描述
自动驾驶算法使用的系统往往不是实时系统，因此每个节点间拿到的数据可能不是同一时间的数据，从而造成系统误差，针对这一现象，工程上往往采用时间对齐内插外推法。这里我们用感知障碍物来举例。
自动驾驶系统有许多重要模块，假设每个模块占用一个进程，即节点，那么进程与进程间需要相互通信来传递数据。决策规划节点需要感知节点传来的障碍物信息来做决策规划。假设在 t 1 t1 t1时间点，决策规划收到了感知障碍物的数据，但这个障碍物的位姿一定是在 t 1 t1 t1时间点的位姿吗，不一定，因为不是实时系统，数据传输存在延时，所以决策规划在 t 1 t1 t1时间点收到的感知障碍物数据很可能是更早的 t 0 t0 t0时间点的数据，这个时间错位可能是几毫秒到几十毫秒，这个时间错位对高速场景可能最终导致障碍物实际距离差出了几米。所以针对这种非实时系统导致的时间错位的情况，我们需要进行时间对齐，内插外推出感知障碍物更准确的位姿。
具体做法
因为感知和定位的需要，自动驾驶系统中往往存在一个全局里程计odometry，odometry是个相对概念，并不代表车辆真实的utm位姿，只是反映了不同时间点位姿的变化过程，这个里程计由translation和rotation组成，反映了车辆x y z yaw pitch roll六个维度的变化。
-
在决策规划节点里，我们需要记录odometry历史到现在的一段时间轴，时间轴设置几秒即可，因为延时不会太大，时间轴长了反而会降低程序效率。
-
假设在 t 1 t1 t1时刻，决策规划拿到了感知障碍物的数据，那么先读取感知障碍物自带的时间戳，假设为 t 0 t0 t0，这个时间戳是感知发布那一帧信息时打的，这个时间戳往往比此时决策规划的现在的时间更早，因为信息传递需要时间。拿到这个时间戳后，在第1步里记录的时间轴里去找对应的odometry的位姿，并记录为 p o s e 0 pose0 pose0
-
根据此时的 t 1 t1 t1时刻，在时间轴里去找对应的odometry的位姿，并记录为 p o s e 1 pose1 pose1
-
由 p o s e 0 pose0 pose0和 p o s e 1 pose1 pose1可计算出从 t 0 t0 t0时刻到 t 1 t1 t1时刻的位姿转移变化矩阵，记为 t f tf tf
-
将 t f tf tf施加到 t 0 t0 t0时刻感知障碍物的位姿上，得到的结果是 t 0 t0 t0时刻感知障碍物在 t 1 t1 t1时刻时相对于本车的位姿
-
因为障碍物可能存在速度，因此在做完tf转换后还需预测推理更准确的位置，这里我们采用最简单的cv预测(恒定速度预测)，注意在预测前还需对障碍物速度方向施加tf转换。预测时间为 t 1 − t 0 t1-t0 t1−t0
-
预测的距离方向施加在第5步得到的位姿上，即可得到 t 1 t1 t1时刻，相对于本车，更准确的障碍物车辆的位姿坐标