高德在提升定位精度方面的探索和實踐
2019杭州雲棲大會上，高德地圖技術團隊向與會者分享了包括視覺與機器智慧、路線規劃、場景化/精細化定位時空資料應用、億級流量架構演進等多個出行技術領域的熱門話題。現場火爆，聽眾反響強烈。我們把其中的優秀演講內容整理成文並陸續釋出出來，本文為其中一篇。
阿里巴巴高階地圖技術專家方興在高德技術專場做了題為《向場景化、精細化演進的定位技術》的演講，主要分享了高德在提升定位精度方面的探索和實踐，本文根據現場內容整理而成（在不影響原意的情況下對文字略作編輯），更多定位技術的實現細節請關注後續系列文章。
以下為方興演講內容的簡版實錄：
今天要分享的主題是關於定位的場景化、精細化。高德定位，並不只是服務於高德地圖本身，而是面向所有的應用開發者和手機裝置廠商提供定位服務。目前已有30萬以上的APP在使用高德的定位服務。
使用者每天會大量使用定位服務，比如看新聞、打車、訂外賣，甚至是購物，首先都是要獲得位置資訊，有了更精準的位置資訊，才可能獲得更好的服務體驗。
高德地圖有超過1億的日活使用者，但是使用定位的有好幾個億，每天的定位請求數量有一千億次。如此大的資料量，高德定位服務可以保持毫秒級的響應速度，我們在這裡面做了很多工作。此外，我們還提供全場景的定位能力，不管為手機、車機還是任何廠家，都能提供位置服務。
我今天從四個方面介紹，分別是：
- 定位面臨的挑戰
- 高德地圖全場景定位
- 分場景提升定位精度
- 未來機遇
定位面臨的挑戰
大家可能都知道GPS，GPS在大部分情況下可以提供很好的精度，但是對於某些場景還是不夠，比如駕車，GPS給出的精度大概是10米，如果僅靠GPS定位甚至無法區分出在馬路的哪一側。
第二個場景是在室內，室內收不到GPS訊號，這樣的場景下如何實現比較準確的定位？第三個場景是如何在精度和成本之間取得平衡，因為不可能為了追求一個很好的精度去無限投入成本。只有通過海量大資料探勘，演算法和資料質量的提升，達到效果的持續優化，才能達到最終對各種場景的全覆蓋。
有很多技術可以選擇，除了GPS定位，還有基於網路定位、Wifi基站，原理就是通過掃描到的Wifi和基站列表、訊號強度，進行資料庫查詢，找到Wifi位置，定位。
除此之外還有慣性導航定位，慣性導航是一種相對定位的方式，可以不斷計算跟上次定位的偏移量，有了初始定位之後，根據連續計算可以獲得最終的位置。
還有根據地圖匹配定位，比如GPS的點落在一個湖裡，顯然是有問題的，可以通過地圖匹配，找到最近的一條路，這時候精度就得到了提升。
還有一些定位方式最近幾年變得很熱門，例如視覺、雷達、鐳射，自動駕駛的概念推動了這些技術的發展，這些方式各有各的定位精度和差異性。例如視覺，在實踐中往往需要大量計算和儲存的開銷。
很多時候，還是要基於Wifi的定位，獲得初始定位，然後在不同場景下不斷的優化，通過不同的資料來源提升精度。
高德地圖如何實現全場景定位
高德主要分為兩個業務場景，手機和車機。在手機上主要是GPS+網路定位。駕車的場景下，我們還會做一些根據地圖的匹配，實現對特殊道路的支援。
以往，很多使用者會反饋說會遇到GPS訊號不好，導致無法定位、無法導航的情形。約有60%的情況是因為使用者位於地下停車場或者在隧道里，約30%的情況是附近有嚴重的遮擋，比如在高架橋下，或者在很高的高樓旁。這些都會造成對GPS比較嚴重的遮擋。
我們打電話的時候，連線的基站可能就在一公里範圍內，這樣短的距離傳輸訊號還時常會出現訊號中斷，如果GPS訊號距離兩萬多米的高度，出現問題的可能性還是存在的。所以必須通過其他方式，例如地圖匹配或者慣性導航來對GPS進行補充。
在室內的場景，需要解決的是如何去挖掘Wifi基站的位置，提升精度。
在車機的場景，我們會結合更多來自於汽車的資料輸入來幫助我們。
定位的基礎能力
網路定位本質上是一個數據閉環，每個人在定位的時候，實際上是傳送了本身的基站和Wifi列表，傳送的資料一方面可以用來定位，另一方面也可以用做資料訓練。資料訓練主要產出兩種資料，一個是Wifi基站的位置，通過資料探勘，我們就可以獲得大概的位置（初始定位），但是精度比較差。第二個是產生更詳細的空間訊號強度分佈圖。有了這個圖以後，就可以進行比較精準的定位了，根據訊號強度判斷我距離這個基站和Wifi有多遠，從而對精度進行改進。
資料閉環完成以後，就是一個正向的反饋，資料越多，訓練結果越多，定位結果就越準確，從而吸引更多的使用者來使用（產生資料）。這就是通過資料探勘，不斷提升精度的閉環。
演算法部分，我們也經過了不斷的迭代。最早是基於經典的聚類模型，就是掃描基站Wifi列表，聚類以後選擇其中一處作為我的位置，這個方法效率比較高，很快可以得到結果，但是精度很差。
第二步，我們把空間進行了精細的劃分，在每個網格內統計一些基礎的特徵，比如歷史上的點定位的數量、定位的次數、Wifi的數量等等，計算出一個網格的打分，再對網格進行排序，最後你的定位點就是這個網格。通過這種方法，30米精度的佔比提升了15%。
這種方法也有侷限性，人工調參帶來的收益是有限的，調到一定程度就沒辦法再提升了。所以，第三步就是把機器學習演算法引入這個過程，利用監督的學習提升到最佳的模型和引數，這樣可以在特定場景下獲得顯著提升。主要的場景就是解決大誤差的Case。
一個比較典型的問題就是，掃描到的基站Wifi可能只有一個基站、一個Wifi，沒有別的資訊了。這個基站Wifi又離的特別遠，無論選擇基站還是Wifi，都有50%的概率是算錯了。有監督學習，就可以把海量的配送拿出來，精細化的挖掘細微的差異，達到全域性最優的效果，在某一情況下選基站，某一情況下選Wifi。把犯錯的比例降低了50%。
上圖就是我們的線上神經網路的模型，神經網路用於線上服務現在是比較流行的方式，我們在這裡實際上是利用基站和Wifi的訊號強度和混合特徵作為特徵輸入，同時把歷史位置也作為序列放進來，這個歷史位置特徵會放入一個RNN模型，預測現在的位置，使用預測的結果和基站Wifi列表特徵，再往下預測，最後是網格的打分。最終輸出一個概率最高的網格作為輸出。
這個方法最大的挑戰並不是在演算法，而是演算法效果和工程上的可實現性，如何能夠達到最優。高德每天有上千億次的呼叫，延時要在10毫秒以內。
另外，資料量很大，所有的資料，每條都有很多特徵，線上的資料儲存大概有幾十個TB，這個資料量也不可能放在線上服務裡做，所以要做相應的優化。
我們做了三個方面的優化，第一是分級排序。把定位過程變成一個顯微鏡步驟，先做一個很粗略的定位，然後逐步收斂到很精確的位置。粗略定位的時候可以用很大的網格，用很少的特徵，快速過濾掉一些不可能的位置。
然後，在很精細的網格里，用更多的特徵、更多的網格進行排序。通過這種方法，就可以極大提升計算的效率，把一些不必要的計算過濾掉。
第二是模型簡化。雖然深度學習的效果很好，但是不可能在線上用很複雜的模型，我們通過減少層數和節點數，把浮點數精度降低。
第三是特徵壓縮。這裡面有特色的一點是我們根據模型進行的壓縮，原始特徵的輸入的數量是很大的，我們增加一個編碼層，輸入的特徵經過編碼層以後，只輸出兩個位元組的特徵。我們把線上、離線的資料處理好以後，最後線上只儲存兩個位元組。通過這種方法，線上特徵的資料量降低了10倍，降低到1個TB以內。以上是解決的幾個主要問題。
不同場景下的精度提升
在室內場景，經常會定位到室外去，這跟剛才介紹的序列流程是有關係的，因為採集過程更大概率是在室外，序列後的Wifi位置都在馬路上，所以定位最後的概率也是在馬路上，但是這對使用者體驗是很差的。比如打車，可能在室內叫車，定位在對面的馬路上，但這條馬路可能是不對的，需要找到我在哪個樓裡，離哪個道路比較近。
怎麼解決這個問題？一種方法是通過資料採集，就是在室內進行人工的採集，使訓練資料的資料分佈跟實際的預測資料分佈保持一致，這種方法當然精度比較好，但是主要缺陷是成本非常高，目前也只是在熱門商場和交通樞紐進行這樣的資料採集，這肯定不是一個可擴充套件的方法。
我們的方法是想通過引入更多的資料優化定位過程。如果能基於地圖資料探勘出Wifi和POI的關係，就可以用資料關聯提升精度。比如掃到一個Wifi，名字叫KFC，有一個可能就是你在肯德基裡，這個方法比較簡單。實際用的方法會更加複雜。
我們是利用Wifi訊號的分佈反向挖掘出位置，上圖裡藍色的部分就是樓塊的位置，紅色的點是Wifi的真實位置，綠色的點是採集到Wifi的位置，綠色越亮，代表這個地方的訊號強度越強，通過這個圖放入影象學習，比如用CNN挖掘出它的位置以後，我們就可以建立一個Wifi跟樓塊或者跟POI的關聯，通過這個方法可以使全量Wifi的30%都能關聯上相應的POI或者樓塊。
線上的時候需要知道使用者什麼時候在室內，什麼時候在室外。我們用的是利用訊號強度特徵做區分的演算法，在室內室外掃描到的Wifi列表和強度會有很大差別，通過這個差別可以訓練出模型。綠色的點預測為室內的點，藍色的點是室外的點。通過這種方法，定位精度提升了15%。
駕車場景，導航過程中可能會遇到的常見問題。第一個問題是無法定位，開到停車場或者有遮擋的地方，第二個場景是點會有漂移，因為GPS受到建築或者其他遮擋的時候，會產生精度下降的情況。第三種情況是無法區分主路，可能會錯過路口。
對於以上問題，我們採用的是“軟+硬”融合定位，軟的部分包括兩部分，一個是基於移動定位，第二個是根據地圖匹配。經過兩個“軟+硬”結合之後，我們在GPS 10米精度做到90%以上，可以實現高架主路和停車場的持續導航。
這裡面關鍵的就是如何實現融合定位，比較有特色的一點就是我們做車機的感測器模組是低成本的，成本不到100元，其他類似產品成本是比較高的，可能需要幾千塊錢。使用低成本的器件，能夠更容易得到普及。缺點是精度比較差，定位準確性差一些。要通過軟體的方法彌補硬體上的缺點。
我們的解決辦法分成三個步驟，首先是航向融合。陀螺儀有相對的角度可以算出來，加速器可以算出地球引力的方向，這兩個結合以後就可以建立一個濾波方程，把真實的方向持續不斷的輸出。第二，把三維的方向和GPS的結果進行一次融合，就可以計算出修正後的位置。第三步，再和地圖匹配做對比，因為我們知道它的方向、位置以後，就知道它是在上坡還是下坡，是在高架上還是高架下。還有一點，匹配後的位置跟GPS原始位置做對比，如果差別很大，GPS可能發生了偏移，我們就把GPS捨棄掉，只用慣性導航推算。
這裡面有三個特點，第一，引數動態標定，不需要對器件有初始的標的，我們通過三維的計算出方向，用地圖匹配反饋。關於地圖匹配的部分，核心是我們利用HMM的演算法進行位置的匹配，推算每個點的道路。這裡面比較關鍵的概率，一個是發射概率，一個是位置轉移概率。
第二，我們把角度也考慮進來，角度的變化同樣用於決策轉移概率，這裡面跟位置轉移概率的區別就是引入了速度做變數，不同的速度下，發生轉角的概率是不一樣的，速度慢了可能會轉向，速度快也可能轉向，所以我們針對每個速率都有一個曲線。
上圖是定位效果，紅色的點是實際修正後的軌跡，藍色的點是原始的GPS點，下面是在高架下的效果，可以看到高架下GPS點已經非常發散了，飄的到處都是，但是修正之後跟綠色的點是重疊的。下面的圖是在停車場裡，在停車場進去的時候，藍色的點就已經消失了，但是紅色的點可以很好的還原出使用者在停車場裡持續的軌跡。
高精定位方面，高德主要建立兩種定位能力，一種是基於影象定位，一種是基於融合定位。影象定位是隻用影象就可以形成比較好的分米級精度，融合定位主要是引入了兩個新的定位技術，一個是VSLAM，一個是差分GPS。這兩個方法分別應用於有GPS和沒有GPS的情況，可以提供很好的精度。VSLAM可以做到誤差很小，因為可以有影象的方法進行修正。
自動駕駛是一個方向，並且需要從輔助駕駛過渡到自動駕駛，但系統性變化到來之前會有階段性的變化，就是服務於人的導航服務的精細化，即車道級導航。車道級導航需要高精地圖，至少是分米級的精度。
對未來定位技術發展的理解。基礎能力部分，我們認為5G的出現會為定位提供一種新的可能性，因為5G的頻率比4G更高，波長會更短。它可以測距，以前基於基站和Wifi的定位都是基於訊號強度的。但是5G支援了測距以後，它就可以提供一個很好的精度，所以可能會出現一種方式，基於5G的定位可以達到類似GPS的效果。
第二是融合定位，隨著各種新的資料來源不斷出現，用新的演算法去發揮不同資料來源的特點，從而達到整體效果的提升。駕車部分，視覺定位和差分GPS技術的逐漸普及。室內部分，有超寬頻的定位，除此之外還有藍芽和Wifi的精準定位。在最新的技術標準裡，也都支援了測距和測角的技術，也就是未來新的藍芽或者Wifi的APP，可能就能提供一部分的定位能力。
所以，未來10年內，我們可能會看到這幾種方式相互融合，精度會得到質的改變。以上就是我介紹的內容，謝謝大家！
關注高德技術，找到更多出行技術領域專業內容