戴世智能带你读懂自动驾驶高精度行车定位技术 | 厚势 | 自由微信

戴世智能带你读懂自动驾驶高精度行车定位技术 | 厚势

原创 2017-09-01 卞江、沈纪余 厚势

厚势按：本文根据上海戴世智能（DAISCH）科技有限公司创始人卞江在厚势线下沙龙所做的主题演讲「无人驾驶的小脑——车用高精度定位的发展方向」整理而成（并非现场实录），经卞江本人审阅及授权后发布，转载请注明作者及文章来源「厚势（iHoushi）」。

引子

8 月 19 日厚势汽车轻沙龙现场图：主讲人卞江

图 1 演讲题目

图 2 演讲目录

图 1 ~ 图 2 中展示的是卞江所分享内容的主题和目录。（若有兴趣参加本9 月 3 日的最新一期轻沙龙，请点击：如何运用物联网技术解决充电安全问题。）

图 3.1 公司介绍：创始人与公司业务

图 3.2 公司介绍：无人驾驶业务

图 3.1 ~图 3.2 中展示的是主讲嘉宾的基本情况和公司的基本业务。

戴世智能（DAISCH）的两位创始人均来自同济大学汽车学院，其中，卞江在硕士毕业后曾在汽车一级供应商联合汽车电子工作多年，担任系统开发工程师。陆海峰博士在校期间长期负责实验室动力控制系统研发，实践经验丰富，并熟悉图像处理及算法优化。

目前公司的业务主要有两个部分：无人机和无人驾驶汽车。其中，无人机主要用于大载重植保，如喷洒农药，该业务已有长期稳定客户，目前运营良好。无人驾驶汽车业务主要侧重于高精度行车定位技术，该技术在无人机业务上也有应用，属于典型的公司在开拓新的财源时的有效途径之一——横向扩展（Leverage），也就是将现有技术推广到相近领域。

技术背景

图 4 技术背景

试着回想一下，当你早上要离家开车去公司时，坐进汽车的那一刹那，脑子中想到的是什么？应该是图 4 中展示的三个因素：我在哪里（家的位置），我要去哪里（公司的位置），我怎么去（两者之间的行车路线）。

事实上，这三个因素中包含了两项无人驾驶的核心技术：高精度行车定位技术与高精度地图技术。其中，对「高精度」的定义是误差范围要达到厘米级，这是实现行车安全的客观要求。

图 5 自动驾驶感知与定位技术现状

如图 5 所示，目前在道路上行驶的自动驾驶汽车大致可以分为两类：试验车（Demo车）和量产车。

就所用的感知技术而言，由于数量较少，试验车即便都配置各类价格昂贵的传感器，总成本也不会高的离谱。例如，谷歌的无人驾驶汽车上安装了激光雷达、摄像头、毫米波雷达、超声波雷达以及高精度地图。

与之相反，量产车不可能配置售价几万美元的多线激光雷达，原因很简单——车太贵，卖不掉！例如，奥迪具有 L3 自动驾驶功能的 A8 汽车上配置的是法雷奥和 IBEO 联合开发的 SCALA 四线激光雷达，线数虽然只是 64 线的 1/16，成本却是呈指数型下降的。

在某种程度上，或许正是由于特斯拉的各款配置 Autopilot 系统的汽车已经在售的缘故，埃隆·马斯克才会屁股决定脑袋地坚持认为：特斯拉不需要配置激光雷达也可实现 L4 自动驾驶技术！

https://v.qq.com/txp/iframe/player.html?vid=s05442i9y5k&width=500&height=375&auto=0

来自星星的灯塔：北斗导航

（来源： 8 月 30 日第一财经解码财商栏目）

就定位技术而言，目前有三类定位方法，通常三种方法会被交叉使用，以相互纠正达到更精准的效果：

基于 GPS 和惯性传感器的传感器融合；
基于 LiDAR 点云与高精地图的匹配；
基于视觉的道路特征识别。

目前，全球共有四套投入运营的卫星定位系统，包括美国的 GPS 系统、中国的北斗系统、欧盟的伽利略卫星导航系统以及俄罗斯的格洛纳斯（Global Navigation Satellite System，GLONASS）系统。其中，北斗导航系统是中国的骄傲，等到 2020 年实现全面组网完成后，可在全世界与美国的 GPS 系统一争长短！更详细的介绍可观看上文插入的视频。

需要指出的是，GPS 是对「全球卫星定位系统」的约定俗称的说法，因为最早被广泛使用的全球定位系统是由美国国防部研制的 GPS（Global Positioning System）系统。下文中将统一沿用「GPS」代指全球卫星定位技术，实际运行时可使用上述任意一套系统来实现。

自动驾驶高精度地图技术

图 6.1 用于自动驾驶的高精度地图

解决图 4 中提到的第 3 个因素——确定两个地点之间的行车路线，除了必须使用高精度定位技术以实时确定车辆位置外，还需要高精度地图的帮助。

目前，试验车使用的激光雷达能够提供的最远探测距离一般在 200 米 ~ 250 米之间。试想一下，当自动驾驶汽车以 100 公里/小时以上的车速高速行驶时，留给操作系统处理数据的时间其实不足 2 秒，这对车用中央处理器的性能提出极高的要求，更何况激光雷达目前尚无成熟的量产产品。

但是，如果有高精度地图来预先提供准确的超出车载传感器测量范围的道路状况信息（如每个车道的宽度、坡度、曲率、倾斜等数据）与行驶环境信息（如道路标识、信号灯、路口交叉情况等数据），自动驾驶汽车就不需要一边对周遭环境建模识别，一边提心吊胆缓慢行驶了。

图 6.2 用于自动驾驶的高精度地图

图 6.2 中展示了两类可用于自动驾驶的高精度地图，区别在于是极度依赖激光雷达的点云数据。目前，图左侧方案应用较多，提供方为四维图新、HERE 之类的地图制造商。图右侧方案在需要 SLAM（Simultaneous Localization and Mapping）技术进行实时定位与环境建模的场景中应用较多，此时物体的运行速度通常较慢。

通常情况下可以认为，只要是被高精度地图覆盖的区域，其静态的环境信息都是完备的，也就是不会突然冒出来一个以前没见过的东西让自动驾驶汽车措手不及。此时，自动驾驶汽车只需识别道路上的其它车辆以及行人，并做出驾驶决策即可，这大大减轻了车辆的实时计算压力。

图 6.3 用于自动驾驶的高精度地图

8 月 17 日，高德地图宣布与千寻位置达成战略合作关系。其中，高德地图是为数不多的几家拥有国家测绘局授予的甲级导航电子地图制作资质的企业。千寻位置则基于中国自己的北斗卫星定位系统和自主研发算法，依托全国 1450 个地基增强站，可在全国大部分地区为车辆提供全天候的厘米级高精度定位服务和航向控制服务。

从某种程度上可以认为，这一合作（图商 + 位置服务提供商）标志着高精度地图 + 高精度定位的技术组合在未来自动驾驶汽车的定位技术中将扮演越来越重要的角色。

自动驾驶高精度定位技术

总体而言，GPS 仍是当前实现行车过程中高精度定位的基础，它具有以下几方面的优点：

最少只需要 3 颗卫星，就能迅速确定用户端在地球上所处的位置及海拔高度；
由于 GPS 使用低频信号（即电磁波的波长较长），其信号的穿透性较强，不易受天气条件的影响；
GPS 的误差不会随着时间的推移而增加。

目前，民用 GPS 可以达到十米左右的定位精度。这样的误差范围对于需在有限宽度的车道内高速行驶的自动驾驶汽车而言当然是不可接受的，很容易就会引发交通事故。

图 7 实现高精度定位的三项基本技术

除了误差较大外，GPS 定位还存在多路径效应以及更新频率较低（10Hz）等问题，需要诸如载波相位差分技术、惯性导航与机器视觉之类的辅助定位技术（如图 7 所示）加以改善。

上述技术的工作原理将在下文中详细解释。

图 8.1 载波相位差分技术

图 8.1 中的右侧图像与底部公式描述了 GPS 定位的基本原理，其中：

position 表示的是卫星的位置， GPS 卫星会每时每刻地向地球广播自己当前位置坐标信息，任何 GPS 接收器都解析这些信息，因此这是已知量；
r 表示的是卫星与 GPS 接收器这两点之间的距离，可通过光速（c）乘以电磁波的传播时间（ΔT）来计算，如方程（1）所示，其中 ΔT 可通过接收器所在位置的当地时间减去卫星广播自己位置时附上的时间戳来得到；

r = c × ΔT （1）

Location 表示的 GPS 接收器的位置，由高中立体几何知识可知，理论上只需要三颗卫星就可实现对接收器的定位（已知点 A 到三个点的距离以及这三个点的坐标，求点 A 的坐标），但由于在实际过程中电磁波传播时间会出现误差，而传播时间 ΔT 只要有极小的误差，经由光速 c 放大后，都会造成距离上巨大的误差，所以需要第四颗卫星来校正误差。

图 8.2 载波相位差分技术

如前文所述，即便有第四颗卫星对传播时间进行校正，民用 GPS 达到的定位精度只有十米左右，仍无法实现高精度定位所要求的厘米级误差。图 8.2 中列出了的原因，主要由以下四方面：

卫星星历误差：卫星在太空运行过程中会受到复杂的外力作用，导致星历给出的卫星在空间的位置坐标信息与实际位置有所偏差，即图 8.1 中的 position 会有偏差；
卫星时钟误差：每颗卫星上都安装了价格数万美元的原子钟以达到纳秒级（0.000000001秒）的精度，但不可能让每一个 GPS 接收器也安装如此昂贵的原子钟，事实上通常安装的是普通的石英钟，因此方程（1）中 ΔT 存在误差在所难免；
大气层影响：大气层中的电离层和对流层对电磁波的折射效应，使得 GPS 信号的传播速度发生变化，即方程（1）中 c 的值会发生变化，从而影响r的计算结果；
多路径效应： GPS 信号在不同障碍物上（如城市环境中的楼宇、树木等）反射后才被接收到，类似于兜了一个大圈子才到达目的地，导致方程（1）中信号传播时间 ΔT 存在误差。

图 8.3 载波相位差分技术

但是，如果利用实时动态差分 GPS（Real-time Kinematic Differential GPS）技术，上述误差可以被消除或降低，让 GPS 达到更高的精度。

如图 8.3 左上部分所示，位置差分 GPS 的工作原理（相位差分 GPS 的原理类似，只是测量对象由长度变成了角度）如下：

如果两个 GPS 接收器相距较近，则可认为两者的接收到的信号将具有几乎相同的误差；
如果能精确计算出其中一个接收器的误差，就可以利用该误差值对另一个接收器的测量结果进行修正。

其中，「known」表示位置信息已知的基准站，将安装在基准站上的 GPS接收器测得的位置信息与已知位置信息作比对，就可以计算出测量误差。

在这之后，基准站再把该测量误差值发送给方圆数公里内的 GPS 接收器，就可纠正其测量结果。事实上，这其实就是图 6.3 中与高德地图达成战略合作的千寻位置所做的工作。

图 8.4 载波相位差分技术

GPS 除了前文中提到的定位误差问题之外，还有两个应用到自动驾驶汽车时会遇到的问题需要解决，如图 8.4 所示：

信号被遮挡：在诸如隧道、车库、高楼之间，GPS 接收器无法实时接收到信号；
信号更新频率较低：约在 10 Hz 左右。

在自动驾驶汽车高速行驶时，需要进行实时且精准地定位，方能确保车内人员以及道路上其它车辆的安全。因此，必须借助其它传感器来帮助 GPS 安全撑过信号更新期间的那段时间。

图 9 惯性导航

惯性传感器（Inertial Measurement Unit，IMU）是可以检测加速度和旋转运动的传感器，基础的惯性传感器包括加速度计和陀螺仪。按照精度的不同，目前的 IMU 大致可以划分成三个级别：

军工级和宇航级：售价在数十万美元，用于导弹导引头、通讯卫星无线导航等；
车规级：售价在数百到数千美元之间，用于 ESP 系统和 GPS 辅助导航系统；
消费电子级：售价在数十美分到数美元之间，在智能手机上应用较多。

自动驾驶汽车使用的车规级惯性传感器，其优点是信号更新频率高（100 ~ 200 Hz），可计算得到实时的位置信息，但其缺点也很明显：

由微积分基础知识可知，距离可以通过对加速度进行两次在时间上的积分得到，由此带来的不良后果便是加速度的测量误差会随着时间的推进而累积，因此自动驾驶汽车只能在较短的时间内依赖惯性传感器来进行定位；
由于制造工艺等原因，惯性传感器测得的数据通常都会有一定误差，如零漂（即加速度计或陀螺仪即使在没有加速或旋转的情况下，也会有非零的数值输出）、背景白噪声等。

在前文图 7 中提到，GPS 的误差不会随着时间的推移而增加，但其信号的更新频率较低（10 Hz），无法满足实时定位的要求。而惯性传感器的定位误差虽然会随着运行时间的增加而变大，但由于其信号的更新频率较高（100 ~ 200 Hz），在短时间内可以提供稳定的实时位置更新。

显然，这两种传感器具有较强的互补性，但尚需一种方法将二者融合起来以实现优势互补，而这方法便是上世纪六十年代发明的卡尔曼滤波器（Kalman Filter）！

卡尔曼滤波器能实现的效果是，可以从一组有限的、包含噪声的物体位置观察序列中预测出物体的位置坐标及速度。即使对物体位置的测量值有误差，根据该物体的历史状态与当前对其位置的测量值，也可较准确地推算出其位置，即鲁棒性较强。

其在运行时主要分为以下两个阶段：