Update readme.md

UMCar/readme.md

@@ -68,15 +68,51 @@
 
 * 惯性导航系统由陀螺仪和加速度计构成，通过测量运动载体的线加速度和角速率数据，并将这些数据对时间进行积分运算，从而得到速度、位置和姿态。
 
+车辆速度 时间 初始位置 和 初始速度 车辆加速度。
+
+
+短时间内准确，长时间内，由于IMU数据飘逸，变得的不准确，可以和GPS结合
+
+
+
 * 轮速编码器与航迹推算.可以通过轮速编码器推算出自动驾驶汽车的位置。通常轮速编码器安装在汽车的前轮，分别记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数，可以推算出车辆向前走了多远，向左右转了多少度等。由于在不同地面材质（如冰面与水泥地）上转数对距离转换存在偏差，随着时间推进，测量偏差会越来越大，因此单靠轮测距器并不能精准估计自动驾驶汽车的位姿。
 
 * 卫星导航系统.目前全球卫星导航系统包括美国的GPS、俄罗斯的GLONASS、中国的北斗卫星导航系统。
 
+卫星 <---> 地面控制站 gps接收器。
+
+  时间*光速 距离 ，时间有误差
+
+
+差分GPS: 使用两个GPS定位装置，两者都有误差，通过两个数据差分，来消除误差
+
+实时运动定位 RTK， 通过地面基站计算GPS定位误差，gps接收器该误差来进行校正。
+
+缺点: 大型建筑物阻挡信号
+
+
 * SLAM 自主导航系统.目前主流有两种SLAM 策略。
 
 第一种是基于激光雷达的SLAM，以谷歌汽车为例。车辆携带有GPS，通过GPS 对位置进行判断，并以激光雷达SLAM 点云图像与高精度地图进行坐标配准，匹配后确认自身位姿。
 
-第二种是基于视觉的SLAM，以Mobileye 为例。Mobileye 提出一种SLAM 的变种定位方法——REM。车辆通过采集包括信号灯、指示牌等标识，得到了一个简单的三维坐标数据，再通过视觉识别车道线等信息，获取一个一维数据。摄像机中的图像与REM 地图中进行配准，即可完成定位。
+
+高精度地图定位，利用雷达数据和地图数据进行匹配，滤波算法定位
+
+gps不能正常使用时：
+
+车辆将其传感器识别的地标，通过坐标变换，与高精度地图数据进行匹配。
+
+距离三个地标的信息，来定位，三角定位，三个圆圈的交汇点。
+
+传感器 雷达数据获取的点云数据 和 MAP 利用点云匹配算法(ICP,迭代最近点)
+
+滤波算法定位，直方图滤波，kaman滤波
+
+
+
+第二种是基于视觉的SLAM，以Mobileye 为例。Mobileye 提出一种SLAM 的变种定位方法——REM。车辆通过采集包括信号灯、指示牌、车道线等标识，得到了一个简单的三维坐标数据，再通过视觉识别车道线等信息，获取一个一维数据。摄像机中的图像 与 高精度地图数据 进行配准，即可完成定位。
+
+粒子滤波定位， 使用检测出的地图点 匹配定位，多中粒子点可能性，最后真实位置，保留了下来。
 
 
 > 3.决策与规划
@@ -120,6 +156,12 @@
 
 同时，高精地图还需要有比传统地图更高的实时性。由于道路路网经常会发生变化，如道路整修、标识线磨损或重漆、交通标识改变等。这些改变都要及时反映在高精地图上，以确保自动驾驶汽车的行车安全。
 
+
+百度高精度地图 openDrive
+
+数据收集(实车带传感器实地跑) -> 数据处理（整理、分类、清洗） -> 目标检测分类(车道线、路标、交通标示、电线杆) -> 人工验证 -> 地图发布
+
+
 * 车联网V2X
 
 V2X 表示Vehicle to X，其中X 表示基础设施（Infrastructure）、车辆（Vehicle）、行人（Pedestrian）、道路（Road）等。V2X 网联通信集成了V2N、V2V、V2I 和V2P 共四类关健技术。