導航定位向高精定位的演進與實踐

導讀
地圖軟件如今已成爲人們出行必備的重要輔助工具。爲了實現準確的導航，首先必須準確肯定人或車的當前位置。所以，定位技術就是實現導航功能的基石。

本文較系統的介紹了手機、車機導航定位中使用的關鍵技術，以及高德地圖在這些關鍵技術中的進展。最後，討論了在傳統導航向自動駕駛的演進過程當中，定位技術的演進路徑。

1.導航定位框架

導航定位的核心業務目標是爲導航服務提供連續可靠的定位依據，包括：當前在哪條路上，是否偏離路線，距離下一個路口有多遠，等等。

爲實現這一目標，首先須要接收定位信號輸入。最多見的定位信號是GPS，其能夠提供全域米級精度（5~10m）的位置信息。在此基礎上，大部分手機同時配置了慣性傳感器（陀螺儀、加速度計）和磁力計，還有部分手機配置了氣壓計，能夠感知高程方向的位置變化。

對於車機，經過CAN總線獲取的車速脈衝、方向盤轉角等信息是另外一類重要的定位輸入。基於上述定位信號，應用姿態融合、航位推算等算法，計算出連續可靠的位置和姿態。再依據地圖數據將人/車的實際位置與地圖道路關聯，實時判斷當前是否已經偏離導航路線，或更新當前在導航路線中的相對位置。

圖1 導航定位框架

在上述定位框架中，針對不一樣端的形態（手機/車機），輸入定位信號的配置不一樣，使用的定位技術及覆蓋的定位場景也不一樣。

對於手機，存在步行、騎行、駕車等多種使用場景，須要對用戶行爲進行識別。在步行場景下，因爲速度較低，GPS方向不許確，手機姿態經過融合慣導和磁力計計算實現。在駕車場景下，位置和姿態主要由GPS提供，針對GPS跳躍、漂移等複雜狀況設計可靠的地圖匹配算法是手機定位重點要解決的問題。

對於車機，只存在駕車使用場景。同時，因爲車機具有穩定的安裝狀態並能夠提供更豐富的車輛CAN總線信息，基於這些信息設計航位推算及融合算法，解決隧道、高架、平行路等複雜場景的連續定位問題是車機定位的重點。

2.手機導航定位

2.1.姿態融合技術

經常使用的姿態融合技術又稱爲AHRS（Attitude and heading reference system ）。對於六軸慣性傳感器融合，包含陀螺儀和加速度計，其AHRS算法以下圖所示。陀螺儀測量的是角速度，角速度積分便可獲得某一時間段內的角度變化。加速度計測量的是物體的加速度，包含重力加速度，當靜止時，經過得到重力加速度在三個軸上的份量能夠計算相對傾斜角度。AHRS算法採用濾波方法，如互補濾波、Kalman濾波，對不一樣傳感器姿態進行融合。

圖2 AHRS融合算法

對於九軸傳感器，額外提供了三個軸向的磁力計方向，一樣利用上面的算法框架進行融合。

2.2.地圖匹配技術

傳統的地圖匹配方法是在定位點附近道路中，根據距離、方向接近等一些判斷準則找到最多是汽車行駛道路的匹配道路。這種方法實現簡單，但一般GPS定位偏差是十米，在信號干擾、遮擋的狀況下能夠達到幾十米甚至上百米，而地圖測繪偏差、地圖簡化偏差一樣能夠達到十幾到幾十米。在各類偏差條件下，單純依靠距離、方向這樣的幾何特徵判斷作策略匹配是很不穩定的。

對於一個好的地圖匹配算法，爲了穩定準確的肯定匹配道路，須要綜合利用定位源和地圖的各類輸入數據，作融合計算，並根據汽車行駛的特色對各類特殊場景作處理。對於多源信息融合，隱馬爾可夫（HMM）是一個比較經常使用而且有效的方法，所以咱們採用HMM做爲匹配算法的核心，並輔以場景策略算法，實現地圖匹配。

在HMM地圖匹配算法中，匹配道路是未知的，做爲隱藏變量zn。每一個時刻觀測到的GPS定位信息是觀測變量xn。地圖匹配的目標是在已知定位信息的狀況下對匹配道路進行估計：

對上述問題，能夠採用維特比算法用遞推的方法進行計算。

在HMM框架下創建地圖匹配模型，核心在於肯定發射機率模型和轉移機率模型。發射機率模型的肯定依據定位位置和方向。

1）對定位位置，與道路距離越接近機率越大，反之機率越小。同時考慮匹配道路的選擇對橫向距離偏差較敏感，對縱向距離偏差不敏感。採用正態分佈創建模型。

2）對定位方向，與道路方向越接近機率越大，反之機率越小。同時機率與速度有關，速度越大越可信。採用Von Mises分佈，以速度爲超參數創建模型。

圖3 位置發射機率                                                      圖4 方向發射機率

轉移機率模型的肯定依據道路距離、道路轉角對汽車行駛的約束創建。

道路轉彎的角度越大，速度較大的機率越低。採用Von Mises分佈，以速度爲超參數創建模型。根據車速和時間差計算移動距離，該距離和路徑移動距離越接近，機率越大。採用指數分佈創建模型。

圖5 速度轉移機率                                                    圖6 移動距離轉移機率

上述算法在高德地圖手機APP上實現了落地，爲駕車導航提供準確的定位匹配結果，用於導航的引導播報等功能。對比原來使用策略的地圖匹配方法，HMM算法在匹配準確率和穩定性上都有顯著提高。

3.車機導航定位

3.1.車機定位方案

對於車機導航，如何充分利用車輛傳感器和總線信息，優化駕車導航各類複雜場景體驗是定位要解決的核心問題。其中，複雜場景包括：隧道、地下停車場定位失效，城市峽谷區域定位漂移等。

解決上述痛點問題的關鍵在於多傳感器融合技術。例如，當GPS漂移或失效時，利用車速脈衝與慣導融合的航位推算技術進行持續定位，但航位推算會產生累計偏差，須要地圖數據進行反饋矯正，同時地圖數據和GPS又能夠對慣導參數進行標定，提高航位推算精度。

在實際車機導航項目中，傳感器配置不一樣，又會衍生出不一樣的定位方案，以下表所示。

其中，純GNSS方案沒法使用任何傳感器融合手段，定位效果最差。前端融合方案實現了慣導和車速的前置融合，能夠知足部分GPS失效場景的持續定位，但因爲累積偏差的影響，提高有限。車輛模型方案和後端融合方案都實現了傳感器、GPS與地圖數據的完整融合，所以定位效果更好，其中車輛模型方案使用車輛CAN總線的傳感器數據，然後端融合使用車機安裝的慣導傳感器，在對傳感器選型及安裝使用方式進行精細適配以後，可得到最佳的定位效果。

3.2.傳感器融合技術

之後端融合爲例，傳感器融合算法框架以下。

圖7 傳感器融合算法框架

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計。

實現了完整信息融合的傳感器融合技術能夠在使用低成本傳感器條件下達到甚至超太高成本專業慣導設備的定位效果。

下圖展現了採用後端融合方案的車機導航定位效果。圖中藍色是GPS位置，紅色是高精度基準設備的定位軌跡，綠色是車機導航定位軌跡。能夠看到，在GPS被遮擋的停車場，或GPS被幹擾的區域，車機導航定位始終能夠持續穩定的輸出高精度的定位位置，保證了車載導航功能的可靠運行。

圖8 停車場定位效果                             圖9 信號干擾區定位效果

4.高精定位演進

傳統的導航定位僅須要解決道路級的定位問題，對定位精度的要求不高。但隨着輔助駕駛、自動駕駛等愈來愈多的應用場景出現，對定位精度的要求也不斷提升，以下圖。

圖10 高精定位演進

對於車道級導航，定位須要能分辨出汽車當前所在的車道，這就要求定位精度達到米甚至亞米級，而對於更先進的智能駕駛應用，爲保證安全，須要定位精度達到釐米級。

爲達到更高精度的定位能力，須要對現有的定位手段進行升級。一種升級的方法是，對現有的定位輸入源直接升級，如普通GPS升級爲更高精度的RTK-GPS，低成本MEMS慣導升級爲高精度慣導，這樣能夠在基本不改變原有算法框架的基礎上直接得到高精度的定位能力。但缺點是，原有算法的缺陷，如長時間GPS丟失場景的累積偏差問題依然存在，且成本較高。另外一種方法是引入新的定位源，如激光雷達、毫米波雷達、攝像頭等。這就須要針對這些新的傳感器開發新的融合定位算法。不一樣的高精定位方案對好比下表。

上面方案中，高德與千尋合做開發了基於千尋RTK服務的高精定位解決方案「知途」，實際道路評測在高速及普通道路場景下的定位精度可達到10cm之內。該方案不依賴於其餘任何傳感器或地圖數據，具備全域高精度的特色，可做爲獨立的高精度定位解決方案。

圖11 「知途」高精定位樣機

在基於環境特徵匹配的相對定位方案中，激光雷達方案是較成熟可靠的，也是自動駕駛早期原型階段最廣泛採用的定位方案。但受制於激光雷達的成本和可靠性問題，量產落地仍存在風險。基於視覺的相對定位方案成本更低，同時受益於近年來視覺算法和計算芯片領域日新月異的發展，在當前的量產自動駕駛中已經逐漸成爲主流的定位方案。基於高德自身的圖像及定位能力建設，將在三個業務方向上進行高精定位的業務實踐。

1）面向L3自動駕駛的系統級定位：基於外部輸入的視覺語義信息（如Mobileye發送的車道線形狀、類型等），與高精地圖數據（HD Map）匹配，並結合GPS/RTK和IMU等其餘定位源，實時計算車道級高精定位結果，並驅動高精數據播發引擎（EHP）發送高精數據，爲自動駕駛功能提供定位及數據服務。

2）車道級導航定位：基於自研的視覺算法和雲端圖像定位能力，實現全域覆蓋的車道級定位能力，驅動傳統道路級導航向車道級導航升級。

3）用於高精數據衆包採集的軟硬一體化高精定位：基於自研的低成本視覺+RTK+IMU硬件，實現基於vSlam技術的高精度絕對定位，爲高精數據的採集、重建，並最終快速更新迭代提供支撐。

小結
傳統導航定位採用10m精度的GPS定位爲基礎，針對手機/車機不一樣端，考慮他們獨特的運動特徵及輸入信號配置，設計傳感器融合算法、行爲判斷算法、地圖匹配算法，最終知足導航對於全場景道路級定位的精度要求。將來面向半自動、全自動駕駛應用，要求定位精度向車道級甚至釐米級演進，這須要在考慮實際落地場景的基礎上進行傳感器和算法迭代，這是下一階段定位技術演進的重要方向。