根据车载传感器检测到的广告牌、红绿灯、墙上的标志、地上的标志（停止线、箭头等），与高精地图提供的同一道路特征（POI）进行匹配，进而修正纵向定位和航向。在没有检测到任何道路特征的情况下，可以通过航位推算进行短时间的位置推算。

无人车的定位算法通常采用粒子滤波的方法，需要多个计算周期后，定位结果才会收敛，进而提供一个相对稳定的定位结果。粒子滤波的算法原理我会在随后的系列文章中介绍。

2、图像增强型定位。通常是将Lidar和视觉系统结合进行定位。 这种方法需要预先准备一幅激光雷达制造的3D地图，用Ground－Plane Sufficient得到一个2D的纯地面模型地图，用OpenGL将单目视觉图像与这个2D的纯地面模型地图经过坐标变换， 用归一化互信息（normalizedmutual information）配准。然后用扩展卡尔曼滤波器（EKF）来实现定位。

3、是用激光雷达的强度扫描图像。激光雷达有两种最基本的成像方式，一是3D距离成像，可以近似地理解为点云；二是强度扫描成像，激光经物体反射，根据反射强度值的不同，可以得到一副强度成像图像。强度值是包括在点云里的，光强分离核心技术之一。这种定位方法需要预先制作一个特殊的SLAM系统，称之为位姿图像SLAM（Pose－GraphSLAM），勉强可看作激光雷达制造的高清地图。有三个约束因素，一是扫描匹配约束，二是里程计约束，三是GPS先验约束。激光雷达的3D云点地图抽出强度值和真实地面（Ground Plane），转化为2D的地面强度扫描图像。与位姿图像SLAM配对后即可定位。

另外还可用高斯混合地图进行定位，即在遇到恶劣环境，比如很厚的积雪，雪后还有残雪的泥泞的道路，缺乏纹理的老旧的被破坏的道路，用高斯混合模型来做定位，提高激光雷达定位的鲁棒性。

4、Mobileye提出的REM。REM是一种无需SLAM的定位方法，但显然只是视觉SLAM的变种而已，Mobileye通过采集包括交通信号、方向指示牌、长方形指示牌、路灯及反光标等「地标」，得到一个简单的 3D 坐标数据；再通过识别车道线信息，路沿，隔离带等获取丰富的 1D 数据。把简单的 3D 数据和丰富的 1D 的数据加起来，大小也不过是 10Kb／km，摄像头的图像与这种REM地图中匹配即可定位。Mobileye这种设计毫无疑问是成本最低的，但前提是至少有上千万辆车配备REM系统，能够自动搜集数据并上传到云端，有些路段或者说非道路地区，没有装载REM系统的车走过，就无法定位。

不过这种方法让人有以下几点存疑：

在全球范围内让装载REM系统的车走遍每一寸土地是不可能的。这可能牵涉到隐私问题，也牵涉到数据版权问题，这些数据的版权究竟归谁，是车主还是车企还是云端的服务商，还是Mobileye？这个问题很难说清。

同时REM的数据要及时更新，几乎要做到准实时状态，同时光线对数据影响明显，REM要滤除那些不合适的数据，所以维持这份地图的有效性需要非常庞大的数据量和运算量，谁来维护这个庞大的运算体系？

最致命的一点，REM是基于视觉的，只能在天气晴好，光线变化幅度小的情况下使用，这大大限制了其实用范围，而激光雷达可满足95％的路况。

以上只是一般常见的定位方法，当然，具体的定位手段有多种，多个传感器可根据定位方法进行随意组合。融合方案的定位精度会优于单一传感器，一个传感器在某种环境失效，补充传感器能顶上。例如市面上常见的一些多传感器融合的定位手段有：

1． 自动驾驶 GPS＋IMU＋里程计

GPS 给出的全局锚定，可以消除累计误差问题，不过它的更新频率低，并且信号容易被遮挡。 IMU和轮盘里程计更新频率高，不过有累计误差问题，最容易想到的是收到GPS定位，使用GPS位置信息，误差就是GPS的精度，在下一次收到GPS定位间隔中，使用IMU（角度累加）和里程计（位移累加）进行位姿累加，中间的位姿误差是初值GPS定位误差和中间累加误差的积累。

改进的方法是使用非线性卡尔曼滤波，在收到GPS位置信息的时候，要结合IMU和里程计的积累预测值和GPS观测值，算出一个误差收敛的更优的位置估算值。

2． 自动驾驶 GPS＋ 多线雷达＋高精地图匹配

GPS 给出全局锚定，中间使用雷达SLAM 前端里程计做累加，可以配合高精地图的图匹配，做类似后端回环优化的方式，将GPS、激光雷达及已知地图进行融合定位。

3． 自动驾驶多对双目视觉摄像头SLAM方案

这种方案成本低，更加考究的是算法，有很少的自动驾驶公司宣称自己主攻纯视觉方案，现在不是主流。

4． 单线雷达＋IMU＋里程计融合

满足室内定位的要求，个人理解可以分为浅融合和深融合。浅融合使用IMU＋里程计的累加值作为推算雷达里程计的初值，在这个初值基础上进行连续帧的扫描匹配，会大大加速匹配速度。深融合会结合IMU和里程计的值作为约束条件，应用到后端回环约束矫正中。

5． 深度摄像头＋ IMU 融合

目前在手机的VR应用中已经初见端倪，如苹果公司的IphoneX以及Google 已经发布一段时间的Tango项目。深度视觉SLAM 与 IMU 进行深浅融合，达到一个比较不错的VR体验。

无人驾驶对可靠性和安全性要求非常高，除了GPS与惯性传感器外，我们通常还会使用LiDAR点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的效果。相信随着自动驾驶技术的发展，未来的定位技术也不会不断优化。