導讀
地圖軟體現在已成為人們出行必備的重要輔助工具。為了實現準確的導航，首先必須準確確定人或車的當前位置。因此，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為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。

為實現這一目標，首先需要接收定位訊號輸入。最常見的定位訊號是GPS，其可以提供全域米級精度（5~10m）的位置資訊。在此基礎上，大部分手機同時配置了慣性感測器（陀螺儀、加速度計）和磁力計，還有部分手機配置了氣壓計，可以感知高程方向的位置變化。

對於車機，通過CAN匯流排獲取的車速脈衝、方向盤轉角等資訊是另一類重要的定位輸入。基於上述定位訊號，應用姿態融合、航位推算等演算法，計算出連續可靠的位置和姿態。再依據地圖資料將人/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，針對不同端的形態（手機/車機），輸入定位訊號的配置不同，使用的定位技術及覆蓋的定位場景也不同。

對於手機，存在步行、騎行、駕車等多種使用場景，需要對使用者行為進行識別。在步行場景下，由於速度較低，GPS方向不準確，手機姿態通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、漂移等複雜情況設計可靠的地圖匹配演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，由於車機具備穩定的安裝狀態並可以提供更豐富的車輛CAN匯流排資訊，基於這些資訊設計航位推算及融合演算法，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

常用的姿態融合技術又稱為AHRS（Attitude and heading reference system ）。對於六軸慣性感測器融合，包含陀螺儀和加速度計，其AHRS演算法如下圖所示。陀螺儀測量的是角速度，角速度積分即可得到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，通過獲得重力加速度在三個軸上的分量可以計算相對傾斜角度。AHRS演算法採用濾波方法，如互補濾波、Kalman濾波，對不同感測器姿態進行融合。

圖2 AHRS融合演算法

對於九軸感測器，額外提供了三個軸向的磁力計方向，同樣利用上面的演算法框架進行融合。

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可能是汽車行駛道路的匹配道路。這種方法實現簡單，但通常GPS定位誤差是十米，在訊號干擾、遮擋的情況下可以達到幾十米甚至上百米，而地圖測繪誤差、地圖簡化誤差同樣可以達到十幾到幾十米。在各種誤差條件下，單純依靠距離、方向這樣的幾何特徵判斷做策略匹配是很不穩定的。

對於一個好的地圖匹配演算法，為了穩定準確的確定匹配道路，需要綜合利用定位源和地圖的各種輸入資料，做融合計算，並根據汽車行駛的特點對各種特殊場景做處理。對於多源資訊融合，隱馬爾可夫（HMM）是一個比較常用並且有效的方法，因此我們採用HMM作為匹配演算法的核心，並輔以場景策略演算法，實現地圖匹配。

在HMM地圖匹配演算法中，匹配道路是未知的，作為隱藏變數zn。每個時刻觀測到的GPS定位資訊是觀測變數xn。地圖匹配的目標是在已知定位資訊的情況下對匹配道路進行估計：

對上述問題，可以採用維特比演算法用遞推的方法進行計算。

在HMM框架下建立地圖匹配模型，核心在於確定發射概率模型和轉移概率模型。發射概率模型的確定依據定位位置和方向。

1）對定位位置，與道路距離越接近概率越大，反之概率越小。同時考慮匹配道路的選擇對橫向距離誤差較敏感，對縱向距離誤差不敏感。採用正態分佈建立模型。

2）對定位方向，與道路方向越接近概率越大，反之概率越小。同時概率與速度有關，速度越大越可信。採用Von Mises分佈，以速度為超引數建立模型。

圖3 位置發射概率                                                      圖4 方向發射概率

轉移概率模型的確定依據道路距離、道路轉角對汽車行駛的約束建立。

道路轉彎的角度越大，速度較大的概率越低。採用Von Mises分佈，以速度為超引數建立模型。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，概率越大。採用指數分佈建立模型。

圖5 速度轉移概率                                                    圖6 移動距離轉移概率

上述演算法在高德地圖手機APP上實現了落地，為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演算法在匹配準確率和穩定性上都有顯著提升。

3.車機導航定位

3.1.車機定位方案

對於車機導航，如何充分利用車輛感測器和匯流排資訊，優化駕車導航各種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感測器融合技術。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誤差，需要地圖資料進行反饋矯正，同時地圖資料和GPS又可以對慣導引數進行標定，提升航位推算精度。

在實際車機導航專案中，感測器配置不同，又會衍生出不同的定位方案，如下表所示。

其中，純GNSS方案無法使用任何感測器融合手段，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，可以滿足部分GPS失效場景的持續定位，但由於累積誤差的影響，提升有限。車輛模型方案和後端融合方案都實現了感測器、GPS與地圖資料的完整融合，因此定位效果更好，其中車輛模型方案使用車輛CAN匯流排的感測器資料，而後端融合使用車機安裝的慣導感測器，在對感測器選型及安裝使用方式進行精細適配之後，可獲得最佳的定位效果。

3.2.感測器融合技術

以後端融合為例，感測器融合演算法框架如下。

圖7 感測器融合演算法框架

融合演算法有兩個目的：第一，將不同技術的導航資訊融合成唯一導航資訊，使之可靠性高於未融合前的；第二，估計器件誤差（陀螺儀零偏、測速儀尺度誤差等）。

融合演算法基於Kalman濾波實現，其關鍵在於模型建立和模型引數設定。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，它通過構建導航誤差微分方程實現；模型引數是指狀態轉移噪聲和觀測噪聲，觀測噪聲的設定與GPS質量評估模組相關。經Kalman濾波處理後，得到導航誤差的最優估計。

實現了完整資訊融合的感測器融合技術可以在使用低成本感測器條件下達到甚至超過高成本專業慣導裝置的定位效果。

下圖展示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，紅色是高精度基準裝置的定位軌跡，綠色是車機導航定位軌跡。可以看到，在GPS被遮擋的停車場，或GPS被幹擾的區域，車機導航定位始終可以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執行。

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

4.高精定位演進

傳統的導航定位僅需要解決道路級的定位問題，對定位精度的要求不高。但隨著輔助駕駛、自動駕駛等越來越多的應用場景出現，對定位精度的要求也不斷提高，如下圖。

圖10 高精定位演進

對於車道級導航，定位需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，而對於更先進的智慧駕駛應用，為保證安全，需要定位精度達到釐米級。

為達到更高精度的定位能力，需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升級為更高精度的RTK-GPS，低成本MEMS慣導升級為高精度慣導，這樣可以在基本不改變原有演算法框架的基礎上直接獲得高精度的定位能力。但缺點是，原有演算法的缺陷，如長時間GPS丟失場景的累積誤差問題依然存在，且成本較高。另一種方法是引入新的定位源，如鐳射雷達、毫米波雷達、攝像頭等。這就需要針對這些新的感測器開發新的融合定位演算法。不同的高精定位方案對比如下表。

上面方案中，高德與千尋合作開發了基於千尋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以內。該方案不依賴於其他任何感測器或地圖資料，具有全域高精度的特點，可作為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，鐳射雷達方案是較成熟可靠的，也是自動駕駛早期原型階段最普遍採用的定位方案。但受制於鐳射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演算法和計算晶片領域突飛猛進的發展，在當前的量產自動駕駛中已經逐漸成為主流的定位方案。基於高德自身的影象及定位能力建設，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資訊（如Mobileye傳送的車道線形狀、型別等），與高精地圖資料（HD Map）匹配，並結合GPS/RTK和IMU等其他定位源，實時計算車道級高精定位結果，並驅動高精資料播發引擎（EHP）傳送高精資料，為自動駕駛功能提供定位及資料服務。

2）車道級導航定位：基於自研的視覺演算法和雲端影象定位能力，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）用於高精資料眾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硬體，實現基於vSlam技術的高精度絕對定位，為高精資料的採集、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定位為基礎，針對手機/車機不同端，考慮他們獨特的運動特徵及輸入訊號配置，設計感測器融合演算法、行為判斷演算法、地圖匹配演算法，最終滿足導航對於全場景道路級定位的精度要求。未來面向半自動、全自動駕駛應用，要求定位精度向車道級甚至釐米級演進，這需要在考慮實際落地場景的基礎上進行感測器和演算法迭代，這是下一階段定位技術演進的重要方向。

相關推薦