鑒于各傳感器的工作特性及其局限性，單獨(dú)依賴一種或兩種傳感器在復(fù)雜路況下往往難以確保高精度定位。例如，激光里程計(jì)在隧道、高架等環(huán)境下易受影響，而IMU與輪速計(jì)則受限于累積誤差，難以獨(dú)立提供可靠位置信息。GPS在特定場景如立交橋、隧道及高樓密集區(qū)則常遭遇信號(hào)丟失問題。視覺里程計(jì)則受天氣、光照及動(dòng)態(tài)環(huán)境變化影響較大，其穩(wěn)定性亦受挑戰(zhàn)。當(dāng)前學(xué)術(shù)界與工業(yè)界正致力于通過多傳感器融合技術(shù)，實(shí)現(xiàn)高精度、穩(wěn)定且實(shí)時(shí)的定位解決方案。多傳感器融合SLAM主要分為松耦合與緊耦合兩大類別，其中緊耦合方式因能更充分融合各傳感器信息，成為研究重點(diǎn)。
在緊耦合領(lǐng)域，已有多種創(chuàng)新算法涌現(xiàn)。如X.Za0等人在IROS 2019上提出的LIC-Fusion算法，基于MSCKF框架實(shí)現(xiàn)了激光雷達(dá)、IMU與相機(jī)的緊密協(xié)作。牛津大學(xué)D.wi油團(tuán)隊(duì)則依托因子圖框架，融合了激光里程計(jì)、視覺里程計(jì)與IMU預(yù)積分因子，實(shí)現(xiàn)了高精度定位。香港大學(xué)Mars實(shí)驗(yàn)室更是在此基礎(chǔ)上，提出了RLIVE與R'LIVE算法，通過結(jié)合濾波與平滑優(yōu)化技術(shù)，進(jìn)一步提升了激光雷達(dá)、IMU與相機(jī)的融合定位精度與建圖能力。為滿足L4級(jí)智能駕駛等高級(jí)應(yīng)用場景的需求，學(xué)者們還探索了結(jié)合高精點(diǎn)云地圖的全局定位方法。百度團(tuán)隊(duì)通過誤差狀態(tài)卡爾曼濾波框架，實(shí)現(xiàn)了激光雷達(dá)、GNSS、IMU與先驗(yàn)點(diǎn)云地圖的深度融合，實(shí)現(xiàn)了厘米級(jí)定位精度。圖森未來則進(jìn)一步挑戰(zhàn)極限，嘗試在無激光里程計(jì)的情況下，僅憑輪速計(jì)、IMU與先驗(yàn)點(diǎn)云地圖，實(shí)現(xiàn)了無人物流卡車的高精度全局定位。在此背景下，特選激光雷達(dá)+IMU+視覺組合定位中的RPLIVE算法，以及圖森未來在ICRA 2021上提出的基于激光雷達(dá)特征地圖輔助的多傳感器緊耦合定位算法進(jìn)行深入探討，以期洞悉其背后的原理與技術(shù)創(chuàng)新。
視覺、激光雷達(dá)、IMU融合的RLVE算法
RLVE算法，源自香港大學(xué)Man Li等人在IROS 2021的卓越貢獻(xiàn)，是一種創(chuàng)新的實(shí)時(shí)傳感器融合SLAM算法。該算法巧妙地將激光雷達(dá)、相機(jī)與IMU緊密集成于一個(gè)高效預(yù)處理模塊中，隨后通過現(xiàn)代優(yōu)化技術(shù)實(shí)現(xiàn)精準(zhǔn)定位與建圖。Li團(tuán)隊(duì)?wèi){借三種傳感器的深度協(xié)同，使RLVE能夠從容應(yīng)對(duì)視覺失效及激光雷達(dá)里程計(jì)挑戰(zhàn)，室內(nèi)外測(cè)試中均展現(xiàn)出卓越的性能與成果。算法的核心流程清晰分為兩大板塊：里程計(jì)模塊與因子圖優(yōu)化模塊。里程計(jì)模塊依托于先進(jìn)的誤差狀態(tài)卡爾曼濾波框架，無縫融合激光雷達(dá)、相機(jī)與IMU數(shù)據(jù)，初步估算系統(tǒng)姿態(tài)，并分別針對(duì)各傳感器特性進(jìn)行優(yōu)化輸出。其獨(dú)特之處在于，通過誤差狀態(tài)空間的迭代更新策略，將問題轉(zhuǎn)化為最大化后驗(yàn)估計(jì)，運(yùn)用高斯牛頓法高效求解。在激光雷達(dá)處理上，采用平衡特征點(diǎn)提取與運(yùn)動(dòng)補(bǔ)償技術(shù)；相機(jī)端則運(yùn)用快速角點(diǎn)提取與KLT光流跟蹤，確保視覺信息的精確捕捉。為進(jìn)一步提升視覺測(cè)量的精準(zhǔn)度，因子圖優(yōu)化模塊引入動(dòng)態(tài)滑窗機(jī)制，對(duì)視覺地標(biāo)、關(guān)鍵姿態(tài)及傳感器間的時(shí)間偏差進(jìn)行精細(xì)調(diào)整與優(yōu)化，從而構(gòu)建出更加精確與魯棒的環(huán)境地圖。RLVE解法以其創(chuàng)新的理念與卓越的性能，為SLAM領(lǐng)域樹立了新的標(biāo)桿。
在智能駕駛?cè)蝿?wù)中，高精度要求促使我們實(shí)時(shí)結(jié)合激光雷達(dá)、相機(jī)及IMU等傳感器，以確保在復(fù)雜環(huán)境中，如隧道、橋梁等GPS信號(hào)受限的區(qū)域，定位算法的精準(zhǔn)度、實(shí)時(shí)性和魯棒性。為了實(shí)現(xiàn)長距離的絕對(duì)定位，學(xué)界提出并應(yīng)用了基于多傳感器緊耦合的定位算法（Tightly-Coupled Multi-Sensor Localization, TCML），這一創(chuàng)新在RA2D1會(huì)議上得以展示。TCML算法構(gòu)建于因子圖優(yōu)化框架之上，巧妙地將IMU數(shù)據(jù)、輪速計(jì)信息與激光雷達(dá)點(diǎn)云地圖的融合轉(zhuǎn)化為一個(gè)優(yōu)化問題，利用固定延平滑（fixed-lag smoothing）技術(shù)求解。具體而言，算法中，激光雷達(dá)點(diǎn)云與預(yù)先構(gòu)建的地圖特征相匹配，實(shí)現(xiàn)了對(duì)車輛全局位姿的估計(jì)；同時(shí)，結(jié)合車輛運(yùn)動(dòng)學(xué)模型和輪速計(jì)數(shù)據(jù)，精準(zhǔn)捕捉車輛局部時(shí)刻的相對(duì)位姿變化。兩者相輔相成，共同約束車輛狀態(tài)的最優(yōu)估計(jì)。
圖13-5清晰展示了TCML算法的整體流程，其關(guān)鍵傳感器包括輪速編碼器、IMU和激光雷達(dá)，而一張精細(xì)的激光雷達(dá)特征地圖則是算法不可或缺的外部數(shù)據(jù)源。輪速編碼器負(fù)責(zé)提供車輛速度的直接觀測(cè)，IMU則用于計(jì)算幀間相對(duì)位姿變化，并作為系統(tǒng)狀態(tài)的初步估計(jì)。激光點(diǎn)云在IMU校正運(yùn)動(dòng)畸變后，與地圖特征精準(zhǔn)匹配，從而得到系統(tǒng)位姿的精確估計(jì)。最終，TCML算法通過局部滑窗內(nèi)的因子殘差最小化，實(shí)現(xiàn)了傳感器信息的緊耦合優(yōu)化，采用固定間隔平滑策略，迭代提升系統(tǒng)位姿估計(jì)的精度，詳細(xì)過程如圖13-6所示。利用激光雷達(dá)、IMU與輪速計(jì)等多源傳感器的緊密集成，實(shí)現(xiàn)長距離、高精度且魯棒的實(shí)時(shí)定位技術(shù)。為縮減點(diǎn)云處理時(shí)間與計(jì)算負(fù)荷，TMFL算法巧妙地從密集點(diǎn)云地圖中篩選稀疏特征點(diǎn)，并通過每幀激光點(diǎn)云的均勻采樣策略，精簡特征匹配點(diǎn)數(shù)量，同時(shí)確保定位精度不受損。在因子圖優(yōu)化框架下，該算法融合激光雷達(dá)特征、IMU預(yù)積分及輪速計(jì)速度信息，對(duì)車輛狀態(tài)進(jìn)行聯(lián)合優(yōu)化，并運(yùn)用固定后平滑策略，簡化優(yōu)化難題，加速算法響應(yīng)。
另外最近部門招聘，要求如下：
內(nèi)外飾數(shù)字模型工程師
1、負(fù)責(zé)內(nèi)飾全倉數(shù)字模型設(shè)計(jì)工作
2、對(duì)內(nèi)飾零部件有充分了解、IP、門板、console等零部件
3、負(fù)責(zé)內(nèi)飾IP、門板、座椅、console、頂棚、立柱等零部件的設(shè)計(jì)工作
4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達(dá)設(shè)計(jì)意圖。
要求
1、大專及以上學(xué)歷，藝術(shù)設(shè)計(jì)、工業(yè)設(shè)計(jì)相關(guān)專業(yè)
2、熟練使用ALIAS軟件
3、 測(cè)試A級(jí)至少5-8年實(shí)際CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn) 測(cè)試B級(jí)至少3-5年CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn)
4、善于團(tuán)隊(duì)合作、有責(zé)任心、敢于擔(dān)當(dāng)、工作主動(dòng)積極
有意者戳 汽車造型/產(chǎn)品設(shè)計(jì)師社會(huì)招聘-表單-金數(shù)據(jù) (jsj.top)