車載多感測器融合定位方案：GPS +IMU+MM

導讀

高德定位業務包括雲上定位和端上定位兩大模組。其中，雲上定位主要解決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，隨著定位業務的發展，使用者對在城市峽谷（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，由於定位裝置安裝在車上，一方面，它可以搭載更豐富的定位感測器來解決特殊場景的問題，另一方面，各個感測器之間相互固連，有利於高精度的演算法設計。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境使使用者無法接收到GPS訊號或GPS訊號受干擾，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，無法從演算法上來克服。

針對這個問題，以GPS+IMU的多感測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、視覺裝置形成更豐富的多感測器融合方案。

對高德而言，地圖資料是定位業務的靈魂。多感測器融合只是定位業務中的一部分，如何把多感測器與地圖資料結合起來，始終是我們在思考的問題。

針對車機應用，我們使用GPS、IMU、里程計等感測器，結合高德地圖的地圖優勢，提出了一種結合地圖匹配（Map Matching）的多感測器融合演算法——GPS/IMU/MM融合（軟體+硬體的解決方案）。

本文概述了車載多感測器融合定位專案背景，該專案確立是為了向使用者提供好的導航定位服務。為了解決使用者反饋的三大痛點問題：偏航重算、無法定位和抓路錯誤，結合演算法和資料，提出了一套軟體+硬體的解決方案。最後，用實測資料驗證對使用者反饋問題的改善程度。

車載應用的痛點

• 偏航重算：是指在高架或城市峽谷，訊號遮擋引起位置點漂移；
• 無法定位：是指在無訊號區域（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定位精度由觀測環境決定，難以改善；DR航位推算精度與DR演算法效能有關，尤其是里程計系統誤差和陀螺零偏的標定精度。對於抓路錯誤，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分；根本原因是隻使用位置資訊進行抓路，沒有發揮其它資料的價值。

相關名詞

GPS(GlobalPositioningSystem)：指美國國防部研製的全球定位系統。使用者裝置透過接收GPS訊號，得到使用者裝置和衛星的距離觀測值，經過特定演算法處理得到使用者裝置的三維座標、航向等資訊。使用不同型別的觀測值和演算法，定位精度為釐米級到10米級不等。GPS的優點是精度高、誤差不隨時間發散，缺點是要求通視，定位範圍無法覆蓋到室內。

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，用於計算載體姿態；加速度計測量物體三軸的線加速度，可用於計算載體速度和位置。IMU的優點是不要求通視，定位範圍為全場景；缺點是定位精度不高，且誤差隨時間發散。GPS和IMU是兩個互補的定位技術。

MM(Map matching)：指地圖匹配。該技術結合使用者位置資訊和地圖資料，推算使用者位於地圖資料中的哪條道路及道路上的位置。

技術方案

車機融合定位專案解決的是道路級的定位問題，受限於硬體效能，目前市場上通用的技術方案有兩種，如下表1所示：

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1表明，目前市面上存在的通用方案並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；在演算法層面上，依靠高德的資料優勢，以資料融合模組為核心，一方面提高定位結果可靠性，彌補硬體效能上的不足，另一方面對抓路錯誤問題進行專門的演算法設計。

更進一步，將使用者反饋的三個問題解構為演算法上解決的三個問題：器件誤差標定、場景識別和資料融合。如圖所示：

功能模組

車機融合定位包括資料適配層（DataAdaptive Layer）、演算法支撐層(Aided Navigation Layer)和融合層(NavigationLayer)。資料適配層負責將不同輸入標準化、將訊號同步；演算法支撐層計算中間結果，為融合層服務；融合層是整個系統的核心，它負責融合演算法支撐層輸出的資料，得到可靠的導航資訊。圖3列出了各層所處位置及每個層的具體功能模組：

下面，將功能模組分為基礎模組和特色功能兩個部分分別進行介紹。

基礎模組

GPS質量評估

GPS質量評估模組的功能是計算GPS位置、速度、航向角和全域性可靠性指標。根據可靠性指標的大小將其投影到狀態空間（GOOD、DOUBT、BAD、ABNORMAL）中，狀態空間的值表徵GPS資料質量的好壞。如圖所示：

評估GPS質量有兩個目的：第一，決定是否使用GPS資料進行器件誤差標定或某些狀態的判斷（如轉彎行為、動靜狀態等）；第二，在資料融合模組，為設定GPS觀測量的方差—協方差陣提供參考。

器件補償

無GPS訊號環境時，定位只能依靠DR演算法。DR演算法精度主要取決於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：

為改善無GPS訊號環境的定位精度，必須進行器件誤差補償。

補償模組的主要功能是利用GPS資料來補償速度敏感器誤差引數（比例因子）和IMU的誤差引數（陀螺儀天向比例因子和陀螺儀三軸零偏）。補償的目的是在無GPS訊號或弱GPS訊號的場景，僅靠DR演算法也能得到較為可靠的導航資訊。

DR演算法

DR(DeadReckoning，航位推算)演算法是指已知上一時刻導航狀態（狀態、速度和位置），根據感測器觀測值推算到下一時刻的導航狀態。DR演算法包括姿態編排和位置編排兩個部分。

姿態編排使用的是AHRS（Attitude andheading reference system ）融合演算法，處理後輸出車機姿態資訊。姿態編排流程如圖6所示：

位置編排是指結合姿態編排結果，對測速儀觀測值進行積分後得到車機位置。

融合演算法

車機融合定位專案使用了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資訊，如表3所示。以位置資訊為例，GNSS、MM和DR都輸出車機位置，但由於不同技術手段有各自的誤差源，致使不同技術的定位結果並不相同。

因此，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、測速儀尺度誤差和導航誤差等）。

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，它透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值，如圖7所示。即經過補償得到了導航資訊的最優估值。

特色功能

主輔路識別

以往的主輔路識別策略是透過DR輸出的位置和方向與兩條候選路的關係，選擇最接近的候選路作為輸出。但對於道路級定位系統而言，DR輸出誤差與兩條路的差異在同一量級，誤判的機率較高，所以，需要從一些駕駛特徵來解決此問題，例如，路口附近的轉彎、變道等。

如圖所示，具體步驟為：

• 提取駕駛行為特徵，求特徵資訊的轉移機率；
• 根據DR精度分類計算卷積和，求最終機率。

高架識別

過去，高架識別策略是透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，以避免引入速度誤差。高架識別流程如圖所示：

停車場識別

停車場識別是新增模組，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使用者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援。

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訊號、上下坡、低速、高程變化等一系列特徵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、高程變化等特徵判斷車機是否在停車場內有跨層行為。識別流程如圖所示：

效果

為驗證本專案演算法的效果，我們採集了實測資料，並從以下兩方面驗證：

• 驗證演算法對使用者痛點問題（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品效能的比較。

融合抗漂

針對高架和城市峽谷的偏航重算（位置漂移）問題，車機演算法做了以下兩點改進：

• 多元參考：結合運動趨勢、感測器資訊和地圖資料，將GPS可靠性歸一化；
• 場景分類：參考地圖道路屬性和GPS訊號分佈判斷是否有遮擋。

在高架下采集兩圈資料，使用車機軟體和市場某款同類軟體進行處理，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，本專案的抗漂能力明顯優於傳統方案。

器件標定

為驗證有無陀螺儀動態零偏估計對DR方向和位置解算精度的影響，本專案採集瞭望京soho停車場的資料，經解算，效果如下。測試表明，經動態零偏補償後，DR精度明顯提高：

• 零偏：動態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。

主輔路識別

為計算主輔路識別的成功率，統計了近千條主輔路的識別效果，識別率達到90%以上，大於某廠商產品的75%。

橫/縱向對比

最後，我們與市面的中高階競品進行了橫向對比，與高德手機端定位產品進行了縱向對比。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佔比均在90%以上，相對競品，提高了1%~5%。主輔助路識別準確率優於90%，相對於競品提高了15%。

縱向對比結果表明，在不同場景（高架，城市峽谷，環島，停車場出口等）下，不超過某一閾值的位置誤差佔比提升15%~60%不等，這是因為車機演算法對特殊場景（無GPS或弱GPS場景）進行了專門的演算法設計和最佳化。全場景下的位置誤差佔比提升約20%。

小結

針對使用者提出的三大痛點問題，本文結合多感測器融合和地圖匹配，提出了一套車載多感測器融合定位方案，並應用於實際，提高了在城市峽谷中的定位精度，並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，站在使用者的角度，我們需要不停思考：需要什麼樣的感測器技術、應該設計什麼樣的演算法、如何挖掘資料的最大價值。

關注高德技術，找到更多出行技術領域專業內容