車載多感測器融合定位方案:GPS +IMU+MM

  • 2019 年 10 月 3 日
  • 筆記

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,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,由於定位設備安裝在車上,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用戶無法接收到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、視覺設備形成更豐富的多感測器融合方案。

對高德而言,地圖數據是定位業務的靈魂。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數據結合起來,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。為了解決用戶回饋的三大痛點問題:偏航重算、無法定位和抓路錯誤,結合演算法和數據,提出了一套軟體+硬體的解決方案。最後,用實測數據驗證對用戶回饋問題的改善程度。

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演算法性能有關,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;根本原因是只使用位置資訊進行抓路,沒有發揮其它數據的價值。

 

 

相關名詞

GPS(GlobalPositioningSystem):指美國國防部研製的全球定位系統。用戶設備通過接收GPS訊號,得到用戶設備和衛星的距離觀測值,經過特定演算法處理得到用戶設備的三維坐標、航向等資訊。使用不同類型的觀測值和演算法,定位精度為厘米級到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。該技術結合用戶位置資訊和地圖數據,推算用戶位於地圖數據中的哪條道路及道路上的位置。

技術方案

車機融合定位項目解決的是道路級的定位問題,受限於硬體性能,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,依靠高德的數據優勢,以數據融合模組為核心,一方面提高定位結果可靠性,彌補硬體性能上的不足,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,將用戶回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、場景識別和數據融合。如圖所示:

 

 

功能模組

車機融合定位包括數據適配層(DataAdaptive Layer)、演算法支撐層(Aided Navigation Layer)和融合層(NavigationLayer)。數據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數據,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品質評估

GPS品質評估模組的功能是計算GPS位置、速度、航向角和全局可靠性指標。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數據品質的好壞。如圖所示:

評估GPS品質有兩個目的:第一,決定是否使用GPS數據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,在數據融合模組,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數據來補償速度敏感器誤差參數(比例因子)和IMU的誤差參數(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參數設置。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,它通過構建導航誤差微分方程實現;模型參數是指狀態轉移雜訊和觀測雜訊,觀測雜訊的設置與GPS品質評估模組相關。

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通過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,誤判的概率較高,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,求特徵資訊的轉移概率;
  • 根據DR精度分類計算卷積和,求最終概率。

 

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,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

為驗證本項目演算法的效果,我們採集了實測數據,並從以下兩方面驗證:

  • 驗證演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品性能的比較。 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、感測器資訊和地圖數據,將GPS可靠性歸一化;
  • 場景分類:參考地圖道路屬性和GPS訊號分布判斷是否有遮擋。

在高架下採集兩圈數據,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,本項目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,本項目採集瞭望京soho停車場的數據,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,我們與市面的中高端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優化。全場景下的位置誤差佔比提升約20%。

小結

針對用戶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,站在用戶的角度,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、如何挖掘數據的最大價值。

 

關注高德技術,找到更多出行技術領域專業內容