車載多傳感器融合定位方案：GPS +IMU+MM

導讀

高德定位業務包括雲上定位和端上定位兩大模塊。其中，雲上定位主要解決Wifi指紋庫、AGPS定位、軌跡挖掘和聚類等問題；端上定位解決手機端和車機端的實時定位問題。近年來，隨着定位業務的發展，用戶對在城市峽谷（高樓、高架等）的定位精度提出了更高的要求。

特別是車機端定位，因爲定位設備安裝在車上，一方面，它能夠搭載更豐富的定位傳感器來解決特殊場景的問題，另外一方面，各個傳感器之間相互固連，有利於高精度的算法設計。這兩點爲車機端進一步提升導航精度的提供了可能。

城市峽谷一直是車機端定位的痛點。緣由是城市峽谷的環境使用戶沒法接收到GPS信號或GPS信號受干擾，致使GPS無定位結果或定位精度差。這是「有源定位」固有的缺點，沒法從算法上來克服。

針對這個問題，以GPS+IMU的多傳感器融合方案愈來愈受到重視，由於「無源定位」的IMU剛好能夠彌補GPS的短板。此外，車機還能夠搭載里程計、視覺設備造成更豐富的多傳感器融合方案。

對高德而言，地圖數據是定位業務的靈魂。多傳感器融合只是定位業務中的一部分，如何把多傳感器與地圖數據結合起來，始終是咱們在思考的問題。

針對車機應用，咱們使用GPS、IMU、里程計等傳感器，結合高德地圖的地圖優點，提出了一種結合地圖匹配（Map Matching）的多傳感器融合算法——GPS/IMU/MM融合（軟件+硬件的解決方案）。

本文概述了車載多傳感器融合定位項目背景，該項目確立是爲了向用戶提供好的導航定位服務。爲了解決用戶反饋的三大痛點問題：偏航重算、沒法定位和抓路錯誤，結合算法和數據，提出了一套軟件+硬件的解決方案。最後，用實測數據驗證對用戶反饋問題的改善程度。

車載應用的痛點

• 偏航重算：是指在高架或城市峽谷，信號遮擋引發位置點漂移；
• 沒法定位：是指在無信號區域（停車場、隧道）推算的精度低，致使出口偏差大；
• 抓路錯誤：是指主輔路、高架上下抓路錯誤。

其中，致使偏航重算和沒法定位直接緣由是GPS定位精度差和DR航位推算精度差。GPS定位精度由觀測環境決定，難以改善；DR航位推算精度與DR算法性能有關，尤爲是里程計系統偏差和陀螺零偏的標定精度。對於抓路錯誤，直接緣由是正確道路與誤抓道路相隔太近，受定位精度限制沒法區分；根本緣由是隻使用位置信息進行抓路，沒有發揮其它數據的價值。

相關名詞

GPS(GlobalPositioningSystem)：指美國國防部研製的全球定位系統。用戶設備經過接收GPS信號，獲得用戶設備和衛星的距離觀測值，通過特定算法處理獲得用戶設備的三維座標、航向等信息。使用不一樣類型的觀測值和算法，定位精度爲釐米級到10米級不等。GPS的優勢是精度高、偏差不隨時間發散，缺點是要求通視，定位範圍沒法覆蓋到室內。

IMU(Inertial measurementunit)：指慣性測量單元。包括陀螺儀和加速度計。陀螺儀測量物體三軸的角速率，用於計算載體姿態；加速度計測量物體三軸的線加速度，可用於計算載體速度和位置。IMU的優勢是不要求通視，定位範圍爲全場景；缺點是定位精度不高，且偏差隨時間發散。GPS和IMU是兩個互補的定位技術。

MM(Map matching)：指地圖匹配。該技術結合用戶位置信息和地圖數據，推算用戶位於地圖數據中的哪條道路及道路上的位置。

技術方案

車機融合定位項目解決的是道路級的定位問題，受限於硬件性能，目前市場上通用的技術方案有兩種，以下表1所示：

這兩種技術方案涉及到3種技術手段，在場景覆蓋和精度上，它們各有所長，互相補充。如表2所示：

表1代表，目前市面上存在的通用方案並不能徹底解決偏航重算、沒法定位和抓路錯誤這三個問題，尤爲是抓路錯誤。爲此，在技術層面上，咱們將兩套通用方案進行融合，提出了一套軟+硬（GNSS+MM+DR）方案；在算法層面上，依靠高德的數據優點，以數據融合模塊爲核心，一方面提升定位結果可靠性，彌補硬件性能上的不足，另外一方面對抓路錯誤問題進行專門的算法設計。

更進一步，將用戶反饋的三個問題解構爲算法上解決的三個問題：器件偏差標定、場景識別和數據融合。如圖所示：

功能模塊

車機融合定位包括數據適配層（DataAdaptive Layer）、算法支撐層(Aided Navigation Layer)和融合層(NavigationLayer)。數據適配層負責將不一樣輸入標準化、將信號同步；算法支撐層計算中間結果，爲融合層服務；融合層是整個系統的核心，它負責融合算法支撐層輸出的數據，獲得可靠的導航信息。圖3列出了各層所處位置及每一個層的具體功能模塊：

下面，將功能模塊分爲基礎模塊和特點功能兩個部分分別進行介紹。

基礎模塊

GPS質量評估

GPS質量評估模塊的功能是計算GPS位置、速度、航向角和全局可靠性指標。根據可靠性指標的大小將其投影到狀態空間（GOOD、DOUBT、BAD、ABNORMAL）中，狀態空間的值表徵GPS數據質量的好壞。如圖所示：

評估GPS質量有兩個目的：第一，決定是否使用GPS數據進行器件偏差標定或某些狀態的判斷（如轉彎行爲、動靜狀態等）；第二，在數據融合模塊，爲設定GPS觀測量的方差—協方差陣提供參考。

器件補償

無GPS信號環境時，定位只能依靠DR算法。DR算法精度主要取決於IMU（陀螺儀和加速度計）和測速儀的偏差，陀螺儀偏差將引發位置偏差隨時間的二次方增加，測速儀偏差將引發位置偏差隨時間線性增加，如圖5所示：

爲改善無GPS信號環境的定位精度，必須進行器件偏差補償。

補償模塊的主要功能是利用GPS數據來補償速度敏感器偏差參數（比例因子）和IMU的偏差參數（陀螺儀天向比例因子和陀螺儀三軸零偏）。補償的目的是在無GPS信號或弱GPS信號的場景，僅靠DR算法也能獲得較爲可靠的導航信息。

DR算法

DR(DeadReckoning，航位推算)算法是指已知上一時刻導航狀態（狀態、速度和位置），根據傳感器觀測值推算到下一時刻的導航狀態。DR算法包括姿態編排和位置編排兩個部分。

姿態編排使用的是AHRS（Attitude andheading reference system ）融合算法，處理後輸出車機姿態信息。姿態編排流程如圖6所示：

位置編排是指結合姿態編排結果，對測速儀觀測值進行積分後獲得車機位置。

融合算法

車機融合定位項目使用了GNSS、MM和DR三項技術，每項技術可以提供所有或部分車機導航信息，如表3所示。以位置信息爲例，GNSS、MM和DR都輸出車機位置，但因爲不一樣技術手段有各自的偏差源，導致不一樣技術的定位結果並不相同。

所以，融合算法有兩個目的：第一，將不一樣技術的導航信息融合成惟一導航信息，使之可靠性高於未融合前的；第二，估計器件偏差（陀螺儀零偏、測速儀尺度偏差和導航偏差等）。

融合算法基於Kalman濾波實現，其關鍵在於模型創建和模型參數設置。Kalman濾波模型由狀態轉移方程和觀測方程構成。狀態轉移方程表示相鄰導航狀態之間的轉移關係，它經過構建導航偏差微分方程實現；模型參數是指狀態轉移噪聲和觀測噪聲，觀測噪聲的設置與GPS質量評估模塊相關。

經Kalman濾波處理後，獲得導航偏差的最優估值，如圖7所示。即通過補償獲得了導航信息的最優估值。

特點功能

主輔路識別

以往的主輔路識別策略是經過DR輸出的位置和方向與兩條候選路的關係，選擇最接近的候選路做爲輸出。但對於道路級定位系統而言，DR輸出偏差與兩條路的差別在同一量級，誤判的機率較高，因此，須要從一些駕駛特徵來解決此問題，例如，路口附近的轉彎、變道等。

如圖所示，具體步驟爲：

• 提取駕駛行爲特徵，求特徵信息的轉移機率；
• 根據DR精度分類計算卷積和，求最終機率。

高架識別

過去，高架識別策略是經過高程積分和閾值法來判斷，識別效果受坡角偏差和速度偏差的影響。其中，速度偏差與高程積分偏差成正比，是影響高架識別準確率的主要緣由。爲克服這一缺點，咱們結合MM技術，計算道路坡度與輸出pitch角的接近程度，以免引入速度偏差。高架識別流程如圖所示：

停車場識別

停車場識別是新增模塊，是停車場定位導航的前置工做。停車場定位導航的主要目的是將車機用戶導航到指定的停車位，其中涉及到室內外場景地圖切換、層與層地圖切換和導航等一系列問題。停車場識別的目的就是爲這地圖切換提供支持。

停車場內容包括進出停車場識別和跨層識別。進出停車場識別是指利用停車場無GPS信號、上下坡、低速、高程變化等一系列特徵判斷車機是否進出停車場。停車場跨層識別是指利用上下坡、高程變化等特徵判斷車機是否在停車場內有跨層行爲。識別流程如圖所示：

效果

爲驗證本項目算法的效果，咱們採集了實測數據，並從如下兩方面驗證：

• 驗證算法對用戶痛點問題（偏航重算、沒法定位和）的改善程度；
• 與競品及高德手機定位端產品性能的比較。

融合抗漂

針對高架和城市峽谷的偏航重算（位置漂移）問題，車機算法作了如下兩點改進：

• 多元參考：結合運動趨勢、傳感器信息和地圖數據，將GPS可靠性歸一化；
• 場景分類：參考地圖道路屬性和GPS信號分佈判斷是否有遮擋。

在高架下采集兩圈數據，使用車機軟件和市場某款同類軟件進行處理，效果如圖14所示。從近半年的測試來看，在GPS受遮擋的場景下，本項目的抗漂能力明顯優於傳統方案。

器件標定

爲驗證有無陀螺儀動態零偏估計對DR方向和位置解算精度的影響，本項目採集瞭望京soho停車場的數據，經解算，效果以下。測試代表，經動態零偏補償後，DR精度明顯提升：

• 零偏：動態零偏估計保證陀螺儀偏差量級爲0.01度/s；
• 方向：停車場出口出的方向偏差減少至40%之內，方向精度提高2倍以上；
• 位置：停車場出口處的位置偏差減少至25%之內，位置精度提高4倍以上。

主輔路識別

爲計算主輔路識別的成功率，統計了近千條主輔路的識別效果，識別率達到90%以上，大於某廠商產品的75%。

橫/縱向對比

最後，咱們與市面的中高端競品進行了橫向對比，與高德手機端定位產品進行了縱向對比。橫向對比結果代表，在器件成本不到競品成本10%的狀況下，不超過某一閾值的位置偏差、方向偏差和速度偏差的佔比均在90%以上，相對競品，提升了1%~5%。主輔助路識別準確率優於90%，相對於競品提升了15%。

縱向對比結果代表，在不一樣場景（高架，城市峽谷，環島，停車場出口等）下，不超過某一閾值的位置偏差佔比提高15%~60%不等，這是由於車機算法對特殊場景（無GPS或弱GPS場景）進行了專門的算法設計和優化。全場景下的位置偏差佔比提高約20%。

小結

針對用戶提出的三大痛點問題，本文結合多傳感器融合和地圖匹配，提出了一套車載多傳感器融合定位方案，並應用於實際，提升了在城市峽谷中的定位精度，而且取得了不錯的效果。

然而，城市峽谷的定位精度問題很難完全解決，它彷佛是一個沒有終點的難題。爲此，站在用戶的角度，咱們須要不停思考：須要什麼樣的傳感器技術、應該設計什麼樣的算法、如何挖掘數據的最大價值。

關注高德技術，找到更多出行技術領域專業內容