共计 5261 个字符，预计需要花费 14 分钟才能阅读完成。
导读
10 月 30 日，华为联结高德、千寻公布了业内首家面向手机用户的车道级导航利用。在这背地是高精度定位技术一直演进倒退，最终走向成熟量产的过程。本文将联合高德地图在车道级导航及主动驾驶等畛域的工作，分享咱们对于高精度定位技术演进的思考，以及在高精定位理论落地利用中的一些实际。
一、高德定位技术概述
定位技术是撑持高德地图的导航、交通等外围业务的要害根底技术，他的次要工作是确定物体（通常是人或车）在一个绝对固定的坐标系中的地位和姿势。咱们用手机高德地图作为例子来阐明都有哪些技术在理论利用场景中发挥作用。
通常手机的根底定位能力是由手机的 GNSS 芯片提供的，它为咱们在室外的绝大部分场景下提供了 5~10 米的定位精度。然而在卫星信号不好的时候，定位可能会漂移，咱们须要辨认出这种状况。另外，当信号受到烦扰的时候，地位可能呈现有法则的偏移，咱们也要辨认出烦扰，并且在可能的状况下从新解算出正确的地位。当 GNSS 定位不准的时候，想要继续定位，能够利用传感器辨认出步行 / 驾车状态，再进行航位推算（PDR、VDR）。当进入室内卫星信号失落了，罕用的定位办法是依据手机扫描的基站和 Wifi、蓝牙等信号做网络定位。
下面这些技术提供了根底的地位坐标，而在导航过程中，咱们更关怀的是行驶在哪条路上，有没有偏航，间隔下个路口有多远，想得到这些信息就须要用到地图匹配技术。在一些非常复杂的场景下，比方高架桥、主辅路，判断路线变得十分艰难，这时候还须要用到一些专门的辨认模型来解决匹配问题。
图 1 手机高德地图中的定位技术
下面提到的只是具体一个业务场景中的局部技术，上面展现了高德定位技术的一个更残缺的大图。总的来讲，咱们是通过构建一套“云 + 端 + 数据”的残缺的技术体系，并建设品质迭代零碎保障各技术模块的继续更新迭代，来撑持泛滥的定位业务利用。
图 2 高德定位技术大图
二、定位技术如何向高精演进
回到图 1，咱们能够看到这里提到的定位技术只管扩大了用户场景，但在定位精度方面并没有显著晋升。如果要实现后面提到的车道级导航，乃至更加智能化的主动驾驶，就要求定位精度显著进步到亚米级，甚至厘米级。那么怎么做到这一点？咱们上面会从技术的角度做一个剖析梳理。
首先，咱们把图 2 中波及的，以及其余更宽泛的定位技术，依照定位原理分成三类，别离是航位推算、几何定位和特色定位。针对不同的定位类型剖析影响精度的因素，总结晋升精度的办法，最终冀望找到实现高精定位的技术门路。
表 1 不同定位技术的剖析汇总
1. 航位推算
航位推算的基本原理是从上一时刻地位登程，依据静止方向和间隔推算下一时刻的地位。显然这种定位办法须要一个已知的起始地位，否则就只能失去绝对的地位变动。同时在推算过程中定位误差会一直累积增大，所以影响精度的间接因素就是推算工夫或间隔。
此外，推算精度还受到每个时刻的测量精度的影响，对于惯性传感器，这就间接由惯性器件的精度决定。例如，精度最高的策略级惯导，随工夫发散的地位误差可达 30m/hr，相比之下，战术级惯导精度要差 3 个数量级，而咱们罕用的生产级微机械（MEMS）惯导精度比战术级要再差 1~2 个数量级。
除了器件精度，推算过程中的模型精度也会影响定位精度，这蕴含两个方面：一是对器件测量误差的弥补模型，二是对计算误差的弥补模型。通常只有当器件自身的精度足够高时，才须要思考更准确的弥补模型。
2. 几何定位
几何定位是对已知地位的参考设施进行测距或者测角，再通过几何计算确定本身地位。依据几何计算的形式不同，包含 RSS（信号强度）、TOA（达到工夫）、AOA（达到角）、TDOA（达到时间差）等多种办法。对于测角定位办法，一个小的角度测量误差可能在间隔定位设施较远的中央产生很大的地位误差，因而这种办法（如采纳 AOA 办法的蓝牙定位）的定位精度通常受范畴限度。在测距办法中，采纳工夫达到模型（如采纳 TOA 办法的 GNSS 定位，采纳 TDOA 办法的 UWB 定位）比信号强度模型（如采纳 RSS 办法的蓝牙和 Wifi 定位）更有可能取得较高的定位精度。但在理论利用中，最终的定位精度受到间隔测量精度的影响，尤其是在卫星定位这一类长距离信号流传的场景中，如何打消信号流传门路上的测量误差，就成为决定定位精度的要害。此外，几何定位的精度也受到定位设施数量和散布的影响，同时观测的设施越多、散布越平均，精度通常也越高。
3. 特色定位
特色定位办法首先获取周围环境的若干特色，如基站 id、Wifi 指纹、地磁场、图像、Lidar 点云等。接下来有两种解决形式，一种是把接管到的特色和当时采集的特色地图进行匹配，确定在特色地图中的地位；另一种是没有特色地图，通过比照前后帧的特色变动来进行地位姿势推算（即 SLAM 技术），达到相似航位推算的绝对定位成果。显然，影响特色定位精度的间接因素是特色的数量、品质和区分度。
因而，采纳信号指纹特色（如 Wifi 指纹）的定位办法因为指纹的稠密性通常精度无限。基于环境感知特色的定位办法在采集的特色足够密集的状况下（如高线数 Lidar，中高分辨率图像等）能够达到很高的精度，然而在理论利用中受环境影较大，当环境特色繁多的时候（如天空、雪天）精度就会降落甚至无奈定位。另外，特色地图匹配办法的定位精度也受到特色地图精度的限度，特色推算办法（如视觉 SLAM）的定位误差会随间隔累积，具备相似航位推算的发散成果。
综合下面的剖析，能够筛选出具备高精度定位能力的技术选型。残缺的高精定位计划首先须要至多一项高精度相对定位技术，如几何定位中的 GNSS 定位，特色定位中的 Lidar 点云匹配等；其次，针对这些计划中的场景限度，辅助绝对定位伎俩，如 DR、SLAM 技术等，进行补充。
表 2 高精定位的技术路线
三、高精定位业务场景与解决方案
下面从技术的角度剖析了高精定位可能的实现门路，接下来咱们从高德的具体业务场景登程，看一看这些技术在理论业务中是如何落地的。
1. 理论业务场景须要什么样的高精定位能力
出行场景是高德地图的外围业务场景。以驾车出行为例，传统的出行利用是以 TBT(Turn-by-turn) 导航为代表的路线级利用，它对于定位精度的要求在 10m 左右。更精密的导航体验，如车道级导航，须要将汽车定位到车道上，这就须要地位精度达到 1 米以内。对于智能驾驶场景，为了保障机器主动驾驶的安全性，对定位精度的要求更高，个别在路线横向的精度须要小于 20 厘米。
图 3 驾车出行场景的高精利用
除了对精度的要求，不同业务场景对于高精定位能力还提出了其余维度的要求。
1）可靠性（或完整性）：这次要用来掂量定位系统是不是有能力发现可能的谬误，这对于依赖定位进行智能驾驶的利用尤其重要。比方，零碎须要对以后的地位给出一个精度半径，当理论的地位精度小于这个半径时，零碎就是牢靠的。所以，对于可靠性要求比拟高的利用，这个半径的预计通常是激进的。
2）可用性 ：如果零碎可能精确的判断以后的定位精度满足导航、主动驾驶等业务的要求，这时零碎就是可用的。显然，可用性要求精度半径的预计不能太大，否则零碎会频繁认为定位不牢靠，导致相干的性能无奈应用。
3）算力 ：作为传统导航利用的降级，车道级导航对于算力的敏感度较高，通常要求满足目前的手机、车机导航的算力限度。智能驾驶依据不同的智能水平分级（SAE Level1~Level5），对算力的要求也不同。通常低等级智能驾驶搭载的传统汽车电气架构无奈提供更多的算力资源，而高等级智能驾驶应用的集中计算单元能够提供的算力资源更丰盛。
除此之外还有许多与理论利用相干的需要，比方输入定位后果的工夫稳定性，定位可能笼罩的场景范畴等。
总结一下，车道级导航须要的外围能力是辨认以后车道，这个别要求定位精度小于 1 米，同时作为导航利用，须要在传统导航的根底上进步路线匹配的准确率。低等级智能驾驶（L3 以下）要求车道辨认和路线匹配（这次要是为了保障智能驾驶只在容许的路线范畴内关上，如高速路）的准确率更高，更进一步要求横向地位精度达到 20 厘米，另外对系统的可靠性要求也更高。
下面的两类利用是咱们目前最次要的业务场景，它们都要求在较低算力条件下实现高精定位性能。为了满足这些业务的须要，咱们开发了轻量级的一体化交融定位引擎。
2. 轻量级的一体化交融定位解决方案
这里咱们应用的定位技术次要包含：RTK-GNSS 技术，图像语义匹配，IMU 或汽车模型 DR 技术等。其中，图像语义匹配应用视觉设施（通常为车上装载的智能摄像头，如 mobileye 等）辨认的车道线、高空标记等信息作为输出，与高精地图数据进行匹配定位，这一过程解决的语义因素无限，所以算力耗费不大。至于其余技术在传统导航定位中曾经波及，所以计划整体的算力耗费能够管制在和一般导航同一量级。
图 4 一体化交融定位解决方案
下面的一体化计划框架能够接管全副或局部定位信号输出，同时提供路线级和车道级的定位后果，保障了在全场景下定位的连续性。在具体利用中落地时，计划的模式又有所不同。
对于智能驾驶利用，高可靠性要求零碎具备更多的冗余信息来容错，因而通常须要 RTK-GNSS、IMU、视觉语义等所有信息输出，在收到这些信息之后须要解决两个问题：1）如何判断输出信号哪些是牢靠的，2）如何充分利用所有信息进行交融定位。
这里咱们采纳了基于多假如的粒子滤波作为高精交融定位的根本算法，并且设计实现了上面的算法改良：
- 依据假如特色缩减粒子维度，缩小计算量；
- 采纳分层归一化解决渺小系统误差导致的粒子进化问题；
- 基于上下文的后验置信度计算，解决输出信号置信度缺失或谬误；
- 基于信号窗口的输出信号提早和乱序解决；
- 利用高精卫星定位和高精地图数据辅助传感器校准，晋升 DR 能力。
目前该算法曾经在一款 L3 级别智能驾驶车型上落地，正在进行大规模试验验证。
对于车道级导航利用，因为老本和应用条件的限度，通常无奈获取所有输出信息。然而依据表 2，咱们至多须要 RTK-GNSS 或者视觉语义其中之一进行高精度相对定位。在手机终端上，比拟便捷的实现计划是降级手机 GNSS 芯片反对 RTK 差分来晋升精度。在后面华为手机上首发的车道级导航利用就是综合了华为和千寻的相干技术和服务来实现高精度的相对定位。
对于车机，能够将车上用于低等级智能驾驶性能的智能摄像头信息接入导航，间接降级车道级导航性能。在这个利用场景下的高精交融定位依然是以下面的粒子滤波算法作为根底，但须要在算法和工程上灵便适配各种不同的输出信号类型和信号特色。
另外，针对导航场景的特点，一体化交融定位还依据车道级定位后果，比方汽车是不是在进口车道上，来辅助判断主辅路、高架桥等简单路况条件下的偏航状况，晋升用户导航的整体体验。
目前基于华为手机的车道级导航要公布上线，车机的车道级我的项目也正在施行落地，不久就会和大家见面。
3. 面向简单场景的多元紧耦合 SLAM 技术
下面的轻量级交融定位计划能够解决室外大部分遮挡少、语义清晰场景的高精度定位问题，然而对于更简单的场景，比方室内、停车场、城市简单路口等，高精度 GNSS 可能有效，视觉语义信息也较少，这时候就须要交融更丰盛的定位伎俩。在高等级智能驾驶（L4 以上）中通常应用 Lidar 点云匹配，和 / 或高精度惯导 DR 来保障继续的高精度定位，但 Lidar 和高精惯导的老本很高，大规模利用受限。SLAM 技术能够用低成本视觉传感器，继续推算高精度地位和姿势，能够作为低成本高精定位的无效伎俩。相比下面的轻量级计划，它的算力老本较高，然而在目前终端算力继续降级的大环境下，依然具备很好的落地后劲。
咱们的思路是用一套紧耦合的计划，尽可能充分利用各种低成本传感器：GNSS、IMU、视觉等提供的信息，根据这些信息在不同维度上的误差特色，建设最优化模型，实现最优的地位姿势预计。
图 5 多元紧耦合 SLAM 算法框架
咱们在公开数据集 EuRoc 和 Kaist 上比照了这一套多元紧耦合 SLAM 算法和目前风行的视觉 -IMU 交融算法、视觉 -IMU-GNSS 交融算法的成果，其地位精度晋升 1 倍以上。接下来咱们将在手机、车机终端上优化算法的算力耗费，并在将来面向全场景的高精度导航、智能驾驶利用中落地。
四、总结与瞻望
定位技术的倒退由来已久。事实上，如果咱们回到二三十年前甚至更早，那时候就曾经产生了用于测绘的业余的高精定位技术，所以定位精度自身并不是问题。然而明天在人们出行形式粗浅改革的背景下再进步精定位，咱们面临的问题是怎么样构建用户用得起，又真正可能为出行提供便当的技术和利用。
所以，将来的高精定位首先须要扩大场景利用，从室外到室内，从驾车到步行，最终达到全场景笼罩。针对场景利用的特点，明确对高精定位在精度、可靠性、老本等各个维度上的需要。充沛联合以后疾速倒退的传感、通信、计算等畛域技术，设计最佳的解决方案。可能的研发方向包含：
- 更低成本的高精 GNSS 技术，如 PPP-RTK 技术等；
- 基于最新通信技术（如 5G）的高精度定位；
- 基于最新感知技术（如低成本 Lidar）的高精度定位；
- 对各种定位技术的更深度的交融计划（如 IMU、视觉辅助 RTK 解算）。
