上文提到過，LiDAR會(huì)在車輛行駛的過程中不斷收集點(diǎn)云來了解周圍的環(huán)境。我們可以很自然想到利用這些環(huán)境信息來定位。這里我們可以把這個(gè)問題用一個(gè)簡(jiǎn)化的概率問題來表示：已知t0時(shí)刻的GPS信息，t0時(shí)刻的點(diǎn)云信息，以及t1時(shí)刻無人車可能所在的三個(gè)位置：P1、P2和P3(這里為了簡(jiǎn)化問題，假設(shè)無人車會(huì)在這三個(gè)位置中的某一個(gè))。求t1時(shí)刻車在這三點(diǎn)的概率。根據(jù)貝葉斯法則，無人車的定位問題可以簡(jiǎn)化為如下概率公式：

右側(cè)第一項(xiàng)表示給定當(dāng)前位置，觀測(cè)到點(diǎn)云信息的概率分布。其計(jì)算方式一般分局部估計(jì)和全局估計(jì)兩種。局部估計(jì)較簡(jiǎn)單的做法就是通過當(dāng)前時(shí)刻點(diǎn)云和上一時(shí)刻點(diǎn)云的匹配，借助幾何推導(dǎo)，可以估計(jì)出無人車在當(dāng)前位置的可能性。全局估計(jì)就是利用當(dāng)前時(shí)刻的點(diǎn)云和上面提到過的高清地圖做匹配，可以得到當(dāng)前車相對(duì)地圖上某一位置的可能性。在實(shí)際中一般會(huì)兩種定位方法結(jié)合使用。右側(cè)第二項(xiàng)表示對(duì)當(dāng)前位置預(yù)測(cè)的概率分布，這里可以簡(jiǎn)單的用GPS給出的位置信息作為預(yù)測(cè)。通過計(jì)算P1、P2和P3這三個(gè)點(diǎn)的后驗(yàn)概率，就可以估算出無人車在哪一個(gè)位置的可能性最高。通過對(duì)兩個(gè)概率分布的相乘，可以很大程度上提高無人車定位的準(zhǔn)確度，如圖3所示。

圖3.基于點(diǎn)云的定位

障礙物檢測(cè)

眾所周知，在機(jī)器視覺中一個(gè)比較難解決的問題就是判斷物體的遠(yuǎn)近，基于單一攝像頭所抓取的2D圖像無法得到準(zhǔn)確的距離信息。而基于多攝像頭生成深度圖的方法又需要很大的計(jì)算量，不能很好地滿足無人車在實(shí)時(shí)性上的要求。另一個(gè)棘手的問題就是光學(xué)攝像頭受光照條件的影響巨大，物體的識(shí)別準(zhǔn)確度很不穩(wěn)定。圖4展示了光線不好的情況下圖像特征匹配的問題：由于相機(jī)曝光不充分，左側(cè)圖中的特征點(diǎn)在右側(cè)圖中沒有匹配成功。圖5左側(cè)展示了2D物體特征匹配成功的例子：啤酒瓶的模板可以在2D圖像中成功識(shí)別。但是如果將鏡頭拉遠(yuǎn)，如圖5右所示，我們只能識(shí)別出右側(cè)的啤酒瓶只是附著在另一個(gè)3D物體的表面而已。2D物體由于維度缺失的問題很難在這個(gè)情境下做出正確的識(shí)別。

圖4.暗光條件下圖像特征匹配的挑戰(zhàn)

圖5.2D圖像識(shí)別的問題