導讀
地圖軟體現在已成為人們出行必備的重要輔助工具。為了實作準确的導航，首先必須準确确定人或車的目前位置。是以，定位技術就是實作導航功能的基石。
本文較系統的介紹了手機、車機導航定位中使用的關鍵技術，以及高德地圖在這些關鍵技術中的進展。最後，讨論了在傳統導航向自動駕駛的演進過程中，定位技術的演進路徑。
1.導航定位架構
導航定位的核心業務目标是為導航服務提供連續可靠的定位依據，包括：目前在哪條路上，是否偏離路線，距離下一個路口有多遠，等等。
為實作這一目标，首先需要接收定位信号輸入。最常見的定位信号是GPS，其可以提供全域米級精度（5~10m）的位置資訊。在此基礎上，大部分手機同時配置了慣性傳感器（陀螺儀、加速度計）和磁力計，還有部分手機配置了氣壓計，可以感覺高程方向的位置變化。
對于車機，通過CAN總線擷取的車速脈沖、方向盤轉角等資訊是另一類重要的定位輸入。基于上述定位信号，應用姿态融合、航位推算等算法，計算出連續可靠的位置和姿态。再依據地圖資料将人/車的實際位置與地圖道路關聯，實時判斷目前是否已經偏離導航路線，或更新目前在導航路線中的相對位置。
圖1 導航定位架構
在上述定位架構中，針對不同端的形态（手機/車機），輸入定位信号的配置不同，使用的定位技術及覆寫的定位場景也不同。
對于手機，存在步行、騎行、駕車等多種使用場景，需要對使用者行為進行識别。在步行場景下，由于速度較低，GPS方向不準确，手機姿态通過融合慣導和磁力計計算實作。在駕車場景下，位置和姿态主要由GPS提供，針對GPS跳躍、漂移等複雜情況設計可靠的地圖比對算法是手機定位重點要解決的問題。
對于車機，隻存在駕車使用場景。同時，由于車機具備穩定的安裝狀态并可以提供更豐富的車輛CAN總線資訊，基于這些資訊設計航位推算及融合算法，解決隧道、高架、平行路等複雜場景的連續定位問題是車機定位的重點。
2.手機導航定位
2.1.姿态融合技術
常用的姿态融合技術又稱為AHRS（Attitude and heading reference system ）。對于六軸慣性傳感器融合，包含陀螺儀和加速度計，其AHRS算法如下圖所示。陀螺儀測量的是角速度，角速度積分即可得到某一時間段内的角度變化。加速度計測量的是物體的加速度，包含重力加速度，當靜止時，通過獲得重力加速度在三個軸上的分量可以計算相對傾斜角度。AHRS算法采用濾波方法，如互補濾波、Kalman濾波，對不同傳感器姿态進行融合。
圖2 AHRS融合算法
對于九軸傳感器，額外提供了三個軸向的磁力計方向，同樣利用上面的算法架構進行融合。
2.2.地圖比對技術
傳統的地圖比對方法是在定位點附近道路中，根據距離、方向接近等一些判斷準則找到最可能是汽車行駛道路的比對道路。這種方法實作簡單，但通常GPS定位誤差是十米，在信号幹擾、遮擋的情況下可以達到幾十米甚至上百米，而地圖測繪誤差、地圖簡化誤差同樣可以達到十幾到幾十米。在各種誤差條件下，單純依靠距離、方向這樣的幾何特征判斷做政策比對是很不穩定的。
對于一個好的地圖比對算法，為了穩定準确的确定比對道路，需要綜合利用定位源和地圖的各種輸入資料，做融合計算，并根據汽車行駛的特點對各種特殊場景做處理。對于多源資訊融合，隐馬爾可夫（HMM）是一個比較常用并且有效的方法，是以我們采用HMM作為比對算法的核心，并輔以場景政策算法，實作地圖比對。
在HMM地圖比對算法中，比對道路是未知的，作為隐藏變量zn。每個時刻觀測到的GPS定位資訊是觀測變量xn。地圖比對的目标是在已知定位資訊的情況下對比對道路進行估計：
對上述問題，可以采用維特比算法用遞推的方法進行計算。
在HMM架構下建立地圖比對模型，核心在于确定發射機率模型和轉移機率模型。發射機率模型的确定依據定位位置和方向。
1）對定位位置，與道路距離越接近機率越大，反之機率越小。同時考慮比對道路的選擇對橫向距離誤差較敏感，對縱向距離誤差不敏感。采用正态分布建立模型。
2）對定位方向，與道路方向越接近機率越大，反之機率越小。同時機率與速度有關，速度越大越可信。采用Von Mises分布，以速度為超參數建立模型。
圖3 位置發射機率 圖4 方向發射機率
轉移機率模型的确定依據道路距離、道路轉角對汽車行駛的限制建立。
道路轉彎的角度越大，速度較大的機率越低。采用Von Mises分布，以速度為超參數建立模型。根據車速和時間差計算移動距離，該距離和路徑移動距離越接近，機率越大。采用指數分布建立模型。
圖5 速度轉移機率 圖6 移動距離轉移機率
上述算法在高德地圖手機APP上實作了落地，為駕車導航提供準确的定位比對結果，用于導航的引導播報等功能。對比原來使用政策的地圖比對方法，HMM算法在比對準确率和穩定性上都有顯著提升。
3.車機導航定位
3.1.車機定位方案
對于車機導航，如何充分利用車輛傳感器和總線資訊，優化駕車導航各種複雜場景體驗是定位要解決的核心問題。其中，複雜場景包括：隧道、地下停車場定位失效，城市峽谷區域定位漂移等。
解決上述痛點問題的關鍵在于多傳感器融合技術。例如，當GPS漂移或失效時，利用車速脈沖與慣導融合的航位推算技術進行持續定位，但航位推算會産生累計誤差，需要地圖資料進行回報矯正，同時地圖資料和GPS又可以對慣導參數進行标定，提升航位推算精度。
在實際車機導航項目中，傳感器配置不同，又會衍生出不同的定位方案，如下表所示。
其中，純GNSS方案無法使用任何傳感器融合手段，定位效果最差。前端融合方案實作了慣導和車速的前置融合，可以滿足部分GPS失效場景的持續定位，但由于累積誤差的影響，提升有限。車輛模型方案和後端融合方案都實作了傳感器、GPS與地圖資料的完整融合，是以定位效果更好，其中車輛模型方案使用車輛CAN總線的傳感器資料，而後端融合使用車機安裝的慣導傳感器，在對傳感器選型及安裝使用方式進行精細适配之後，可獲得最佳的定位效果。
3.2.傳感器融合技術
以後端融合為例，傳感器融合算法架構如下。
圖7 傳感器融合算法架構
融合算法有兩個目的：第一，将不同技術的導航資訊融合成唯一導航資訊，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、測速儀尺度誤差等）。
融合算法基于Kalman濾波實作，其關鍵在于模型建立和模型參數設定。Kalman濾波模型由狀态轉移方程和觀測方程構成。狀态轉移方程表示相鄰導航狀态之間的轉移關系，它通過建構導航誤差微分方程實作；模型參數是指狀态轉移噪聲和觀測噪聲，觀測噪聲的設定與GPS品質評估子產品相關。經Kalman濾波處理後，得到導航誤差的最優估計。
實作了完整資訊融合的傳感器融合技術可以在使用低成本傳感器條件下達到甚至超過高成本專業慣導裝置的定位效果。
下圖展示了采用後端融合方案的車機導航定位效果。圖中藍色是GPS位置，紅色是高精度基準裝置的定位軌迹，綠色是車機導航定位軌迹。可以看到，在GPS被遮擋的停車場，或GPS被幹擾的區域，車機導航定位始終可以持續穩定的輸出高精度的定位位置，保證了車載導航功能的可靠運作。
圖8 停車場定位效果 圖9 信号幹擾區定位效果
4.高精定位演進
傳統的導航定位僅需要解決道路級的定位問題，對定位精度的要求不高。但随着輔助駕駛、自動駕駛等越來越多的應用場景出現，對定位精度的要求也不斷提高，如下圖。
圖10 高精定位演進
對于車道級導航，定位需要能分辨出汽車目前所在的車道，這就要求定位精度達到米甚至亞米級，而對于更先進的智能駕駛應用，為保證安全，需要定位精度達到厘米級。
為達到更高精度的定位能力，需要對現有的定位手段進行更新。一種更新的方法是，對現有的定位輸入源直接更新，如普通GPS更新為更高精度的RTK-GPS，低成本MEMS慣導更新為高精度慣導，這樣可以在基本不改變原有算法架構的基礎上直接獲得高精度的定位能力。但缺點是，原有算法的缺陷，如長時間GPS丢失場景的累積誤差問題依然存在，且成本較高。另一種方法是引入新的定位源，如雷射雷達、毫米波雷達、攝像頭等。這就需要針對這些新的傳感器開發新的融合定位算法。不同的高精定位方案對比如下表。
上面方案中，高德與千尋合作開發了基于千尋RTK服務的高精定位解決方案“知途”，實際道路評測在高速及普通道路場景下的定位精度可達到10cm以内。該方案不依賴于其他任何傳感器或地圖資料，具有全域高精度的特點，可作為獨立的高精度定位解決方案。
圖11 “知途”高精定位樣機
在基于環境特征比對的相對定位方案中，雷射雷達方案是較成熟可靠的，也是自動駕駛早期原型階段最普遍采用的定位方案。但受制于雷射雷達的成本和可靠性問題，量産落地仍存在風險。基于視覺的相對定位方案成本更低，同時受益于近年來視覺算法和計算晶片領域突飛猛進的發展，在目前的量産自動駕駛中已經逐漸成為主流的定位方案。基于高德自身的圖像及定位能力建設，将在三個業務方向上進行高精定位的業務實踐。
1）面向L3自動駕駛的系統級定位：基于外部輸入的視覺語義資訊（如Mobileye發送的車道線形狀、類型等），與高精地圖資料（HD Map）比對，并結合GPS/RTK和IMU等其他定位源，實時計算車道級高精定位結果，并驅動高精資料播發引擎（EHP）發送高精資料，為自動駕駛功能提供定位及資料服務。
2）車道級導航定位：基于自研的視覺算法和雲端圖像定位能力，實作全域覆寫的車道級定位能力，驅動傳統道路級導航向車道級導航更新。
3）用于高精資料衆包采集的軟硬一體化高精定位：基于自研的低成本視覺+RTK+IMU硬體，實作基于vSlam技術的高精度絕對定位，為高精資料的采集、重建，并最終快速更新疊代提供支撐。
小結
傳統導航定位采用10m精度的GPS定位為基礎，針對手機/車機不同端，考慮他們獨特的運動特征及輸入信号配置，設計傳感器融合算法、行為判斷算法、地圖比對算法，最終滿足導航對于全場景道路級定位的精度要求。未來面向半自動、全自動駕駛應用，要求定位精度向車道級甚至厘米級演進，這需要在考慮實際落地場景的基礎上進行傳感器和算法疊代，這是下一階段定位技術演進的重要方向。