高德定位交易网罗云上定位和端上定位两大模块。个中，云上定位厉重办理Wifi指纹库、AGPS定位、轨迹发现和聚类等题目；端上定位办理手机端和车机端的及时定位题目。近年来，跟着定位交易的进展，用户对正在都会峡谷（高楼、高架等）的定位精度提出了更高的哀求。

异常是车机端定位，因为定位筑造安置正在车上，一方面，它可能搭载更充裕的定位传感器来办理独特场景的题目，另一方面，各个传感器之间互相固连，有利于高精度的算法策画。这两点为车机端进一步进步导航精度的供应了或者。

都会峡谷不停是车机端定位的痛点。来历是都会峡谷的处境运用户无法摄取到GPS信号或GPS信号受作对，导致GPS无定位结果或定位精度差。这是“有源定位”固有的瑕玷，无法从算法上来抑制。

针对这个题目，以GPS+IMU的众传感器调和计划越来越受到侧重，由于“无源定位”的IMU正巧可能填充GPS的短板。其余，车机还可能搭载里程计、视觉筑造变成更充裕的众传感器调和计划。

对高德而言，舆图数据是定位交易的魂灵。众传感器调和只是定位交易中的一局部，奈何把众传感器与舆图数据贯串起来，永远是咱们正在思量的题目。

针对车机使用，咱们运用GPS、IMU、里程计等传感器，贯串高德舆图的舆图上风，提出了一种贯串舆图成家（Map Matching）的众传感器调和算法——GPS/IMU/MM调和（软件+硬件的办理计划）。

本文概述了车载众传感器调和定位项目配景，该项目确立是为了向用户供应好的导航定位效劳。为理解决用户反应的三大痛点题目： 偏航重算、无法定位和抓道舛错 ，贯串算法和数据，提出了一套软件+硬件的办理计划。终末，用实测数据验证对用户反应题目的改观水平。

个中，导致偏航重算和无法定位直接来历是GPS定位精度差和DR航位算计精度差。GPS定位精度由观测处境肯定，难以改观；DR航位算计精度与DR算法职能相合，特别是里程计体例偏差和陀螺零偏的标定精度。对付抓道舛错，直接来历是精确道道与误抓道道相隔太近，受定位精度范围无法划分；基本来历是只运用地位讯息实行抓道，没有阐述其它数据的价钱。

GPS(GlobalPositioning System)： 指美国国防部研制的环球定位体例。用户筑造通过摄取GPS信号，取得用户筑造和卫星的隔绝观测值，源委特定算法经管取得用户筑造的三维坐标、航向等讯息。运用分歧类型的观测值和算法，定位精度为厘米级到10米级不等。GPS的长处是精度高、偏差不随工夫发散，瑕玷是哀求通视，定位规模无法掩盖到室内。

IMU(Inertial measurementunit)： 指惯性衡量单位。网罗陀螺仪和加快率计。陀螺仪衡量物体三轴的角速度，用于估计载体姿势；加快率计衡量物体三轴的线加快率，可用于估计载体速率和地位。IMU的长处是不哀求通视，定位规模为全场景；瑕玷是定位精度不高，且偏差随工夫发散。GPS和IMU是两个互补的定位技能。

MM(Map matching)： 指舆图成家。该技能贯串用户地位讯息和舆图数据，算计用户位于舆图数据中的哪条道道及道道上的地位。

车机调和定位项目办理的是道道级的定位题目，受限于硬件职能，目前墟市上通用的技能计划有两种，如下表1所示：

表1表白，目前市情上存正在的通用计划并不行全部办理偏航重算、无法定位和抓道舛错这三个题目，特别是抓道舛错。为此，正在技能层面上，咱们将两套通用计划实行调和，提出了一套软+硬（GNSS+MM+DR）计划；正在算法层面上，凭借高德的数据上风，以数据调和模块为主题，一方面进步定位结果牢靠性，填充硬件职能上的不够，另一方面临抓道舛错题目实行特意的算法策画。

更进一步，将用户反应的三个题目解构为算法上办理的三个题目：器件偏差标定、场景识别和数据调和。如图2所示：

车机调和定位网罗数据适配层（DataAdaptive Layer）、算法支持层(Aided Navigation Layer)和调和层(NavigationLayer)。数据适配层肩负将分歧输入程序化、将信号同步；算法支持层估计中央结果，为调和层效劳；调和层是扫数体例的主题，它肩负调和算法支持层输出的数据，取得牢靠的导航讯息。图3列出了各层所处地位及每个层的整体性能模块：

GPS质料评估模块的性能是估计GPS地位、速率、航向角和全体牢靠性目标。凭据牢靠性目标的巨细将其投影到状况空间（GOOD、DOUBT、BAD、ABNORMAL）中，状况空间的值表征GPS数据质料的口角。如图4所示：

评估GPS质料有两个方针：第一，肯定是否运用GPS数据实行器件偏差标定或某些状况的占定（如转弯动作、消息状况等）；第二，正在数据调和模块，为设定GPS观衡量的方差—协方差阵供应参考。

无GPS信号处境时，定位只可凭借DR算法。DR算法精度厉重取决于IMU（陀螺仪和加快率计）和测速仪的偏差，陀螺仪偏差将惹起地位偏差随工夫的二次方伸长，测速仪偏差将惹起地位偏差随工夫线 地位偏差与陀螺仪偏差的相合

积蓄模块的厉重性能是诈骗GPS数据来积蓄速率敏锐器偏差参数（比例因子）和IMU的偏差参数（陀螺仪天向比例因子和陀螺仪三轴零偏）。积蓄的方针是正在无GPS信号或弱GPS信号的场景，仅靠DR算法也能取得较为牢靠的导航讯息。

DR(DeadReckoning，航位算计)算法是指已知上暂时刻导航状况（状况、速率和地位），凭据传感器观测值算计到下暂时刻的导航状况。DR算法网罗姿势编排和地位编排两个局部。

车机调和定位项目运用了GNSS、MM和DR三项技能，每项技能可以供应整体或局部车机导航讯息，如表3所示。以地位讯息为例，GNSS、MM和DR都输出车机地位，但因为分歧技能妙技有各自的偏差源，以致分歧技能的定位结果并不类似。

是以，调和算法有两个方针：第一，将分歧技能的导航讯息调和成独一导航讯息，使之牢靠性高于未调和前的；第二，推断器件偏差（陀螺仪零偏、测速仪标准偏差和导航偏差等）。

调和算法基于Kalman滤波完毕，其枢纽正在于模子确立和模子参数扶植。Kalman滤波模子由状况转化方程和观测方程组成。状况转化方程流露相邻导航状况之间的转化相合，它通过修建导航偏差微分方程完毕；模子参数是指状况转化噪声和观测噪声，观测噪声的扶植与GPS质料评估模块干系。经Kalman滤波经管后，取得导航偏差的最优估值，如图7所示。即源委积蓄取得了导航讯息的最优估值。

以往的主辅道识别计谋是通过DR输出的地位和对象与两条候选道的相合，采取最逼近的候选道举动输出。但对付道道级定位体例而言，DR输出偏差与两条道的差别正在统一量级，误判的概率较高，于是，必要从少许驾驶特点来办理此题目，比如，道口左近的转弯、变道等。

过去，高架识别计谋是通过高程积分和阈值法来占定，识别后果受坡角偏差和速率偏差的影响。个中，速率偏差与高程积分偏差成正比，是影响高架识别切实率的厉重来历。为抑制这一瑕玷，咱们贯串MM技能，估计道道坡度与输出pitch角的逼近水平（如图11所示），以避免引入速率偏差。高架识别流程如图12所示：

泊车场识别是新增模块，是泊车场定位导航的前置就业。泊车场定位导航的厉重方针是将车机用户导航到指定的泊车位，个中涉及到室表里场景舆图切换、层与层舆图切换和导航等一系列题目。泊车场识其它方针即是为这舆图切换供应撑持。

泊车场实质网罗进出泊车场识别和跨层识别。进出泊车场识别是指诈骗泊车场无GPS信号、上下坡、低速、高程变更等一系列特点占定车机是否进出泊车场。泊车场跨层识别是指诈骗上下坡、高程变更等特点占定车机是否正在泊车场内有跨层动作。识别流程如图13所示：

-验证算法对用户痛点题目（偏航重算、无法定位和）的改观水平；-与竞品及高德手机定位端产物职能的对比。

针对高架和都会峡谷的偏航重算（地位漂移）题目，车机算法做了以下两点厘正：-众元参考：贯串运动趋向、传感器讯息和舆图数据，将GPS牢靠性归一化；-场景分类：参考舆图道道属性和GPS信号漫衍占定是否有遮挡。

正在高架下收集两圈数据，运用车机软件和墟市某款同类软件实行经管，后果如图14所示。从近半年的测试来看，正在GPS受遮挡的场景下，本项方针抗漂本事显然优于古代计划。

为验证有无陀螺仪动态零偏推断对DR对象和地位解算精度的影响，本项目收集眺望京soho泊车场的数据，经解算，后果如下。测试表白，经动态零偏积蓄后，DR精度显然进步：-零偏：动态零偏推断保障陀螺仪偏差量级为0.01度/s；-对象：泊车场出口出的对象偏差减小至40%以内，对象精度晋升2倍以上；

为估计主辅道识其它获胜率，统计了近千条主辅道的识别后果，识别率抵达90%以上，大于某厂商产物的75%。6.4横/纵向比拟

终末，咱们与市情的中高端竞品实行了横向比拟，与高德手机端定位产物实行了纵向比拟。横向比拟结果表白，正在器件本钱不到竞品本钱10%的情形下，不横跨某一阈值的地位偏差、对象偏差和速率偏差的占比均正在90%以上，相对竞品，进步了1%~5%。主辅助道识别切实率优于90%，相对付竞品进步了15%。纵向比拟结果表白，正在分歧场景（高架，都会峡谷，环岛，泊车场出口等）下，不横跨某一阈值的地位偏差占比晋升15%~60%不等，这是由于车机算法对独特场景（无GPS或弱GPS场景）实行了特意的算法策画和优化。全场景下的地位偏差占比晋升约20%。

针对用户提出的三大痛点题目，本文贯串众传感器调和和舆图成家，提出了一套车载众传感器调和定位计划，并使用于实质，进步了正在都会峡谷中的定位精度，而且获得了不错的后果。然而，都会峡谷的定位精度题目很难彻底办理，它好像是一个没有尽头的困难。为此，站正在用户的角度，咱们必要不绝思量：必要什么样的传感器技能、应当策画什么样的算法、奈何发现数据的最大价钱。