本地化是自动驾驶汽车的一项关键功能，它可以在地图内数厘米内精确定位其位置。 

这种高水平的准确性使自动驾驶汽车能够了解其周围环境并建立道路和车道结构感。借助本地化功能，车辆可以检测到车道何时分叉或合并，规划车道变化并确定车道路径。

DRIVE Localization通过将车辆环境中的语义地标与高清地图中的特征进行匹配来确定精确的实时位置，从而实现精确定位。在这个DRIVE Labs中，我们展示了我们的定位算法如何将使用传感器实现高精度和鲁棒性成为可能。

精确定位导航

本地化功能可在高清（HD）地图内提供无人驾驶汽车的3D动作，包括3D位置、3D方向及其不确定性。与GPS导航地图不同，无人驾驶汽车的定位相对于地图具有更高的精度要求，通常在几厘米到几厘米之间。

鉴于实时感知的快速发展，本地化到HD地图的价值可能不会立即显现。但是，当定位到高清地图时，汽车可以根据超出其当前视野的信息来做出决策。

例如，地图可以向汽车发出信号，告知当前车道将沿道路某些方向终止。然后，汽车可以在有空间的任何位置退出车道，并入到相邻车道中，这避免了潜在的危险。 

本地化为HD地图还可以使自动驾驶汽车将地图中其他附近车辆的行为环境化。例如，在一个十字路口，它可以识别出迎面驶来的汽车在左转弯车道上并且不会直行，从而可以安全地执行无保护的左转弯。 

大众市场解决方案

自动驾驶汽车通常使用成本高的惯性传感器和GNSS传感器以及激光雷达来实现精确的定位。当使用这些昂贵、精确的传感器时，由于先验的准确性和激光雷达数据提供的大量信息，在地图上对汽车进行定位非常简单。要实现传感器（如摄像机和低成本惯性GNSS和CAN传感器）的在大众市场的普及，需要大量创新。 

为了容纳来自大众市场传感器少得多的、甚至嘈杂的数据，DRIVE Localization考虑了许多潜在的功能对应关系。通过将环境的高清地图与来自摄像机数据的检测结果叠加在一起，可以对候选动作进行评分。然后，该模块并行评估数千个候选动作，对地图中的要素与一帧可视数据之间的匹配进行评分。 

如果特征检测嘈杂，则单个摄像机帧的最佳动作可能会模棱两可。因此，该模块还依赖于动作的时间交叉检查。在这些采样和交叉检查的动作之上，采用了过滤器。  

该算法的计算需求非常苛刻，但是该设计是完全针对NVIDIA Xavier片上系统和GPU并行处理量身定制的，而NVIDIA DRIVE AGX平台可以高效地进行处理。我们算法的鲁棒性使其能够在具有挑战性的环境中工作，例如夜间，下雨天和大雾天，以及像隧道一样的GNSS拒绝区域，即使只有一台摄像机也可以。

冗余与多样性

DRIVE Localization可以独立地与一台或多台摄像机，雷达或激光雷达一起使用。每个传感器模态本身都提供可直接使用的准确输出。此后，可以融合来自这些单个输出的本地化以提供单个甚至更可靠的输出。 

通过检查不同定位输出之间的一致性，使用多种传感器的能力提供了额外的安全性。例如，如果一个传感器的校准失败，或者传感器的功能受到雨天或雪天等恶劣天气条件的严重影响，则这些传感器的定位结果将与其他传感器明显不同。 

DRIVE Localization可以检测到这种异常，并且仅从一致的传感器输出中生成融合结果。通过利用这种类型的冗余，自动驾驶汽车可以实现更高的安全性。

除摄像机本地化外，DRIVE Localization还可以与雷达（顶部）和激光雷达（底部）一起使用。在顶部图像中，蓝点是实时雷达响应。底部图像显示了激光雷达反射率图像和实时激光雷达点（绿色）。

DRIVE Localization的一个示例是同时融合来自摄像头，雷达和激光雷达的本地化结果。