2019杭州雲栖大會上，高德地圖技術團隊向與會者分享了包括視覺與機器智能、路線規劃、場景化/精細化定位時空資料應用、億級流量架構演進等多個出行技術領域的熱門話題。現場火爆，聽衆反響強烈。我們把其中的優秀演講内容整理成文并陸續釋出出來，本文為其中一篇。
阿裡巴巴進階地圖技術專家方興在高德技術專場做了題為《向場景化、精細化演進的定位技術》的演講，主要分享了高德在提升定位精度方面的探索和實踐，本文根據現場内容整理而成（在不影響原意的情況下對文字略作編輯），更多定位技術的實作細節請關注後續系列文章。
以下為方興演講内容的簡版實錄：
今天要分享的主題是關于定位的場景化、精細化。高德定位，并不隻是服務于高德地圖本身，而是面向所有的應用開發者和手機裝置廠商提供定位服務。目前已有30萬以上的APP在使用高德的定位服務。
使用者每天會大量使用定位服務，比如看新聞、打車、訂外賣，甚至是購物，首先都是要獲得位置資訊，有了更精準的位置資訊，才可能獲得更好的服務體驗。
高德地圖有超過1億的日活使用者，但是使用定位的有好幾個億，每天的定位請求數量有一千億次。如此大的資料量，高德定位服務可以保持毫秒級的響應速度，我們在這裡面做了很多工作。此外，我們還提供全場景的定位能力，不管為手機、車機還是任何廠家，都能提供位置服務。
我今天從四個方面介紹，分别是：
- 定位面臨的挑戰
- 高德地圖全場景定位
- 分場景提升定位精度
- 未來機遇
大家可能都知道GPS，GPS在大部分情況下可以提供很好的精度，但是對于某些場景還是不夠，比如駕車，GPS給出的精度大概是10米，如果僅靠GPS定位甚至無法區分出在馬路的哪一側。
第二個場景是在室内，室内收不到GPS信号，這樣的場景下如何實作比較準确的定位？第三個場景是如何在精度和成本之間取得平衡，因為不可能為了追求一個很好的精度去無限投入成本。隻有通過海量大資料挖掘，算法和資料品質的提升，達到效果的持續優化，才能達到最終對各種場景的全覆寫。
有很多技術可以選擇，除了GPS定位，還有基于網絡定位、Wifi基站，原理就是通過掃描到的Wifi和基站清單、信号強度，進行資料庫查找，找到Wifi位置，定位。
除此之外還有慣性導航定位，慣性導航是一種相對定位的方式，可以不斷計算跟上次定位的偏移量，有了初始定位之後，根據連續計算可以獲得最終的位置。
還有根據地圖比對定位，比如GPS的點落在一個湖裡，顯然是有問題的，可以通過地圖比對，找到最近的一條路，這時候精度就得到了提升。
還有一些定位方式最近幾年變得很熱門，例如視覺、雷達、雷射，自動駕駛的概念推動了這些技術的發展，這些方式各有各的定位精度和差異性。例如視覺，在實踐中往往需要大量計算和存儲的開銷。
很多時候，還是要基于Wifi的定位，獲得初始定位，然後在不同場景下不斷的優化，通過不同的資料源提升精度。
高德地圖如何實作全場景定位
高德主要分為兩個業務場景，手機和車機。在手機上主要是GPS+網絡定位。駕車的場景下，我們還會做一些根據地圖的比對，實作對特殊道路的支援。
以往，很多使用者會回報說會遇到GPS信号不好，導緻無法定位、無法導航的情形。約有60%的情況是因為使用者位于地下停車場或者在隧道裡，約30%的情況是附近有嚴重的遮擋，比如在高架橋下，或者在很高的高樓旁。這些都會造成對GPS比較嚴重的遮擋。
我們打電話的時候，連接配接的基站可能就在一公裡範圍内，這樣短的距離傳輸信号還時常會出現信号中斷，如果GPS信号距離兩萬多米的高度，出現問題的可能性還是存在的。是以必須通過其他方式，例如地圖比對或者慣性導航來對GPS進行補充。
在室内的場景，需要解決的是如何去挖掘Wifi基站的位置，提升精度。
在車機的場景，我們會結合更多來自于汽車的資料輸入來幫助我們。
定位的基礎能力
網絡定位本質上是一個資料閉環，每個人在定位的時候，實際上是發送了本身的基站和Wifi清單，發送的資料一方面可以用來定位，另一方面也可以用做資料訓練。資料訓練主要産出兩種資料，一個是Wifi基站的位置，通過資料挖掘，我們就可以獲得大概的位置（初始定位），但是精度比較差。第二個是産生更詳細的空間信号強度分布圖。有了這個圖以後，就可以進行比較精準的定位了，根據信号強度判斷我距離這個基站和Wifi有多遠，進而對精度進行改進。
資料閉環完成以後，就是一個正向的回報，資料越多，訓練結果越多，定位結果就越準确，進而吸引更多的使用者來使用（産生資料）。這就是通過資料挖掘，不斷提升精度的閉環。
算法部分，我們也經過了不斷的疊代。最早是基于經典的聚類模型，就是掃描基站Wifi清單，聚類以後選擇其中一處作為我的位置，這個方法效率比較高，很快可以得到結果，但是精度很差。
第二步，我們把空間進行了精細的劃分，在每個網格内統計一些基礎的特征，比如曆史上的點定位的數量、定位的次數、Wifi的數量等等，計算出一個網格的打分，再對網格進行排序，最後你的定位點就是這個網格。通過這種方法，30米精度的占比提升了15%。
這種方法也有局限性，人工調參帶來的收益是有限的，調到一定程度就沒辦法再提升了。是以，第三步就是把機器學習算法引入這個過程，利用監督的學習提升到最佳的模型和參數，這樣可以在特定場景下獲得顯著提升。主要的場景就是解決大誤差的Case。
一個比較典型的問題就是，掃描到的基站Wifi可能隻有一個基站、一個Wifi，沒有别的資訊了。這個基站Wifi又離的特别遠，無論選擇基站還是Wifi，都有50%的機率是算錯了。有監督學習，就可以把海量的配送拿出來，精細化的挖掘細微的差異，達到全局最優的效果，在某一情況下選基站，某一情況下選Wifi。把犯錯的比例降低了50%。
上圖就是我們的線上神經網絡的模型，神經網絡用于線上服務現在是比較流行的方式，我們在這裡實際上是利用基站和Wifi的信号強度和混合特征作為特征輸入，同時把曆史位置也作為序列放進來，這個曆史位置特征會放入一個RNN模型，預測現在的位置，使用預測的結果和基站Wifi清單特征，再往下預測，最後是網格的打分。最終輸出一個機率最高的網格作為輸出。
這個方法最大的挑戰并不是在算法，而是算法效果和工程上的可實作性，如何能夠達到最優。高德每天有上千億次的調用，延時要在10毫秒以内。
另外，資料量很大，所有的資料，每條都有很多特征，線上的資料存儲大概有幾十個TB，這個資料量也不可能放在線上服務裡做，是以要做相應的優化。
我們做了三個方面的優化，第一是分級排序。把定位過程變成一個顯微鏡步驟，先做一個很粗略的定位，然後逐漸收斂到很精确的位置。粗略定位的時候可以用很大的網格，用很少的特征，快速過濾掉一些不可能的位置。
然後，在很精細的網格裡，用更多的特征、更多的網格進行排序。通過這種方法，就可以極大提升計算的效率，把一些不必要的計算過濾掉。
第二是模型簡化。雖然深度學習的效果很好，但是不可能線上上用很複雜的模型，我們通過減少層數和節點數，把浮點數精度降低。
第三是特征壓縮。這裡面有特色的一點是我們根據模型進行的壓縮，原始特征的輸入的數量是很大的，我們增加一個編碼層，輸入的特征經過編碼層以後，隻輸出兩個位元組的特征。我們把線上、離線的資料處理好以後，最後線上隻存儲兩個位元組。通過這種方法，線上特征的資料量降低了10倍，降低到1個TB以内。以上是解決的幾個主要問題。
不同場景下的精度提升
在室内場景，經常會定位到室外去，這跟剛才介紹的序列流程是有關系的，因為采集過程更大機率是在室外，序列後的Wifi位置都在馬路上，是以定位最後的機率也是在馬路上，但是這對使用者體驗是很差的。比如打車，可能在室内叫車，定位在對面的馬路上，但這條馬路可能是不對的，需要找到我在哪個樓裡，離哪個道路比較近。
怎麼解決這個問題？一種方法是通過資料采集，就是在室内進行人工的采集，使訓練資料的資料分布跟實際的預測資料分布保持一緻，這種方法當然精度比較好，但是主要缺陷是成本非常高，目前也隻是在熱門商場和交通樞紐進行這樣的資料采集，這肯定不是一個可擴充的方法。
我們的方法是想通過引入更多的資料優化定位過程。如果能基于地圖資料挖掘出Wifi和POI的關系，就可以用資料關聯提升精度。比如掃到一個Wifi，名字叫KFC，有一個可能就是你在肯德基裡，這個方法比較簡單。實際用的方法會更加複雜。
我們是利用Wifi信号的分布反向挖掘出位置，上圖裡藍色的部分就是樓塊的位置，紅色的點是Wifi的真實位置，綠色的點是采集到Wifi的位置，綠色越亮，代表這個地方的信号強度越強，通過這個圖放入圖像學習，比如用CNN挖掘出它的位置以後，我們就可以建立一個Wifi跟樓塊或者跟POI的關聯，通過這個方法可以使全量Wifi的30%都能關聯上相應的POI或者樓塊。
線上的時候需要知道使用者什麼時候在室内，什麼時候在室外。我們用的是利用信号強度特征做區分的算法，在室内室外掃描到的Wifi清單和強度會有很大差别，通過這個差别可以訓練出模型。綠色的點預測為室内的點，藍色的點是室外的點。通過這種方法，定位精度提升了15%。
駕車場景，導航過程中可能會遇到的常見問題。第一個問題是無法定位，開到停車場或者有遮擋的地方，第二個場景是點會有漂移，因為GPS受到建築或者其他遮擋的時候，會産生精度下降的情況。第三種情況是無法區分主路，可能會錯過路口。
對于以上問題，我們采用的是“軟+硬”融合定位，軟的部分包括兩部分，一個是基于移動定位，第二個是根據地圖比對。經過兩個“軟+硬”結合之後，我們在GPS 10米精度做到90%以上，可以實作高架主路和停車場的持續導航。
這裡面關鍵的就是如何實作融合定位，比較有特色的一點就是我們做車機的傳感器子產品是低成本的，成本不到100元，其他類似産品成本是比較高的，可能需要幾千塊錢。使用低成本的器件，能夠更容易得到普及。缺點是精度比較差，定位準确性差一些。要通過軟體的方法彌補硬體上的缺點。
我們的解決辦法分成三個步驟，首先是航向融合。陀螺儀有相對的角度可以算出來，加速器可以算出地球引力的方向，這兩個結合以後就可以建立一個濾波方程，把真實的方向持續不斷的輸出。第二，把三維的方向和GPS的結果進行一次融合，就可以計算出修正後的位置。第三步，再和地圖比對做對比，因為我們知道它的方向、位置以後，就知道它是在上坡還是下坡，是在高架上還是高架下。還有一點，比對後的位置跟GPS原始位置做對比，如果差别很大，GPS可能發生了偏移，我們就把GPS舍棄掉，隻用慣性導航推算。
這裡面有三個特點，第一，參數動态标定，不需要對器件有初始的标的，我們通過三維的計算出方向，用地圖比對回報。關于地圖比對的部分，核心是我們利用HMM的算法進行位置的比對，推算每個點的道路。這裡面比較關鍵的機率，一個是發射機率，一個是位置轉移機率。
第二，我們把角度也考慮進來，角度的變化同樣用于決策轉移機率，這裡面跟位置轉移機率的差別就是引入了速度做變量，不同的速度下，發生轉角的機率是不一樣的，速度慢了可能會轉向，速度快也可能轉向，是以我們針對每個速率都有一個曲線。
上圖是定位效果，紅色的點是實際修正後的軌迹，藍色的點是原始的GPS點，下面是在高架下的效果，可以看到高架下GPS點已經非常發散了，飄的到處都是，但是修正之後跟綠色的點是重疊的。下面的圖是在停車場裡，在停車場進去的時候，藍色的點就已經消失了，但是紅色的點可以很好的還原出使用者在停車場裡持續的軌迹。
高精定位方面，高德主要建立兩種定位能力，一種是基于圖像定位，一種是基于融合定位。圖像定位是隻用圖像就可以形成比較好的分米級精度，融合定位主要是引入了兩個新的定位技術，一個是VSLAM，一個是差分GPS。這兩個方法分别應用于有GPS和沒有GPS的情況，可以提供很好的精度。VSLAM可以做到誤差很小，因為可以有圖像的方法進行修正。
自動駕駛是一個方向，并且需要從輔助駕駛過渡到自動駕駛，但系統性變化到來之前會有階段性的變化，就是服務于人的導航服務的精細化，即車道級導航。車道級導航需要高精地圖，至少是分米級的精度。
對未來定位技術發展的了解。基礎能力部分，我們認為5G的出現會為定位提供一種新的可能性，因為5G的頻率比4G更高，波長會更短。它可以測距，以前基于基站和Wifi的定位都是基于信号強度的。但是5G支援了測距以後，它就可以提供一個很好的精度，是以可能會出現一種方式，基于5G的定位可以達到類似GPS的效果。
第二是融合定位，随着各種新的資料源不斷出現，用新的算法去發揮不同資料源的特點，進而達到整體效果的提升。駕車部分，視覺定位和差分GPS技術的逐漸普及。室内部分，有超寬帶的定位，除此之外還有藍牙和Wifi的精準定位。在最新的技術标準裡，也都支援了測距和測角的技術，也就是未來新的藍牙或者Wifi的APP，可能就能提供一部分的定位能力。
是以，未來10年内，我們可能會看到這幾種方式互相融合，精度會得到質的改變。以上就是我介紹的内容，謝謝大家！