第一篇： System Introduction
第二篇：State of the Art
第三篇：localization
第四篇：Submapping and temporal weighting
第五篇：Mapping of Point-shaped landmark data
第六篇：Clustering of landmark data
第七篇：fusion of point-shaped landmark data
第八篇：fusion of complex landmark data
第九篇：fusion of areal data
第十篇：instaniation at the vehicle and backend sid
第十一篇：future work
第十二篇：Mathematical Nomenclature
对象之间关系序列进行随机复合
CVD地理参考，通过将车辆位置和相对于车辆给出的观测位置复合，将感知到的观测值引用到全局坐标系时，车辆定位的测量误差会累积。这需要一种方法来估计观测值相对于全球框架的位置，包括评估其质量。本篇采用一种现有的对对象之间关系序列进行随机复合的方法，该方法产生地理参考位置的均值和协方差。
精确的车辆定位
精确的车辆定位和捕获车辆轨迹对于CVD的准确参考及其随后的融合至关重要。车辆通常通过基于卫星的方法进行定位。然而，众所周知，基于卫星的精确车辆定位具有挑战性，因为多个误差源会降低定位质量。电离层、不精确星历表和漂移卫星钟，它们主要分别产生4.0米的误差和2.1米的误差，可以看作是主要的误差源。此外，通过构思反射信号和延迟信号而产生的多径效应可能导致（特别是在（城市）峡谷中）进一步的定位误差约为 1.4 m。当总结这些误差源时，包括接收机的不精确性，总误差为 10.8 m的结果。对于协作构建高精度地图的用例，这显然是不够的。
以下是将提供的误差源及其对GPS和DGPS星历表的影响整理成的表格形式：
| 误差源 | GPS影响 (米) | DGPS影响 (米) |
|---|---|---|
| 卫星时钟 | 2.1 | 0.1 |
| 电离层 | 4.0 | 0.2 |
| 对流层 | 0.7 | 0.2 |
| 多路径 | 1.4 | 1.4 |
| 接收器 | 0.5 | 0.5 |
| Σ 总计 | 10.8 | 2.5 |
请注意，DGPS（差分全球定位系统）通过比较一个或多个已知位置的接收器的测量值来消除或显著减少许多类型的误差（如卫星时钟误差、电离层和对流层误差），因此其误差通常远小于常规GPS。然而，多路径误差和接收器误差通常是与接收器本身及其环境相关的，因此DGPS可能无法显著减少这些误差。
应对测量误差的一个有用信息是车辆可以执行的受限运动类型。像SLAM方法将用于融合点形/复杂的地标数据，它结合了车辆运动模型。过去已经提出了几种运动模型。使用线性与圆形车辆运动模型的优缺点将会详细阐述。
全局坐标系
CVD地理参考的另一个方面是，通过将车辆位置和相对于车辆给出的观测位置复合，将感知到的观测值引用到全局坐标系时，车辆定位的测量误差会累积。这需要一种方法来估计观测值相对于全球框架的位置，包括评估其质量。
例子：在计算机视觉和自动驾驶系统中，使用相机、激光雷达（LiDAR）或其他传感器进行环境感知时，将观测到的数据（如目标位置、障碍物等）从车辆局部坐标系转换到全局坐标系（如地理坐标系）是一个重要步骤。这个过程中，车辆自身的定位精度会直接影响到观测值在全局坐标系中的位置精度。
此时通过DGPS可以减轻许多这些误差，例如不精确的星历表、漂移卫星时钟和电离层/对流层误差，从而产生大约2.5米的整体定位误差。然而，DGPS是以校正数据为基础的，这些数据通常来自地面参考站网络，并且需要在处理之前传播到车辆侧。对于校正数据的大规模传播，蜂窝网络是注定的。然而，众所周知，蜂窝网络会出现白点，从而阻止通过DGPS实现无间隙的精确车辆定位。
因此，目前的研究主要集中在其他渠道向车辆侧提供校正数据的适用性上。例如，DAB的数据通道已被确定为一种有前途的替代方案。但是，DAB网络受到与蜂窝网络类似的覆盖限制的影响。理想的解决方案有望在全球范围内发挥作用，提供（接近）大地测量级的定位精度，并且对普通车辆具有商业可行性。
处理链中克服这些问题的方法是离线处理。GNSS原始数据由车辆传播到后端，作为采集的CVD的一部分。在后端，接收到的GNSS原始数据在考虑GNSS校正数据的情况下进行后处理。这种方法有两个关键的好处。首先，影响校正数据在线可用性的蜂窝白点现在可以被认为是没有问题的。其次，通过后处理，可以实现更精确的定位，因为可以一次检查整个轨迹，并且可以通过这种方式更恰当地解决歧义。
多点定位
多点定位从测量信号中产生位置坐标。通过对以适当采样率进行的一系列测量应用多点测量，可以立即在线获得车辆轨迹。
多点测量决定了GNSS接收机与多颗GNSS卫星之间的距离，即所谓的伪距φipr，∆tq，i“1，......n， n 卫星数量，SI表示第i个卫星位置，是接收器的位置，C表示光速，∆表示卫星和接收器时钟之间的差值。
通常，非线性伪距方程通过一阶泰勒级数线性化，以便以有效的方式求解它，例如通过 QR5。
如果必须在三维空间中确定接收器的位置 r，则至少需要四个卫星观测 si，因为还需要解析接收器和卫星时钟之间的时差∆。生成的系统。
IGS 提供的不同轨道和时钟产品根据其精度、延迟和采样率与广播产品相反。在三维情况下，接收器的绝对位置 r 的方程由下式给出。
φmeas。 i 表示 GNSS 接收机测量的伪距。方程组被允许被过度确定。这在同时观测到四颗以上卫星的情况中是相关的。线性化方程组的解可以以有效和稳健的方式确定，例如，通过QR。有关详细信息，请参阅 Kaplan 和 Hegarty。
在实践中，基于GNSS的定位的在线解决方案通过整合有限数量的先前测量值而变得强大。为此，通常使用滤波技术，例如（E）KF6。这些方法的一个组成部分是运动模型。车辆运动建模的各个方面将是本节的主题。
如前所述，离线处理方法的第一步是将GNSS原始数据从车辆传输到后端，作为获取的CVD的一部分。在后端，接收到的GNSS原始数据在考虑GNSS校正数据的情况下进行后处理。提供了 GNSS 离线处理方法的顶层视图。其核心是具有以下接口的后处理过程。
后处理采用所谓的PPP，该PPP7在最近十年中出现，用于基于GNSS的精确定位，并且被认为非常适合对GNSS原始数据进行后处理。基于PPP的GNSS定位同时考虑了GNSS代码和相位测量，并且确实使用精确的星历表和时钟，而不是卫星广播的星历表和时钟[65]。这两项调整都旨在显著提高定位的准确性和鲁棒性。例如，精确的星历表和时钟可以从IGS8获得，IGS8从全球分布的参考站网络中获得它们。通过使用精确的卫星星历表和时钟代替广播星历表和时钟，总体定位误差可以减少约4.2米。上图概述了 IGS 提供的不同产品，以及相应的精度和延迟。IGS提供潜伏期约为3-9 h的超快速校正数据，12-18 d后提供最终校正数据。后处理根据原始数据流和校正数据的子序列确定系统状态流，并可选择由 egomotion 数据支持，以补偿潜在的中断和错误。它是通过对原始数据流和校正数据的子序列进行过滤来执行的。过滤可以向前、向后和组合方式应用。
