2019杭州云栖大会上，高德舆图技巧团队向与会者分享了网罗视觉与呆板智能、道途计划、场景化/细腻化定位时空数据运用、亿级流量架构演进等众个出行技巧周围的热

2019杭州云栖大会上，高德舆图技巧团队向与会者分享了网罗视觉与呆板智能、道途计划、场景化/细腻化定位时空数据运用、亿级流量架构演进等众个出行技巧周围的热门话题。现场火爆，听众反应剧烈。咱们把个中的出色演讲实质拾掇成文并不断颁布正在「高德技巧」大众号上，本文为个中一篇。

阿里巴巴高级舆图技巧专家方兴正在高德技巧专场做了题为《向场景化、细腻化演进的定位技巧》的演讲，紧要分享了高德正在擢升定位精度方面的索求和实施，本文依据现场实质拾掇而成（正在不影响原意的状况下对文字略作编辑），更众定位技巧的竣工细节请合切本微信号的后续系列著作。

本日要分享的要旨是合于定位的场景化、细腻化。高德定位，并不单是任事于高德舆图自己，而是面向悉数的运用开拓者和手机兴办厂商供应定位任事。目前已有30万以上的APP正在行使高德的定位任事。

用户每天会大批行使定位任事，譬喻看音信、打车、订外卖，以至是购物，最先都是要取得地位讯息，有了更精准的地位讯息，才大概取得更好的任事体验。

高德舆图有高出1亿的日活用户，然而行使定位的有好几个亿，每天的定位乞求数目有一千亿次。这样大的数据量，高德定位任事能够连结毫秒级的反应速率，咱们正在这内中做了良众作事。其余，咱们还供应全场景的定位才能，不管为手机、车机照样任何厂家，都能供应地位任事。

公共大概都领略GPS，GPS正在大片面状况下能够供应很好的精度，然而关于某些场景照样不足，譬喻驾车，GPS给出的精度也许是10米，假如仅靠GPS定位以至无法辨别出正在马途的哪一侧。

第二个场景是正在室内，室内收不到GPS信号，如许的场景下若何竣工比力正确的定位？第三个场景是若何正在精度和本钱之间得到均衡，由于不大概为了寻找一个很好的精度去无穷参加本钱。惟有通过海量大数据开采，算法和数据质料的擢升，抵达后果的继续优化，能力抵达最终对百般场景的全笼盖。

有良众技巧能够选拔，除了GPS定位，再有基于汇集定位、Wifi基站，道理即是通过扫描到的Wifi和基站列表、信号强度，举行数据库查找，找到Wifi地位，定位。

除此以外再有惯性导航定位，惯性导航是一种相对定位的格式，能够不时打算跟前次定位的偏移量，有了初始定位之后，依据衔接打算能够取得最终的地位。

再有依据舆图立室定位，譬喻GPS的点落正在一个湖里，鲜明是有题目的，能够通过舆图立室，找到近来的一条途，这时刻精度就取得了擢升。

再有极少定位格式近来几年变得很热门，比方视觉、雷达、激光，主动驾驶的观念饱舞了这些技巧的发扬，这些格式各有各的定位精度和不同性。比方视觉，正在实施中往往须要大批打算和存储的开销。

良众时刻，照样要基于Wifi的定位，取得初始定位，然后正在区别场景下不时的优化，通过区别的数据源擢升精度。

高德紧要分为两个交易场景，手机和车机。正在手机上紧要是GPS+汇集定位。驾车的场景下，咱们还会做极少依据舆图的立室，竣工对额外道途的救援。

以往，良众用户会反应说会碰到GPS信号欠好，导致无法定位、无法导航的情景。约有60%的状况是由于用户位于地下泊车场或者正在地道里，约30%的状况是相近有急急的遮挡，譬喻正在高架桥下，或者正在很高的高楼旁。这些都邑变成对GPS比力急急的遮挡。

咱们打电话的时刻，贯串的基站大概就正在一公里界限内，如许短的间隔传输信号还时常会呈现信号结束，假如GPS信号间隔两万众米的高度，呈现题目的大概性照样存正在的。以是务必通过其他格式，比方舆图立室或者惯性导航来对GPS举行添加。

汇集定位实质上是一个数据闭环，每私人正在定位的时刻，现实上是发送了自己的基站和Wifi列表，发送的数据一方面能够用来定位，另一方面也能够用做数据练习。数据练习紧要产出两种数据，一个是Wifi基站的地位，通过数据开采，咱们就能够取得也许的地位（初始定位），然而精度比力差。第二个是发生更周到的空间信号强度散布图。有了这个图此后，就能够举行比力精准的定位了，依据信号强度判别我间隔这个基站和Wifi有众远，从而对精度举行修正。

数据闭环竣事此后，即是一个正向的反应，数据越众，练习结果越众，定位结果就越正确，从而吸引更众的用户来行使（发生数据）。这即是通过数据开采，不时擢升精度的闭环。

算法片面，咱们也颠末了不时的迭代。最早是基于经典的聚类模子，即是扫描基站Wifi列表，聚类此后选拔个中一处行动我的地位，这个本领结果比力高，很疾能够取得结果，然而精度很差。

第二步，咱们把空间举行了细腻的划分，正在每个网格内统计极少根柢的特色，譬喻史册上的点定位的数目、定位的次数、Wifi的数目等等，打算出一个网格的打分，再对网格举行排序，末了你的定位点即是这个网格。通过这种本领，30米精度的占比擢升了15%。

这种本领也有部分性，人工调参带来的收益是有限的，调到必定水准就没手腕再擢升了。以是，第三步即是把呆板练习算法引入这个进程，欺骗监视的练习擢升到最佳的模子和参数，如许能够正在特定场景下取得明显擢升。紧要的场景即是处理大偏差的Case。

一个比力表率的题目即是，扫描到的基站Wifi大概惟有一个基站、一个Wifi，没有此外讯息了。这个基站Wifi又离的独特远，无论选拔基站照样Wifi，都有50%的概率是算错了。有监视练习，就能够把海量的配送拿出来，细腻化的开采细小的不同，抵达全体最优的后果，正在某一状况下选基站，某一状况下选Wifi。把出错的比例低落了50%。

上图即是咱们的线上神经汇集的模子，神经汇集用于正在线任事现正在是比力时兴的格式，咱们正在这里现实上是欺骗基站和Wifi的信号强度和搀杂特色行动特色输入，同时把史册地位也行动序列放进来，这个史册地位特色会放入一个RNN模子，预测现正在的地位，行使预测的结果和基站Wifi列表特色，再往下预测，末了是网格的打分。最终输出一个概率最高的网格行动输出。

这个本领最大的挑拨并不是正在算法，而是算法后果和工程上的可竣工性，若何可以抵达最优。高德每天有上千亿次的移用，延时要正在10毫秒以内。

别的，数据量很大，悉数的数据，每条都有良众特色，正在线的数据存储也许有几十个TB，这个数据量也不大概放正在正在线任事里做，以是要做相应的优化。

咱们做了三个方面的优化，第一是分级排序。把定位进程形成一个显微镜措施，先做一个很粗糙的定位，然后逐渐收敛到很准确的地位。粗糙定位的时刻能够用很大的网格，用很少的特色，迅速过滤掉极少不大概的地位。

然后，正在很细腻的网格里，用更众的特色、更众的网格举行排序。通过这种本领，就能够极大擢升打算的结果，把极少不需要的打算过滤掉。

第二是模子简化。固然深度练习的后果很好，然而不大概正在线上用很繁杂的模子，咱们通过削减层数和节点数，把浮点数精度低落。

第三是特色压缩。这内中有特点的一点是咱们依据模子举行的压缩，原始特色的输入的数目是很大的，咱们扩张一个编码层，输入的特色颠末编码层此后，只输出两个字节的特色。咱们把正在线、离线的数据管制好此后，末了正在线只存储两个字节。通过这种本领，正在线个TB以内。以上是处理的几个紧要题目。

正在室内场景，时时会定位到室外去，这跟适才先容的序列流程是相合系的，由于搜聚进程更也许率是正在室外，序列后的Wifi地位都正在马途上，以是定位末了的概率也是正在马途上，然而这对用户体验是很差的。譬喻打车，大概正在室内叫车，定位正在对面的马途上，但这条马途大概是过错的，须要找到我正在哪个楼里，离哪个道途比力近。

若何处理这个题目？一种本领是通过数据搜聚，即是正在室内举行人工的搜聚，使练习数据的数据散布跟现实的预测数据散布连结一概，这种本领当然精度比力好，然而紧要缺陷是本钱至极高，目前也只是正在热门阛阓和交通要道举行如许的数据搜聚，这信任不是一个可扩展的本领。

咱们的本领是思通过引入更众的数据优化定位进程。假如能基于舆图数据开采出Wifi和POI的相合，就能够用数据合系擢升精度。譬喻扫到一个Wifi，名字叫KFC，有一个大概即是你正在肯德基里，这个本领比力轻易。现实用的本领会特别繁杂。

咱们是欺骗Wifi信号的散布反向开采出地位，上图里蓝色的片面即是楼块的地位，赤色的点是Wifi的切实地位，绿色的点是搜聚到Wifi的地位，绿色越亮，代表这个地方的信号强度越强，通过这个图放入图像练习，譬喻用CNN开采出它的地位此后，咱们就能够作战一个Wifi跟楼块或者跟POI的合系，通过这个本领能够使全量Wifi的30%都能合系上相应的POI或者楼块。

正在线的时刻需手腕略用户什么时刻正在室内，什么时刻正在室外。咱们用的是欺骗信号强度特色做辨别的算法，正在室阁房外扫描到的Wifi列表和强度会有很大分别，通过这个分别能够练习出模子。绿色的点预测为室内的点，蓝色的点是室外的点。通过这种本领，定位精度擢升了15%。

驾车场景，导航进程中大概会碰到的常睹题目。第一个题目是无法定位，开到泊车场或者有遮挡的地方，第二个场景是点会有漂移，由于GPS受到兴办或者其他遮挡的时刻，会发生精度低重的状况。第三种状况是无法辨别主途，大概会错过途口。

关于以上题目，咱们采用的是“软+硬”协调定位，软的片面网罗两片面，一个是基于转移定位，第二个是依据舆图立室。颠末两个“软+硬”联结之后，咱们正在GPS 10米精度做到90%以上，能够竣工高架主途和泊车场的继续导航。

这内中合节的即是若何竣工协调定位，比力有特点的一点即是咱们做车机的传感器模块是低本钱的，本钱不到100元，其他雷同产物本钱是比力高的，大概须要几千块钱。行使低本钱的器件，可以更容易取得普及。舛误是精度比力差，定位正确性差极少。要通过软件的本领补充硬件上的舛误。

咱们的处理手腕分成三个措施，最先是航向协调。陀螺仪有相对的角度能够算出来，加快器能够算出地球引力的目标，这两个联结此后就能够作战一个滤波方程，把切实的目标继续不时的输出。第二，把三维的目标和GPS的结果举行一次协调，就能够打算出改进后的地位。第三步，再和舆图立室做比较，由于咱们领略它的目标、地位此后，就领略它是正在上坡照样下坡，是正在高架上照样高架下。再有一点，立室后的地位跟GPS原始地位做比较，假如分别很大，GPS大概爆发了偏移，咱们就把GPS舍弃掉，只用惯性导航阴谋。

这内中有三个特性，第一，参数动态标定，不须要对器件有初始的标的，咱们通过三维的打算出目标，用舆图立室反应。合于舆图立室的片面，主题是咱们欺骗HMM的算法举行地位的立室，阴谋每个点的道途。这内中比力合节的概率，一个是发射概率，一个是地位迁移概率。

第二，咱们把角度也探究进来，角度的转化同样用于决定迁移概率，这内中跟地位迁移概率的区别即是引入了速率做变量，区别的速率下，爆发转角的概率是不相同的，速率慢了大概会转向，速率疾也大概转向，以是咱们针对每个速度都有一个弧线。

上图是定位后果，赤色的点是现实改进后的轨迹，蓝色的点是原始的GPS点，下面是正在高架下的后果，能够看到高架下GPS点曾经至极发散了，飘的遍地都是，然而改进之后跟绿色的点是重叠的。下面的图是正在泊车场里，正在泊车场进去的时刻，蓝色的点就曾经没落了，然而赤色的点能够很好的还原出用户正在泊车场里继续的轨迹。

高精定位方面，高德紧要作战两种定位才能，一种是基于图像定位，一种是基于协调定位。图像定位是只用图像就能够造成比力好的分米级精度，协调定位紧要是引入了两个新的定位技巧，一个是VSLAM，一个是差分GPS。这两个本领离别运用于有GPS和没有GPS的状况，能够供应很好的精度。VSLAM能够做到偏差很小，由于能够有图像的本领举行改进。

主动驾驶是一个目标，而且须要从辅助驾驶过渡到主动驾驶，但体例性转化到来之前会有阶段性的转化，即是任事于人的导航任事的细腻化，即车道级导航。车道级导航须要高精舆图，起码是分米级的精度。

对改日定位技巧发扬的领略。根柢才能片面，咱们以为5G的呈现会为定位供应一种新的大概性，由于5G的频率比4G更高，波长会更短。它能够测距，以前基于基站和Wifi的定位都是基于信号强度的。然而5G救援了测距此后，它就能够供应一个很好的精度，以是大概会呈现一种格式，基于5G的定位能够抵达雷同GPS的后果。

第二是协调定位，跟着百般新的数据源不时呈现，用新的算法去施展区别数据源的特性，从而抵达整个后果的擢升。驾车片面，视觉定位和差分GPS技巧的逐步普及。室内片面，有超宽带的定位，除此以外再有蓝牙和Wifi的精准定位。正在最新的技巧规范里，也都救援了测距和测角的技巧，也即是改日新的蓝牙或者Wifi的APP，大概就能供应一片面的定位才能。

汽车测试网-开创于2008年，报道汽车测试技巧与产物、趋向、动态等 接洽邮箱 marketing#auto-testing.net (把#改成@)