教你如何在本地运行多传感器融合定位模块

定位技术横跨好几个专业，包括测绘、导航、计算机视觉知识、以及点云处理的知识。业界所说的“多传感器融合”，都是指对摄像头、激光雷达、毫米波雷达、超声波雷达等多种传感器各自分别收集到的数据所做的「数据融合」。

其中，Apollo3.0多传感器融合定位模块的框架有：

定位模块依赖的硬件以及数据，包括惯性测量单元 IMU、车端天线、基站、LiDAR、以及定位地图；

GNSS定位以及激光点云定位模块，GNSS定位（基站和车端天线辅助）输出位置及速度信息，点云定位（LiDAR和定位地图）输出位置及航向角信息；

融合框架：惯性导航解算、Kalman滤波（卡尔曼滤波器是核心模块）；融合定位输出是一个6-dof的位置和姿态，以及协方差矩阵，其结果会反过来用于GNSS定位和点云定位的预测。

由于无人车的感知和决策能力并没有达到像「人」一样聪明的程度，而定位系统可以与高精地图配合提供静态场景感知，可将感知得到的动态物体正确放入静态场景，而位置和姿态用于路径规划和车辆控制。因此定位系统对于无人驾驶至关重要。

In brief，一个无人汽车感知系统成功并不能保证整个系统成功，而感知系统有瑕疵足以让使用它的软件工程师持续陷入苦恼。

对大多数涉足自动驾驶的公司来说，搞定一套传感器方案，这个看似简单的工作，却往往需要耗费一个小团队至少6-8个月的宝贵研发时间，才能勉强做到“不拖后腿”，而这又仅仅是“重复发明轮子”的一个过程。

百度Apollo所开发的自动驾驶套件已可做到在硬件层面就将摄像头、激光雷达集成到一起，然后再将采集到的数据统一输送到计算平台。

Apollo作为一个开放的平台，目的是将开发者从繁琐的重复性工作中解放出来，更加专注于算法迭代本身，加快自动驾驶技术的迭代速度，推进整个无人驾驶行业的进程。面对复杂多变、快速迭代的开发环境，只有开放才会带来进步，Apollo社区正在被开源的力量唤醒。

从GitHub网站下载Apollo源代码

按照教程设置Docker环境并搭建Apollo工程

从Apllo数据平台下载多传感器融合定位数据（仅限美国地区）

为了使定位模块正确运行，需要对地图路径和传感器外参进行配置。假设下载的定位数据的所在路径为DATA_PATH。在进行以下步骤前，首先确定你在docker容器中。

2.1  配置传感器外参：

将定位数据中的传感器外参拷贝至指定文件夹下。

cp DATA_PATH/params/ant_imu_leverarm.yaml /apollo/modules/localization/msf/params/gnss_params/  cp DATA_PATH/params/velodyne64_novatel_extrinsics_example.yaml /apollo/modules/localization/msf/params/velodyne_params/  cp DATA_PATH/params/velodyne64_height.yaml /apollo/modules/localization/msf/params/velodyne_params/

各个外参的意义：

ant_imu_leverarm.yaml： 杆臂值参数，GNSS天线相对Imu的距离

velodyne64_novatel_extrinsics_example.yaml：Lidar相对Imu的外参

velodyne64_height.yaml： Lidar相对地面的高度

2.2 设置地图路径：

在/apollo/modules/localization/conf/localization.conf中添加关于地图路径的配置：

# Redefine the map_dir in global_flagfile.txt--map_dir=DATA_PATH

这将会覆盖global_flagfile.txt中的默认值。

./scripts/localization.sh

定位程序将在后台运行，可以通过以下命令进行查看。

ps -e | grep localization

在/apollo/data/log目录下，可以看到定位模块输出的相关文件。

localization.INFO : INFO级别的log信息

localization.WARNING : WARNING级别的log信息

localization.ERROR : ERROR级别的log信息

localization.out : 标准输出重定向文件

localizaiton.flags : 启动localization模块使用的配置

cd DATA_PATH/bag rosbag play *.bag

从播放数据到定位模块开始输出定位消息，大约需要30s左右。

5.1 记录定位结果

该脚本会在后台运行录包程序，并将存放路径输出到终端上。

./scripts/record_bag.sh

5.2 可视化定位结果

./scripts/localization_online_visualizer.sh

该可视化工具首先根据定位地图生成用于可视化的缓存文件，存放在/apollo/data/map_visual目录下。

然后接收以下topic并进行可视化绘制。

/apollo/sensor/velodyne64/compensator/PointCloud2

/apollo/localization/msf_lidar

/apollo/localization/msf_gnss

/apollo/localization/pose

5.3 可视化效果如下：

如果发现可视化工具运行时卡顿，可使用如下命令重新编译可视化工具：

cd /apollo bazel build -c opt //modules/localization/msf/local_tool/local_visualization/online_visual:online_local_visualizer

编译选项-c opt优化程序性能，从而使可视化工具可以实时运行。

./scripts/localization.sh stop

如果之前有运行步骤5的录包脚本，还需执行

./scripts/record_bag.sh stop

假设步骤5中录取的数据存放路径为OUTPUT_PATH，杆臂值外参的路径为ANT_IMU_PATH

7.1 运行脚本：

./scripts/msf_local_evaluation.sh OUTPUT_PATH ANT_IMU_PATH

该脚本会以RTK定位模式为基准，将多传感器融合模式的定位结果进行对比。注意只有在GNSS信号良好，RTK定位模式运行良好的区域，这样的对比才是有意义的。

7.2 获得如下统计结果：

可以看到三组统计结果，第一组是组合导航(输出频率200hz)的统计结果，第二组是点云定位(输出频率5hz)的统计结果，第三组是GNSS定位(输出频率约1hz)的统计结果。

表格中各项的意义：

error： 平面误差，单位为米

error lon： 车前进方向的误差，单位为米

error lat： 车横向方向的误差，单位为米

error roll： 翻滚角误差，单位为度

error pit： 俯仰角误差，单位为度

error yaw： 偏航角误差，单位为度

mean： 误差的平均值

std： 误差的标准差

max： 误差的最大值

<30cm： 距离误差少于30cm的帧所占的百分比

<1.0d： 角度误差小于1.0d的帧所占的百分比

con_frame()： 满足括号内条件的最大连续帧数