廣告
拆解車載多傳感器融合定位方案：GPS +IMU+MM
2019-08-29 19:10:24· 來源：高德技術 作者：箕裘
1.導讀高德定位業(yè)務包括云上定位和端上定位兩大模塊。其中，云上定位主要解決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
1.導讀
高德定位業(yè)務包括云上定位和端上定位兩大模塊。其中，云上定位主要解決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，隨著定位業(yè)務的發(fā)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，由于定位設備安裝在車上，一方面，它可以搭載更豐富的定位傳感器來解決特殊場景的問題，另一方面，各個傳感器之間相互固連，有利于高精度的算法設計。這兩點為車機端進一步提高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。原因是城市峽谷的環(huán)境使用戶無法接收到GPS信號或GPS信號受干擾，導致GPS無定位結果或定位精度差。這是“有源定位”固有的缺點，無法從算法上來克服。
針對這個問題，以GPS+IMU的多傳感器融合方案越來越受到重視，因為“無源定位”的IMU恰好可以彌補GPS的短板。此外，車機還可以搭載里程計、視覺設備形成更豐富的多傳感器融合方案。
對高德而言，地圖數(shù)據(jù)是定位業(yè)務的靈魂。多傳感器融合只是定位業(yè)務中的一部分，如何把多傳感器與地圖數(shù)據(jù)結合起來，始終是我們在思考的問題。
針對車機應用，我們使用GPS、IMU、里程計等傳感器，結合高德地圖的地圖優(yōu)勢，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，該項目確立是為了向用戶提供好的導航定位服務。為了解決用戶反饋的三大痛點問題： 偏航重算、無法定位和抓路錯誤 ，結合算法和數(shù)據(jù)，提出了一套軟件+硬件的解決方案。最后，用實測數(shù)據(jù)驗證對用戶反饋問題的改善程度。
2.車載應用的痛點
- 偏航重算：是指在高架或城市峽谷，信號遮擋引起位置點漂移；
- 無法定位：是指在無信號區(qū)域（停車場、隧道）推算的精度低，導致出口誤差大；
- 抓路錯誤：是指主輔路、高架上下抓路錯誤。
其中，導致偏航重算和無法定位直接原因是GPS定位精度差和DR航位推算精度差。GPS定位精度由觀測環(huán)境決定，難以改善；DR航位推算精度與DR算法性能有關，尤其是里程計系統(tǒng)誤差和陀螺零偏的標定精度。對于抓路錯誤，直接原因是正確道路與誤抓道路相隔太近，受定位精度限制無法區(qū)分；根本原因是只使用位置信息進行抓路，沒有發(fā)揮其它數(shù)據(jù)的價值。
圖1 用戶痛點問題
3.相關名詞
GPS(GlobalPositioning System)： 指美國國防部研制的全球定位系統(tǒng)。用戶設備通過接收GPS信號，得到用戶設備和衛(wèi)星的距離觀測值，經(jīng)過特定算法處理得到用戶設備的三維坐標、航向等信息。使用不同類型的觀測值和算法，定位精度為厘米級到10米級不等。GPS的優(yōu)點是精度高、誤差不隨時間發(fā)散，缺點是要求通視，定位范圍無法覆蓋到室內。
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，用于計算載體姿態(tài)；加速度計測量物體三軸的線加速度，可用于計算載體速度和位置。IMU的優(yōu)點是不要求通視，定位范圍為全場景；缺點是定位精度不高，且誤差隨時間發(fā)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(shù)據(jù)，推算用戶位于地圖數(shù)據(jù)中的哪條道路及道路上的位置。
4.技術方案
車機融合定位項目解決的是道路級的定位問題，受限于硬件性能，目前市場上通用的技術方案有兩種，如下表1所示：
表1 通用方案
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2 技術手段
表1表明，目前市面上存在的通用方案并不能完全解決偏航重算、無法定位和抓路錯誤這三個問題，尤其是抓路錯誤。為此，在技術層面上，我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(shù)據(jù)優(yōu)勢，以數(shù)據(jù)融合模塊為核心，一方面提高定位結果可靠性，彌補硬件性能上的不足，另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為算法上解決的三個問題：器件誤差標定、場景識別和數(shù)據(jù)融合。如圖2所示：
圖2 業(yè)務問題解構圖
5.功能模塊
車機融合定位包括數(shù)據(jù)適配層（DataAdaptive Layer）、算法支撐層(Aided Navigation Layer)和融合層(NavigationLayer)。數(shù)據(jù)適配層負責將不同輸入標準化、將信號同步；算法支撐層計算中間結果，為融合層服務；融合層是整個系統(tǒng)的核心，它負責融合算法支撐層輸出的數(shù)據(jù)，得到可靠的導航信息。圖3列出了各層所處位置及每個層的具體功能模塊：
圖3 算法框架
下面，將功能模塊分為基礎模塊和特色功能兩個部分分別進行介紹。
5.1 基礎模塊
5.1.1 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(jù)可靠性指標的大小將其投影到狀態(tài)空間（GOOD、DOUBT、BAD、ABNORMAL）中，狀態(tài)空間的值表征GPS數(shù)據(jù)質量的好壞。如圖4所示：
圖4 GPS質量評估模塊
評估GPS質量有兩個目的：第一，決定是否使用GPS數(shù)據(jù)進行器件誤差標定或某些狀態(tài)的判斷（如轉彎行為、動靜狀態(tài)等）；第二，在數(shù)據(jù)融合模塊，為設定GPS觀測量的方差—協(xié)方差陣提供參考。
5.1.2 器件補償
無GPS信號環(huán)境時，定位只能依靠DR算法。DR算法精度主要取決于IMU（陀螺儀和加速度計）和測速儀的誤差，陀螺儀誤差將引起位置誤差隨時間的二次方增長，測速儀誤差將引起位置誤差隨時間線性增長，如圖5所示：
圖5 位置誤差與陀螺儀誤差的關系
為改善無GPS信號環(huán)境的定位精度，必須進行器件誤差補償。
補償模塊的主要功能是利用GPS數(shù)據(jù)來補償速度敏感器誤差參數(shù)（比例因子）和IMU的誤差參數(shù)（陀螺儀天向比例因子和陀螺儀三軸零偏）。補償?shù)哪康氖窃跓oGPS信號或弱GPS信號的場景，僅靠DR算法也能得到較為可靠的導航信息。
5.1.3 DR算法
DR(DeadReckoning，航位推算)算法是指已知上一時刻導航狀態(tài)（狀態(tài)、速度和位置），根據(jù)傳感器觀測值推算到下一時刻的導航狀態(tài)。DR算法包括姿態(tài)編排和位置編排兩個部分。
姿態(tài)編排使用的是AHRS（Attitude andheading reference system ）融合算法，處理后輸出車機姿態(tài)信息。姿態(tài)編排流程如圖6所示：
圖6 AHRS融合算法
位置編排是指結合姿態(tài)編排結果，對測速儀觀測值進行積分后得到車機位置。
5.1.4 融合算法
車機融合定位項目使用了GNSS、MM和DR三項技術，每項技術能夠提供全部或部分車機導航信息，如表3所示。以位置信息為例，GNSS、MM和DR都輸出車機位置，但由于不同技術手段有各自的誤差源，致使不同技術的定位結果并不相同。
表3 GNSS/MM/DR提供的導航信息
因此，融合算法有兩個目的：第一，將不同技術的導航信息融合成唯一導航信息，使之可靠性高于未融合前的；第二，估計器件誤差（陀螺儀零偏、測速儀尺度誤差和導航誤差等）。
融合算法基于Kalman濾波實現(xiàn)，其關鍵在于模型建立和模型參數(shù)設置。Kalman濾波模型由狀態(tài)轉移方程和觀測方程構成。狀態(tài)轉移方程表示相鄰導航狀態(tài)之間的轉移關系，它通過構建導航誤差微分方程實現(xiàn)；模型參數(shù)是指狀態(tài)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(jīng)Kalman濾波處理后，得到導航誤差的最優(yōu)估值，如圖7所示。即經(jīng)過補償?shù)玫搅藢Ш叫畔⒌淖顑?yōu)估值。
圖7 融合算法模塊
5.2 特色功能
5.2.1 主輔路識別
以往的主輔路識別策略是通過DR輸出的位置和方向與兩條候選路的關系，選擇最接近的候選路作為輸出。但對于道路級定位系統(tǒng)而言，DR輸出誤差與兩條路的差異在同一量級，誤判的概率較高，所以，需要從一些駕駛特征來解決此問題，例如，路口附近的轉彎、變道等。
圖8 主輔路街景
如圖9所示，具體步驟為：
- 提取駕駛行為特征，求特征信息的轉移概率；
- 根據(jù)DR精度分類計算卷積和，求最終概率。
圖9 主輔路識別算法
5.2.2 高架識別
過去，高架識別策略是通過高程積分和閾值法來判斷，識別效果受坡角誤差和速度誤差的影響。其中，速度誤差與高程積分誤差成正比，是影響高架識別準確率的主要原因。為克服這一缺點，我們結合MM技術，計算道路坡度與輸出pitch角的接近程度（如圖11所示），以避免引入速度誤差。高架識別流程如圖12所示：
圖10 高架街景
圖11 估算角度與道路角度匹配
圖12 高架識別流程
5.2.3 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作。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為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征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、高程變化等特征判斷車機是否在停車場內有跨層行為。識別流程如圖13所示：
圖13 停車場識別流程圖 （左：進出停車場識別，右：跨層識別）
6.效果
為驗證本項目算法的效果，我們采集了實測數(shù)據(jù)，并從以下兩方面驗證：
- 驗證算法對用戶痛點問題（偏航重算、無法定位和）的改善程度；
- 與競品及高德手機定位端產(chǎn)品性能的比較。
6.1 融合抗漂
針對高架和城市峽谷的偏航重算（位置漂移）問題，車機算法做了以下兩點改進：
- 多元參考：結合運動趨勢、傳感器信息和地圖數(shù)據(jù)，將GPS可靠性歸一化；
- 場景分類：參考地圖道路屬性和GPS信號分布判斷是否有遮擋。
在高架下采集兩圈數(shù)據(jù)，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(yōu)于傳統(tǒng)方案。
圖14 融合抗漂效果（上圖為車機算法，下圖為市場某同類產(chǎn)品）
6.2 器件標定
為驗證有無陀螺儀動態(tài)零偏估計對DR方向和位置解算精度的影響，本項目采集了望京soho停車場的數(shù)據(jù)，經(jīng)解算，效果如下。測試表明，經(jīng)動態(tài)零偏補償后，DR精度明顯提高：
- 零偏：動態(tài)零偏估計保證陀螺儀誤差量級為0.01度/s；
- 方向：停車場出口出的方向誤差減小至40%以內，方向精度提升2倍以上；
- 位置：停車場出口處的位置誤差減小至25%以內，位置精度提升4倍以上。
圖15 soho停車場（左：無動態(tài)零偏估計，右：有動態(tài)零偏估計）
6.3 主輔路識別
為計算主輔路識別的成功率，統(tǒng)計了近千條主輔路的識別效果，識別率達到90%以上，大于某廠商產(chǎn)品的75%。
6.4 橫/縱向對比
最后，我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(chǎn)品進行了縱向對比。橫向對比結果表明，在器件成本不到競品成本10%的情況下，不超過某一閾值的位置誤差、方向誤差和速度誤差的占比均在90%以上，相對競品，提高了1%~5%。主輔助路識別準確率優(yōu)于90%，相對于競品提高了15%。
縱向對比結果表明，在不同場景（高架，城市峽谷，環(huán)島，停車場出口等）下，不超過某一閾值的位置誤差占比提升15%~60%不等，這是因為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(yōu)化。全場景下的位置誤差占比提升約20%。
7.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，并應用于實際，提高了在城市峽谷中的定位精度，并且取得了不錯的效果。
然而，城市峽谷的定位精度問題很難徹底解決，它似乎是一個沒有終點的難題。為此，站在用戶的角度，我們需要不停思考：需要什么樣的傳感器技術、應該設計什么樣的算法、如何挖掘數(shù)據(jù)的最大價值。
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
