导读

高德定位业务包括云上定位和端上定位两大模块。其中，云上定位主要解决Wifi指纹库、AGPS定位、轨迹挖掘和聚类等问题；端上定位解决手机端和车机端的实时定位问题。近年来，随着定位业务的发展，用户对在城市峡谷（高楼、高架等）的定位精度提出了更高的要求。

特别是车机端定位，由于定位设备安装在车上，一方面，它可以搭载更丰富的定位传感器来解决特殊场景的问题，另一方面，各个传感器之间相互固连，有利于高精度的算法设计。这两点为车机端进一步提高导航精度的提供了可能。

城市峡谷一直是车机端定位的痛点。原因是城市峡谷的环境使用户无法接收到GPS信号或GPS信号受干扰，导致GPS无定位结果或定位精度差。这是“有源定位”固有的缺点，无法从算法上来克服。

针对这个问题，以GPS+IMU的多传感器融合方案越来越受到重视，因为“无源定位”的IMU恰好可以弥补GPS的短板。此外，车机还可以搭载里程计、视觉设备形成更丰富的多传感器融合方案。

对高德而言，地图数据是定位业务的灵魂。多传感器融合只是定位业务中的一部分，如何把多传感器与地图数据结合起来，始终是我们在思考的问题。

针对车机应用，我们使用GPS、IMU、里程计等传感器，结合高德地图的地图优势，提出了一种结合地图匹配（Map Matching）的多传感器融合算法——GPS/IMU/MM融合（软件+硬件的解决方案）。

本文概述了车载多传感器融合定位项目背景，该项目确立是为了向用户提供好的导航定位服务。为了解决用户反馈的三大痛点问题：偏航重算、无法定位和抓路错误，结合算法和数据，提出了一套软件+硬件的解决方案。最后，用实测数据验证对用户反馈问题的改善程度。

车载应用的痛点

• 偏航重算：是指在高架或城市峡谷，信号遮挡引起位置点漂移；
• 无法定位：是指在无信号区域（停车场、隧道）推算的精度低，导致出口误差大；
• 抓路错误：是指主辅路、高架上下抓路错误。

其中，导致偏航重算和无法定位直接原因是GPS定位精度差和DR航位推算精度差。GPS定位精度由观测环境决定，难以改善；DR航位推算精度与DR算法性能有关，尤其是里程计系统误差和陀螺零偏的标定精度。对于抓路错误，直接原因是正确道路与误抓道路相隔太近，受定位精度限制无法区分；根本原因是只使用位置信息进行抓路，没有发挥其它数据的价值。

 

相关名词

GPS(GlobalPositioning System)：指美国国防部研制的全球定位系统。用户设备通过接收GPS信号，得到用户设备和卫星的距离观测值，经过特定算法处理得到用户设备的三维坐标、航向等信息。使用不同类型的观测值和算法，定位精度为厘米级到10米级不等。GPS的优点是精度高、误差不随时间发散，缺点是要求通视，定位范围无法覆盖到室内。

IMU(Inertial measurementunit)：指惯性测量单元。包括陀螺仪和加速度计。陀螺仪测量物体三轴的角速率，用于计算载体姿态；加速度计测量物体三轴的线加速度，可用于计算载体速度和位置。IMU的优点是不要求通视，定位范围为全场景；缺点是定位精度不高，且误差随时间发散。GPS和IMU是两个互补的定位技术。

MM(Map matching)：指地图匹配。该技术结合用户位置信息和地图数据，推算用户位于地图数据中的哪条道路及道路上的位置。

技术方案

车机融合定位项目解决的是道路级的定位问题，受限于硬件性能，目前市场上通用的技术方案有两种，如下表1所示：

 

这两种技术方案涉及到3种技术手段，在场景覆盖和精度上，它们各有所长，互相补充。如表2所示：

 

表1表明，目前市面上存在的通用方案并不能完全解决偏航重算、无法定位和抓路错误这三个问题，尤其是抓路错误。为此，在技术层面上，我们将两套通用方案进行融合，提出了一套软+硬（GNSS+MM+DR）方案；在算法层面上，依靠高德的数据优势，以数据融合模块为核心，一方面提高定位结果可靠性，弥补硬件性能上的不足，另一方面对抓路错误问题进行专门的算法设计。

更进一步，将用户反馈的三个问题解构为算法上解决的三个问题：器件误差标定、场景识别和数据融合。如图2所示：

 

功能模块

车机融合定位包括数据适配层（DataAdaptive Layer）、算法支撑层(Aided Navigation Layer)和融合层(NavigationLayer)。数据适配层负责将不同输入标准化、将信号同步；算法支撑层计算中间结果，为融合层服务；融合层是整个系统的核心，它负责融合算法支撑层输出的数据，得到可靠的导航信息。图3列出了各层所处位置及每个层的具体功能模块：

 

下面，将功能模块分为基础模块和特色功能两个部分分别进行介绍。

基础模块

GPS质量评估

GPS质量评估模块的功能是计算GPS位置、速度、航向角和全局可靠性指标。根据可靠性指标的大小将其投影到状态空间（GOOD、DOUBT、BAD、ABNORMAL）中，状态空间的值表征GPS数据质量的好坏。如图4所示：

 

评估GPS质量有两个目的：第一，决定是否使用GPS数据进行器件误差标定或某些状态的判断（如转弯行为、动静状态等）；第二，在数据融合模块，为设定GPS观测量的方差—协方差阵提供参考。

器件补偿

无GPS信号环境时，定位只能依靠DR算法。DR算法精度主要取决于IMU（陀螺仪和加速度计）和测速仪的误差，陀螺仪误差将引起位置误差随时间的二次方增长，测速仪误差将引起位置误差随时间线性增长，如图5所示：

 

为改善无GPS信号环境的定位精度，必须进行器件误差补偿。

补偿模块的主要功能是利用GPS数据来补偿速度敏感器误差参数（比例因子）和IMU的误差参数（陀螺仪天向比例因子和陀螺仪三轴零偏）。补偿的目的是在无GPS信号或弱GPS信号的场景，仅靠DR算法也能得到较为可靠的导航信息。

DR算法

DR(DeadReckoning，航位推算)算法是指已知上一时刻导航状态（状态、速度和位置），根据传感器观测值推算到下一时刻的导航状态。DR算法包括姿态编排和位置编排两个部分。

姿态编排使用的是AHRS（Attitude andheading reference system ）融合算法，处理后输出车机姿态信息。姿态编排流程如图6所示：

 

位置编排是指结合姿态编排结果，对测速仪观测值进行积分后得到车机位置。

融合算法

车机融合定位项目使用了GNSS、MM和DR三项技术，每项技术能够提供全部或部分车机导航信息，如表3所示。以位置信息为例，GNSS、MM和DR都输出车机位置，但由于不同技术手段有各自的误差源，致使不同技术的定位结果并不相同。

 

因此，融合算法有两个目的：第一，将不同技术的导航信息融合成唯一导航信息，使之可靠性高于未融合前的；第二，估计器件误差（陀螺仪零偏、测速仪尺度误差和导航误差等）。

融合算法基于Kalman滤波实现，其关键在于模型建立和模型参数设置。Kalman滤波模型由状态转移方程和观测方程构成。状态转移方程表示相邻导航状态之间的转移关系，它通过构建导航误差微分方程实现；模型参数是指状态转移噪声和观测噪声，观测噪声的设置与GPS质量评估模块相关。

经Kalman滤波处理后，得到导航误差的最优估值，如图7所示。即经过补偿得到了导航信息的最优估值。

 

特色功能

主辅路识别

以往的主辅路识别策略是通过DR输出的位置和方向与两条候选路的关系，选择最接近的候选路作为输出。但对于道路级定位系统而言，DR输出误差与两条路的差异在同一量级，误判的概率较高，所以，需要从一些驾驶特征来解决此问题，例如，路口附近的转弯、变道等。

 

如图所示，具体步骤为：

• 提取驾驶行为特征，求特征信息的转移概率；
• 根据DR精度分类计算卷积和，求最终概率。

 

高架识别

过去，高架识别策略是通过高程积分和阈值法来判断，识别效果受坡角误差和速度误差的影响。其中，速度误差与高程积分误差成正比，是影响高架识别准确率的主要原因。为克服这一缺点，我们结合MM技术，计算道路坡度与输出pitch角的接近程度，以避免引入速度误差。高架识别流程如图所示：

停车场识别

停车场识别是新增模块，是停车场定位导航的前置工作。停车场定位导航的主要目的是将车机用户导航到指定的停车位，其中涉及到室内外场景地图切换、层与层地图切换和导航等一系列问题。停车场识别的目的就是为这地图切换提供支持。

 

 

 

停车场内容包括进出停车场识别和跨层识别。进出停车场识别是指利用停车场无GPS信号、上下坡、低速、高程变化等一系列特征判断车机是否进出停车场。停车场跨层识别是指利用上下坡、高程变化等特征判断车机是否在停车场内有跨层行为。识别流程如图13所示：

 

效果

为验证本项目算法的效果，我们采集了实测数据，并从以下两方面验证：

• 验证算法对用户痛点问题（偏航重算、无法定位和）的改善程度；
• 与竞品及高德手机定位端产品性能的比较。

融合抗漂

针对高架和城市峡谷的偏航重算（位置漂移）问题，车机算法做了以下两点改进：

• 多元参考：结合运动趋势、传感器信息和地图数据，将GPS可靠性归一化；
• 场景分类：参考地图道路属性和GPS信号分布判断是否有遮挡。

在高架下采集两圈数据，使用车机软件和市场某款同类软件进行处理，效果如图14所示。从近半年的测试来看，在GPS受遮挡的场景下，本项目的抗漂能力明显优于传统方案。

 

器件标定

为验证有无陀螺仪动态零偏估计对DR方向和位置解算精度的影响，本项目采集了望京soho停车场的数据，经解算，效果如下。测试表明，经动态零偏补偿后，DR精度明显提高：

• 零偏：动态零偏估计保证陀螺仪误差量级为0.01度/s；
• 方向：停车场出口出的方向误差减小至40%以内，方向精度提升2倍以上；
• 位置：停车场出口处的位置误差减小至25%以内，位置精度提升4倍以上。

 

 

主辅路识别

为计算主辅路识别的成功率，统计了近千条主辅路的识别效果，识别率达到90%以上，大于某厂商产品的75%。

横/纵向对比

最后，我们与市面的中高端竞品进行了横向对比，与高德手机端定位产品进行了纵向对比。横向对比结果表明，在器件成本不到竞品成本10%的情况下，不超过某一阈值的位置误差、方向误差和速度误差的占比均在90%以上，相对竞品，提高了1%~5%。主辅助路识别准确率优于90%，相对于竞品提高了15%。

纵向对比结果表明，在不同场景（高架，城市峡谷，环岛，停车场出口等）下，不超过某一阈值的位置误差占比提升15%~60%不等，这是因为车机算法对特殊场景（无GPS或弱GPS场景）进行了专门的算法设计和优化。全场景下的位置误差占比提升约20%。

小结

针对用户提出的三大痛点问题，本文结合多传感器融合和地图匹配，提出了一套车载多传感器融合定位方案，并应用于实际，提高了在城市峡谷中的定位精度，并且取得了不错的效果。

然而，城市峡谷的定位精度问题很难彻底解决，它似乎是一个没有终点的难题。为此，站在用户的角度，我们需要不停思考：需要什么样的传感器技术、应该设计什么样的算法、如何挖掘数据的最大价值。

原文链接
本文为云栖社区原创内容，未经允许不得转载。