高精度地图必须与高精度定位相匹配。如果车辆定位本身的精度不高，类似于你得到了一个蓝色的血剑谱，但没有宫殿，这种武术就无法学习。
高精度定位与高精度地图密切相关，为自动驾驶汽车路线规划、道路感知和驾驶控制提供支持。首先，高精度地图数据的收集、处理和建模需要以高精度位置坐标为框架。高精度地图中的道路和场景是自动驾驶汽车感知和决策的数据基础。如果在绘图过程中出现位置校准错误，可能会导致自动驾驶系统的判断错误。
其次，在高精度地图的基础上，结合感知匹配，实现高精度的独立导航定位，确保自动驾驶汽车在当前环境中仍清楚地知道车辆的准确位置。结合高精度地图和高精度定位，车辆可以提供了解当前位置可能的道路特征，提高传感器的识别精度，降低传感器的性能要求。
我前面说过普通GPS的定位精度只能到5-10米左右的绝对精度，做的相对比较好的可以做到5米左右，但是无法充分满足自动驾驶汽车对高精定位的要求，需要寻求其他辅助手段来提高定位精度。
RTK高精度定位的绝对位置
RTK——地面上的卫星定位系统。RTK技术是指实时动态载波相位差分技术， 通过地面基准站与流动站之间的观测误差，实现分米甚至厘米的高精度定位。卫星定位的误差是不可避免的，地面上某些固定点的绝对位置坐标可以相对准确地确定，如特定的地理坐标点、卫星接收站等，以20-40点为中心km对流层、电离层等环境干扰对卫星信号的干扰方向和程度基本相同。
所以这种点作为RTK中间的基准站帮助附近的运动物逐一纠正卫星定位的结果。简要流程如下：
1、基准站将卫星定位结果与现有精确坐标进行比较，计算该区域卫星定位综合误差；
二、基准站将误差数据发送到附近的流动终端；
三、移动站收到误差数据，纠正自身卫星定位结果， 实现厘米至亚米量级定位精度。
简单的理解就是增加一些类似移动4的基站G这样的基站专门用于高精度辅助定位，此时需要在车上增加RTK同时接收天线RTK与移动收费类似，用户需要支付服务费才能获得差异修正数据，这笔钱应该交给基础增强网络运营商。
从RTK除了设备和技术本身，原理可以看出，RTK定位精度也取决于基站的绝对位置和距离。RTK千寻是中国第一家供应商，在中国建立了2600多个基础增强站，可以覆盖多个位置的高精度定位。
通过它看起来很理想吗？RTK能解决高精度定位，还是太年轻，想想RTK本质仍然需要接收GPS与接收相结合的信号RTK这里就不谈基站信号的成本了。您需要增加接收差异信号的接收天线和模块。关键是如何确保您的行驶位置GPS和RTK基站信号。
首先来看GPS接收信号比较困难，因为卫星的发射功率不大，信号到达地面时已经很弱了。这种信号强度相当于1.一个25瓦的灯泡在6万公里外发出光。另一个比喻是，它的功率比电视天线低10亿倍，所以在隧道、茂密的树木和高层建筑中，虽然天空中有7-8颗卫星，但至少需要4颗卫星或以上才能定位。
此时，在这些天桥、隧道、径干扰、隧道衰减等，在这些天桥、隧道、茂密树木等驾驶环境下GPS找不到信号是正常的。
再来看看RTK基站覆盖范围为20-40KM，而且基站建设成本不低，主要靠近城市道路或普通高速公路，不能完全保证所有道路都能定位，遇到GPS而且信号不好RTK在基站无法覆盖的地方，是否缴械投降？
别担心，我们还有另一种定位方式，IMU惯性导航定位专门用于处理这些场景。
IMU实现不依赖外部信息的自主导航 惯性导航
IMU即惯性策略单元，是组成惯性导航系统的设备单元， 由陀螺仪、加速计、算法处理单元三部分组成的惯性导航系统设备单元。陀螺仪和加速计分别测量角度和加速度信息。惯性导航系统可以为自动驾驶汽车提供导航参数，如航向、姿态、速度、位置等。 是高精定位不可或缺的一部分。IMU提供信息的维度称为自由度(DOF) ， 三轴(x轴、y轴、z轴) 陀螺仪加三轴加速计， 形成六自由度IMU， 也称六轴IMU。此外，测量相对于地球磁场方向的三轴磁强方向的九自由度IMU， 也称九轴IMU。IMU提供的信息与汽车轮速记、方向盘转角等信息重叠， 为自动驾驶汽车感知方向和姿势提供冗余信息。
有点难懂，我们从网上找到了一种相对简单易懂的方法；
当我们晚上回家发现家里停电了，眼睛在黑暗中什么也看不见时，我们只能根据自己的经验非常小心地走一小步，不断地用手触摸周围的东西（如冰箱）来确定我们的位置。
IMU原理类似于黑暗中的小步。
在黑暗中，由于他们对步长的估计和实际距离的误差，当步数越来越多时，他们的估计位置将与实际位置越来越远。
如下图所示。
第一步，估计位置（黑人位置）接近实际位置（白人位置）；但随着步数的增加，估计位置与实际位置的差异越来越大。
图中的反派只朝一个方向移动，是一维的。惯性测量单元的原理是将这种方法推广到三维。
学术语言是：在牛顿力学定律的基础上，通过测量惯性参考系中载体的加速度，将其积分到导航坐标系中，可以获得导航坐标系中的速度、偏差角和位置。
因此，这种惯性导航实际上是基于牛顿力学的GPS当信号丢失时，根据当前位置、前进速度、方向和角度，建立坐标系，计算估计位置，输出到导航地图经纬度位置，实现独立导航，从图片中也可以看到，这是确定的，可以短期使用，如果长期使用，位置积累偏移将非常严重。若要测试一个IMU如何偏移自主导航，应长期失去GPS在信号测试的情况下，此时最合适的是长隧道，所以为什么台北的雪山隧道如此受到汽车厂的测试，因为它的全长约为12条.9公里，测试时间这么长IMU的偏移度。
IMU协助自动驾驶汽车的高精度定位GPS自主导航定位和无外部信号。IMU始终在自动驾驶过程中发挥作用：GPS信号更新频率为10Hz——也就是每0.1秒更新一次GPS定位信息， 而IMU设备更新频率为1000Hz以上， 在两次GPS在信号更新之间， 自动驾驶汽车可以结合IMU提供的车辆方位、姿态、速度等信息推算汽车的精确位置，实现高频率高精度定位，满足自动驾驶汽车实时定位的要求。
而在无定位信号或弱定位信号区域， 自动驾驶汽车可以通过IMU实现短时间自主导航-这是IMU在自动驾驶高精度定位环节中发挥的另一个重要作用。例如，当自动驾驶汽车驶入隧道、山路等信号较弱的路段，或接收电磁波信号和光信号（用于摄像头识别）时，汽车保留最后一次稳定接收的定位数据， 基于IMU计算弱信号路段汽车的具体位置， 自主导航结合高精度地图数据实现。但IMU随着时间的推移，计算误差会增加， 因此，强调在一定时间内独立导航。
在时间维度上，运行在控制器上的软件处理信息的过程与下图相似。~100ms在周期中IMU估计9个位置，等待新位置GPS当定位数据进入时，进行修正，以实现高频定位结果输出。
就这样，GPS与IMU实现无人车的稳定定位，可以解决上述定位刷新频率≥100HZ的问题。
到这里了，高精度定位绝对位置的倚天和屠龙都已经亮出来了，我们看看首先是RTK在GPS信号和基站信号可实现2-30cm和IMU惯性导航，可以弥补GPS定位缺陷，准确感应定位和车身姿势，IMU全天候工作，受外界干扰小，短期精度和稳定性好，数据更新频率高，缺点是自动驾驶IMU成本需要很高。
其实这里也能看到RTK有许多痛点：
首先，用户购买终端硬件很贵。差异化技术和组件实际上是应用测绘行业，硬件成本高。
第二，用户需要支付服务费才能获得差异修正数据，这笔钱应该交给基础增强网络运营商。
第三，用户需要向用户端和增强系统之间的数据传输支付通信流量费，这笔钱应该交给4G运营商。
第四，数据保密，基础增强网络是双向数据，运营商将自动获取用户位置数据。
第五，使用范围有限：仅在差分站的覆盖范围内，实际上保证可用信号的范围仍然非常有限。
第六，由于技术复杂，维权法律难以取证。事故发生后，卫星网络、基础增强网络、3G/4G在运营商和终端设备供应商之间很难区分责任。
综上所述，从车厂和用户的角度来看，最关键的痛点是:
用户终端硬件很贵
需要支付服务费和通信费:获取差异修正数据
使用范围有限：差分站和通信网络覆盖范围内
除此之外RTK这样的屠龙，还有葵花宝典RAC技术。最近的2020智能网联汽车C-V2X新四跨和大规模试点应用示范活动在上海国际汽车城试验场进行。新四跨大规模试验验证的17个实现道路协调的场景大多要求车辆具有高精度的实时定位能力。高精度卫星定位已成为不依赖车载雷达和视觉的不可或缺的技术解决方案。
在新四跨大规模实际道路测试和现场公开演示中，百度Apollo，PSA许多制造商经过大规模测试选择搭配RAC，驾驶精度和驾驶体验都验RTK，高度评价体验专家和媒体。
RAC多阵列天线接收GPS通过算法提高信号的精度。
用户用户使用RAC的BOM成本低，没有差异修正数据支持，所以不需要流量成本，数据可以很好地保密，只有用户和汽车工厂，使用范围广，在城市环境、树木覆盖、高架桥下，RAC动态稳定性鲁棒性比RTK好。
相对定位高精度定位
绝对位置定位以地球为参考系统，相对位置定位以当前驾驶场景为参考系统，相对位置定位理念更类似于人类驾驶过程：人类驾驶员通过视觉观察周围场景中的物体，包括建筑物、路缘体，经过对比判断车辆在当前场景中的位置。
类似的，自动驾驶汽车通过高清摄像头、激光雷达等感知设备获取周围场景内物体的图像或反射信号，将其与事先采集的高精度地图数据进行匹配，从而获得车辆当前位置的精确估计。
相对位置定位可以分为（激光雷达）点云匹配和视觉定位两大技术路线。点云匹配以激光雷达为核心；激光雷达向外发射激光脉冲，从地面或者物体表面发射形成多个回波返回进行匹配，实现汽车当前场景的高精度定位。目前主流的匹配算法包括概率地图与NDT（正太分布变换）算法两种，代表玩家如google、HERE、TomTom。
视觉定位以摄像头为核心，分为两种路径：视觉匹配和视觉里程定位，视觉匹配通过提取图像中的道路标识、车道线等参照物体与高精度地图进行匹配，实现精准定位，代表玩家如特斯拉、Mobileye、英伟达。基于视觉里程算法的定位技术以双目摄像头为主，通过图像识别以及前后两帧图像之间的特征关系来计算车辆当前的位置，但该方案依赖摄像头的成像质量，在光线不佳、视线遮挡等环境下定位可靠性有待考量，一般不会单独使用。
如何利用高精度地图和高精度定位来进行“导航”
当前自动驾驶导航过程可以简要分为三个阶段：路线级规划、车道级规划、自动驾驶控制。路线级规划通过导航地图确定具体行驶路线，考虑交通方式、路线距离、交通状况、途径地点等，是点到点的粗略规划。车道级规划依靠高精度地图，根据给定的路线确定具体的形式方案，包括车辆起步和停止、速度限制、车道保持与变道、车道坡度等。在自动驾驶控制阶段，系统依据具体的行驶方案控制汽车，实现自动驾驶。
具体到自动驾驶的控制，我们可以将自动驾驶流程分为“感知层-决策层-执行层”，高精地图横跨“感知层”和“决策层”。在感知层，车辆通过摄像头、毫米波雷达、激光雷达等设备获取周围场景信息，实现周围感知；将周围场景信息与高精度地图进行比对，确定车辆相对位置，并通过GNSS、RTK 定位、惯性导航系统确定自身姿态、速度和绝对位置，共同实现自我感知。感知信息进入决策层，算法将依据高精地图、车联网技术提供的多维度信息对具体驾驶问题做出判断、输出车辆控制信号并交给执行层执行。
①感知层首先要感知周围环境，高精地图用于环境感知，能够与激光雷达、摄像头等感知设备输出结果形成冗余，提高识别的准确度。此外，高精地图信息能够为感知设备识别提供辅助信息。例如，通过高精度地图，已知汽车在当前位置附近有红绿灯，再通过摄像头、雷达设备感知该红绿灯存在的准确率能够有所提升。
②除了感知周围环境，自动驾驶的车辆同时要实现自我感知，即知道“我在哪”。利用高精度地图&高精度定位（绝对位置+相对位置）是自动驾驶汽车定位解决方案的定位模式。
以激光雷达点云匹配的定位方案为例：一方面，车载激光雷达扫描获得点云数据，并提取数据中包含的环境特征；另一方面，车辆从“ GNSS + RTK + IMU ”定位组合中获得车辆位置的预测值，从高精地图中获取该位里附近的环境特征，之后将扫描识别的环境特征与高精地图记述的环境特征做匹配融合，获取车辆当前场景下精确的位置信息。高精定位方案中，共有三部分相互重盈的定位子系统：
一、卫星定位，包括RTK 定位技术、地基增强网络等；
二、航位推算引擎，包括 IMU 、车身里程计、以及车辆控制系统的总线信息；
三、基于高精地图的相对位置。
三部分之间信息相互藕合，结果相互冗余，从而保证定位的精度和可靠性。
我们来看看行业最具代表性的百度Apollo 2.0的多传感器高精度定位的实现方式。
按照百度 APollo的划分，适用于自动驾驶汽车的定位技术可由六部分组成，分别为：惯性导航（定位）、卫星定位、磁力导航（定位）、重力导航（定位）、激光点云定位、视觉定位。不同部分之间优势互补，定位结果之间相互重叠以矫正误差，提高定位精度和鲁棒性。
以 Apollo2.O 多传感器融合定位模块为例，以IMU为基础的惯性导航解算子模块、以地面基站和车端天线为基础的 GNSS 定位子模块、以及以激光雷达、高精地图为基础的点云匹配子模块相互融合，输出一个 6 DOF（自由度）位置和姿态信息，并且融合结果反馈给 GNSS 定位和点云定位子模块，提高两定位模块的精度。在该框架中， GNSS定位模块向系统提供车辆绝对位置信息，而点云定位模块向车辆提供相对距离、相对位置信息。
③感知完周边环境和自我位置之后，高精度地图接下来用于进行决策支持。在规划与决策层面，高精地图除了用于自动驾驶汽车车道级别的线路规划外，还能够为决策和识别算法提供支持。例如，当车辆驶近人行横道——高精地图上标注的“兴趣区”时，识别算法将提前进行模型比较，提高对各类行人姿态的识别准确率，同时降低车速，避免事故的发生。
由于自动驾驶需要极高的安全性，因此系统的鲁棒性非常重要，由于摄像头、激光雷达、毫米波雷达、高精度地图都有信息缺失或者不能及时获取的可能，因此各种传感器的信息相互补充，互为冗余就非常重要了。高精地图和感知层（激光雷达、毫米波雷达、摄像头）一起构成了信息冗余的组成环节，信息冗余确保自动驾驶的鲁棒性。高精地图提供的部分道路和环境信息，例如道路细节信息、交通标志等，与自动驾驶汽车通过摄像头、激光雷达等感知设备获取的信息存在重叠，达到“信息冗余”状态。一方面，冗余信息确保车辆在遇到恶劣环境、信号不佳、识别错误等非常规状况时能够依靠多余信息实现正确驾驶决策，确保自动驾驶的“鲁棒性”。另一方面，信息冗余为相对位置定位提供支持。通过将实时感知信息与高精地图信息进行对比，汽车可以获取当前行驶的相对位置，与基于GNSS 等技术手段的绝对位置定位互补，构成另一层次的“信息冗余”。
到这里为止，就讲明白了高精度地图，高精度定位，怎么通过传感器的融合和冗余实现高精度地图的感知、定位、决策的整套流程。