自动驾驶高精度定位如何在复杂环境进行
文章来源： DataFun&小马智行
发布时间：2020-11-26
自动驾驶高精度定位如何在复杂环境进行，请见详文。
首先，定位（Location）和导航（Navigation）技术是负责实时提供载体（如自动驾驶车辆）的运动信息，包括载体的位置、速度、姿态、加速度、角速度等。
自动驾驶对于定位系统有哪些具体的要求呢？我认为有以下四点：
高可用性：定位需要保持稳定性，自动驾驶测试已经从封闭的场景转移到更开放的场景，这也要求自动驾驶的定位系统能处理更多、更复杂的场景。
高可靠性：定位系统每一项输出其实是自动驾驶感知、规划与控制的输入，因此定位系统不能出现偏差，否则将导致很严重的后果。
自主完好性检测：虽然定位系统的可靠性能够做到极其接近100%，但是难以达到真正的100%。这就要求定位系统在没办法提供准确的输出时，及时警告用户，采取措施，避免发生任何事故。所以，自动驾驶的定位系统应保证较低的虚警率与漏警率。
既然自动驾驶对导航和定位的要求不低，定位系统该如何满足要求？我将详细介绍以下五种定位方法。
目前自动驾驶常用的惯性测量单元（IMU），按照精度分可以为两类：
第一类是
基于光纤陀螺（FOG）的IMU，它的特点是精度高，但同时成本也高，一般应用于精度要求较高的地图采集车辆。
第二类是
基于微机电系统（MEMS）器件的IMU，它的特点是体积小，成本低，环境适应性强，但缺点是误差大。如果把它应用在自动驾驶车辆中，其需要经过比较复杂的处理。
为了从IMU的原始数据得出导航定位输出，定位系统需要进行捷联惯性导航（SINS）解算，解算包括下面四个模块：
通过陀螺输出的角速度信息积分得到姿态信息
通过姿态信息对加速度计输出的比力进行转换，由载体坐标系得到导航坐标系
进行重力计算，有害加速度、地球自转角速度等补偿计算
由加速度信息积分得到速度与位置
不过需要注意的是，积分过程造成的输出误差会随着工作时间发生积累。
全球导航卫星定位是基于测距的绝对定位方案，其输出误差不会随着工作时间以及载体运动而发生变化。
全球导航卫星定位的一个显著特点是
由单频单系统向多频多系统转变，例如中国北斗导航系统、俄罗斯格洛纳斯系统（Glonass），欧盟的伽利略系统（Galileo）等。
下图是北京某一天所能接收到的卫星信号的星空图，基本可以保证在任意时间我们都能收到35颗以上的卫星。多频多系统在极大的程度上提高了我们导航系统的可靠性与可用性。
另一个显著特点是
精密定位
，
已在民用领域得到广泛应用。尤其是基于载波相位动态差分的RTK技术，在智能驾考、无人机、精密农业等领域都有所应用。
对于自动驾驶领域而言，
精密定位的优点在于厘米级定位精度，以及能提供双天线测向功能。
为了提高精密定位的定位精度，自动驾驶定位系统增加了对于基站（基站服务提供商）和网络信号的依赖。
然而由于GNSS是基于卫星定位的导航，它的脆弱性不可忽视——例如城市里经常会遇到各种城市“峡谷”场景（下图），导致定位系统无法接收低仰角的卫星信号，这极大增加了定位的影响因子，也增大了定位结果的不确定性。
另外一个脆弱性体现在信号干扰上。如果自动驾驶车辆本身以及加装设备导致车辆的电磁环境非常恶劣，处理不得当时，就会严重影响卫星定位接收机的收星及观测值的质量。
第三类定位方法是基于高清度地图匹配定位。通过事先建立的高精度地图，配合线上的激光点云，定位系统也能实现绝对定位和厘米级高精度。这种方法的局限性则是增加了定位系统对高精地图的依赖。
第四种定位方法是轮式传感器/里程计（Wheel Sensor）。自动驾驶获得车轮信息的方式有两种：外接和内置。
外接轮式传感器的特点是分辨率和精度都非常高，缺点是结构复杂，可靠性难以保证，一般更适用于地图采集车。
内置轮式传感器的特点是无需外接设备，缺点是精度低，误差比较大，如果用于自动驾驶车辆，则需要经过多重的处理才行。
不论是采用哪种方式，轮式传感器对于定位系统都十分重要。
首先，由于惯性测量单元（IMU）的敏感轴很难保证与车的运动方向完全平行，因此需要进行精确的标定。而敏感轴的标定就需要轮速的输出，同时也需要获得有用的车速信息和里程信息。
不仅如此，定位系统为了进行推算，也会需要一些车轮的参数，但车轮的参数会随着工况发生变化，所以我们需要对它进行在线估计。需要注意的是，在这个过程中，估计的误差会随着自动驾驶车运动的距离发生积累，并且会受到路况的影响，比如轮胎打滑或者过减速带。
最后，定位系统结合车辆的运动特点进行约束，也能获取某些定位信息。
比如定位系统先通过一些方法检测车辆是否处于静止，那么便可以假设静止时的自动驾驶车辆的速度等于0。
这种运动约束能保证极端的情况下，自动驾驶车辆的定位结果不至于产生极大的误差。当然，定位系统还可以再加入一些车辆横向或者纵向的运动约束条件等。
自动驾驶定位的方法不一而足，其涉及传感器也各不相同。因此自动驾驶往往采用的是多传感器融合定位的方式。
多传感器融合定位一般包括以下几个部分：
数据预处理：包括惯性导航解算，GNSS的质量控制，激光雷达数据的误差补偿，还有基于轮式传感器的计算以及在线估计和补偿。
ZUPT/ZIHR/NHC，车辆运动约束部分
INS Alignment，惯性导航初始对准部分
Integrated，组合部分
FDI，故障检测与隔离部分
目前常用的
导航定位优化方法，仍然基于传统的卡尔曼滤波器（Kalman Filter），其优化的指标是使状态方差达到最小。一般建立卡尔曼滤波器模型，首先要选择状态变量，目前多是基于导航参数误差和车载传感器误差，进行状态估计。随后，通过一步预测和量测更新，状态方程可以实现在时间域的递推。
另外，
定位系统的故障诊断与隔离可采用的传统软件方法有很多，比如卡方检测等，另一方面则可以借助硬件上的冗余实现。例如，通过配备多套 GNSS/IMU，定位系统能够配合软件解析余度实现多传感器冗余，提高可靠性。
第一个展示的场景（上图）是最典型的场景，场景非常开阔，可以利用GNSS/RTK等作为量，测量校准IMU和Wheel sensor的误差，并作出补偿。
第二个场景（上图）是在一个纵向特征区别不太明显的桥上，解决办法可以是采用 GNSS，IMU，Wheel Sensor的信息，检测纵向匹配失效情况，使其不影响定位系统输出。
对于卫星定位导航来说，上图的场景是较为恶劣的情况，解决办法可以是从传感器融合部分进行处理，使其具有野值的剔除能力和对参数的自适应调节能力。
第四个场景（上图）的问题在于车辆穿越高架桥时，由于信号弱，卫星定位导航失败，这就要求定位系统能独立于卫星导航，能得到可靠的结果。
获取更多评论