根據(jù)車載傳感器檢測到的廣告牌、紅綠燈、墻上的標志、地上的標志（停止線、箭頭等），與高精地圖提供的同一道路特征（POI）進行匹配，進而修正縱向定位和航向。在沒有檢測到任何道路特征的情況下，可以通過航位推算進行短時間的位置推算。

無人車的定位算法通常采用粒子濾波的方法，需要多個計算周期后，定位結(jié)果才會收斂，進而提供一個相對穩(wěn)定的定位結(jié)果。粒子濾波的算法原理我會在隨后的系列文章中介紹。

2、圖像增強型定位。通常是將Lidar和視覺系統(tǒng)結(jié)合進行定位。 這種方法需要預先準備一幅激光雷達制造的3D地圖，用Ground－Plane Sufficient得到一個2D的純地面模型地圖，用OpenGL將單目視覺圖像與這個2D的純地面模型地圖經(jīng)過坐標變換， 用歸一化互信息（normalizedmutual information）配準。然后用擴展卡爾曼濾波器（EKF）來實現(xiàn)定位。

3、是用激光雷達的強度掃描圖像。激光雷達有兩種最基本的成像方式，一是3D距離成像，可以近似地理解為點云；二是強度掃描成像，激光經(jīng)物體反射，根據(jù)反射強度值的不同，可以得到一副強度成像圖像。強度值是包括在點云里的，光強分離核心技術(shù)之一。這種定位方法需要預先制作一個特殊的SLAM系統(tǒng)，稱之為位姿圖像SLAM（Pose－GraphSLAM），勉強可看作激光雷達制造的高清地圖。有三個約束因素，一是掃描匹配約束，二是里程計約束，三是GPS先驗約束。激光雷達的3D云點地圖抽出強度值和真實地面（Ground Plane），轉(zhuǎn)化為2D的地面強度掃描圖像。與位姿圖像SLAM配對后即可定位。

另外還可用高斯混合地圖進行定位，即在遇到惡劣環(huán)境，比如很厚的積雪，雪后還有殘雪的泥濘的道路，缺乏紋理的老舊的被破壞的道路，用高斯混合模型來做定位，提高激光雷達定位的魯棒性。

4、Mobileye提出的REM。REM是一種無需SLAM的定位方法，但顯然只是視覺SLAM的變種而已，Mobileye通過采集包括交通信號、方向指示牌、長方形指示牌、路燈及反光標等「地標」，得到一個簡單的 3D 坐標數(shù)據(jù)；再通過識別車道線信息，路沿，隔離帶等獲取豐富的 1D 數(shù)據(jù)。把簡單的 3D 數(shù)據(jù)和豐富的 1D 的數(shù)據(jù)加起來，大小也不過是 10Kb／km，攝像頭的圖像與這種REM地圖中匹配即可定位。Mobileye這種設(shè)計毫無疑問是成本最低的，但前提是至少有上千萬輛車配備REM系統(tǒng)，能夠自動搜集數(shù)據(jù)并上傳到云端，有些路段或者說非道路地區(qū)，沒有裝載REM系統(tǒng)的車走過，就無法定位。

不過這種方法讓人有以下幾點存疑：

在全球范圍內(nèi)讓裝載REM系統(tǒng)的車走遍每一寸土地是不可能的。這可能牽涉到隱私問題，也牽涉到數(shù)據(jù)版權(quán)問題，這些數(shù)據(jù)的版權(quán)究竟歸誰，是車主還是車企還是云端的服務(wù)商，還是Mobileye？這個問題很難說清。

同時REM的數(shù)據(jù)要及時更新，幾乎要做到準實時狀態(tài)，同時光線對數(shù)據(jù)影響明顯，REM要濾除那些不合適的數(shù)據(jù)，所以維持這份地圖的有效性需要非常龐大的數(shù)據(jù)量和運算量，誰來維護這個龐大的運算體系？

最致命的一點，REM是基于視覺的，只能在天氣晴好，光線變化幅度小的情況下使用，這大大限制了其實用范圍，而激光雷達可滿足95％的路況。

以上只是一般常見的定位方法，當然，具體的定位手段有多種，多個傳感器可根據(jù)定位方法進行隨意組合。融合方案的定位精度會優(yōu)于單一傳感器，一個傳感器在某種環(huán)境失效，補充傳感器能頂上。例如市面上常見的一些多傳感器融合的定位手段有：

1． 自動駕駛 GPS＋IMU＋里程計

GPS 給出的全局錨定，可以消除累計誤差問題，不過它的更新頻率低，并且信號容易被遮擋。 IMU和輪盤里程計更新頻率高，不過有累計誤差問題，最容易想到的是收到GPS定位，使用GPS位置信息，誤差就是GPS的精度，在下一次收到GPS定位間隔中，使用IMU（角度累加）和里程計（位移累加）進行位姿累加，中間的位姿誤差是初值GPS定位誤差和中間累加誤差的積累。

改進的方法是使用非線性卡爾曼濾波，在收到GPS位置信息的時候，要結(jié)合IMU和里程計的積累預測值和GPS觀測值，算出一個誤差收斂的更優(yōu)的位置估算值。

2． 自動駕駛 GPS＋ 多線雷達＋高精地圖匹配

GPS 給出全局錨定，中間使用雷達SLAM 前端里程計做累加，可以配合高精地圖的圖匹配，做類似后端回環(huán)優(yōu)化的方式，將GPS、激光雷達及已知地圖進行融合定位。

3． 自動駕駛多對雙目視覺攝像頭SLAM方案

這種方案成本低，更加考究的是算法，有很少的自動駕駛公司宣稱自己主攻純視覺方案，現(xiàn)在不是主流。

4． 單線雷達＋IMU＋里程計融合

滿足室內(nèi)定位的要求，個人理解可以分為淺融合和深融合。淺融合使用IMU＋里程計的累加值作為推算雷達里程計的初值，在這個初值基礎(chǔ)上進行連續(xù)幀的掃描匹配，會大大加速匹配速度。深融合會結(jié)合IMU和里程計的值作為約束條件，應用到后端回環(huán)約束矯正中。

5． 深度攝像頭＋ IMU 融合

目前在手機的VR應用中已經(jīng)初見端倪，如蘋果公司的IphoneX以及Google 已經(jīng)發(fā)布一段時間的Tango項目。深度視覺SLAM 與 IMU 進行深淺融合，達到一個比較不錯的VR體驗。

無人駕駛對可靠性和安全性要求非常高，除了GPS與慣性傳感器外，我們通常還會使用LiDAR點云與高精地圖匹配，以及視覺里程計算法等定位方法，讓各種定位法互相糾正以達到更精準的效果。相信隨著自動駕駛技術(shù)的發(fā)展，未來的定位技術(shù)也不會不斷優(yōu)化。