然后，自動駕駛車輛可以使用其自身配備的激光雷達(dá)設(shè)備獲取周邊環(huán)境的信息，與預(yù)先制作的高精地圖進(jìn)行比對，判斷環(huán)境是否已經(jīng)改變，然后在地圖涵蓋區(qū)域內(nèi)實現(xiàn)自動駕駛。這顯示了相對來說更加廣泛的自動駕駛策略。為了保持地圖的準(zhǔn)確性和車輛的可用性，需要市政當(dāng)局和汽車制造商之間更廣泛的合作，以創(chuàng)建和維護(hù)最新的高精度地圖供車輛使用。

以凱迪拉克的超級巡航系統(tǒng)為例，只有當(dāng)車身雷達(dá)獲取的信息與高精地圖信息一致并通過安全檢查時，車輛才能在預(yù)存了高精地圖的高速公路上導(dǎo)航行駛。這種方法提供了高度的可靠性和可預(yù)測性，但高精地圖所需要處理的數(shù)據(jù)量巨大，必須使用數(shù)據(jù)中心計算機(jī)集群來做處理，并且涉及很多并行計算和處理，這些對數(shù)據(jù)處理能力都是極大的考驗；高精地圖的實時更新也相當(dāng)重要，道路環(huán)境有可能在不斷的變化，需要實現(xiàn)快速有效的更新。以上這些由于記錄地圖和使用激光雷達(dá)設(shè)備制造車輛所需的努力，都使得實現(xiàn)無人駕駛所付出的成本相對更高。

3．以大眾為代表的車聯(lián)網(wǎng)定位

自動駕駛定位的另一種方法，不關(guān)注如何使汽車更靈活地適應(yīng)環(huán)境，而是關(guān)注如何讓環(huán)境為自動駕駛汽車服務(wù)，即創(chuàng)造更智能的環(huán)境。這減輕了車輛的負(fù)擔(dān)，使其能夠找出其環(huán)境中的所有不確定因素。在這種情況下，變化的環(huán)境因素會自己“找上門”，讓車輛更準(zhǔn)確地了解到周圍環(huán)境的狀況，建筑物可以直接“告訴”進(jìn)入的汽車建筑區(qū)域和臨時車道的具體位置。

大眾汽車一直在努力建立自己作為V2X技術(shù)先驅(qū)的身份。在2017年大眾就宣布所有2019年的車型都將配備完整的V2X功能套件。這些連接將提供大約500米以內(nèi)的交通狀況、事故和與當(dāng)?shù)丨h(huán)境共享的其他交通狀況信息，甚至更廣。

通過車聯(lián)網(wǎng)方法進(jìn)行定位的車輛通過GPS、RFID、傳感器、攝像頭圖像處理等裝置，在由車輛位置、速度和路線等信息構(gòu)成的巨大交互網(wǎng)絡(luò)中完成自身環(huán)境和狀態(tài)信息的采集。在互聯(lián)網(wǎng)信息庫中，所有車輛將自身的各種信息傳輸匯聚到中央處理器，實現(xiàn)位置信息的交互共享。目前，國家強(qiáng)制要求所有運(yùn)營車輛都要轉(zhuǎn)配車載定位終端，同時接入相關(guān)企業(yè)服務(wù)平臺，并最終接入省部級服務(wù)平臺。

具體來說，車輛節(jié)點(diǎn)的定位和位置感知技術(shù)是車聯(lián)網(wǎng)的技術(shù)核心。定位強(qiáng)調(diào)位置信息的唯一性，即定位得到的是真實的地理坐標(biāo)信息，而位置感知側(cè)重于節(jié)點(diǎn)之間在位置上的相對性，反映的是移動節(jié)點(diǎn)在時間維度和空間維度上的軌跡。

位置感知中，其位置信息是參照錨節(jié)點(diǎn)來計算的，而錨節(jié)點(diǎn)的產(chǎn)生視不同的算法實現(xiàn)而不同，主要采用非測距技術(shù)（Renge－free）來定位。無線測距的基本原理分為三邊測量法、三角測量法、極大似然估計法和質(zhì)心算法四種類型。三邊測量法原理比較簡單，是在已知3個錨節(jié)點(diǎn)二維坐標(biāo)信息的前提下，就可以計算出1個未知節(jié)點(diǎn)的位置信息；三角測量法的原理是在網(wǎng)絡(luò)中選定一系列的錨節(jié)點(diǎn)構(gòu)成相互連接的三角形，通過測量某一三角形的三個角節(jié)點(diǎn)到某一位置節(jié)點(diǎn)的相對水平角度來對節(jié)點(diǎn)進(jìn)行定位；極大似然估計法的原理是一句N個錨節(jié)點(diǎn)的坐標(biāo)以及到未知節(jié)點(diǎn)的距離來對節(jié)點(diǎn)進(jìn)行定位；質(zhì)心算法中的質(zhì)心是指多邊形的幾何中心，質(zhì)心算法的實現(xiàn)原理是網(wǎng)絡(luò)中的錨節(jié)點(diǎn)周期性地廣播用于標(biāo)識節(jié)點(diǎn)自身身份標(biāo)識和坐標(biāo)未知的分組，當(dāng)未直接點(diǎn)接受到的錨節(jié)點(diǎn)的分組達(dá)到一個門限值時，或接受錨節(jié)點(diǎn)分組的時間達(dá)到預(yù)設(shè)值時，將由這些錨節(jié)點(diǎn)組成一個多邊形，該多邊形的質(zhì)心便是該未知節(jié)點(diǎn)的坐標(biāo)。

車聯(lián)網(wǎng)的定位技術(shù)則是通過合理部署在城市交通道路周邊的RSU，利用無線測距技術(shù)實現(xiàn)對移動中車聯(lián)的實時定位。目前所采用的技術(shù)主要有利用接收信號強(qiáng)度值（RSSI）、到達(dá)時間（TOA）、到達(dá)時間差（TDOA）、到達(dá)角度（AOA）及到達(dá)頻率差（FDOA）等。FDOA定位技術(shù)具有無模糊區(qū)、精度高等優(yōu)點(diǎn)，它可以與TDOA等定位技術(shù)結(jié)合，實現(xiàn)更加完善的定位功能，成為車聯(lián)網(wǎng)定位技術(shù)的一個發(fā)展方向。在此不做具體介紹。

雖然目前對車聯(lián)網(wǎng)定位和感知技術(shù)的研究取得了一定的成果，但仍然有很多問題需要進(jìn)一步解決，主要體現(xiàn)在專門針對車聯(lián)網(wǎng)的定位和感知技術(shù)、室外移動三維定位技術(shù)、精準(zhǔn)無縫的協(xié)作定位等方面。

當(dāng)然，能夠輔助實現(xiàn)定位目的的有例如GPS 、衛(wèi)星、激光雷達(dá)、相機(jī)及其他多種傳感器，本文介紹的三種方法是實現(xiàn)自動駕駛定位的三種不同思路，思路上的不同并不排斥具體使用技術(shù)上的借鑒與融合。

技術(shù)只是自動駕駛的一個方面，道路安全法律法規(guī)也需要適應(yīng)自動駕駛市場的變化。今年福特、通用和豐田在自動駕駛汽車相關(guān)安全法規(guī)上就達(dá)成了合作伙伴關(guān)系。另外，在人類社會不斷向前發(fā)展的進(jìn)程中，經(jīng)驗是一個不可忽視的關(guān)鍵因素，無論現(xiàn)時段自動駕駛面臨了什么小成就和大挫折，都必須清楚地明白一點(diǎn)：我們生活在技術(shù)不斷創(chuàng)新的時代，新技術(shù)解決新困難，時間會說明自動駕駛是如何向我們一步步走來的。