关于自动驾驶高精定位的几大问题

原文：关于自动驾驶高精定位的几大问题

入群邀请：7个专业方向交流群+1个资料需求群

定位是高等级自动驾驶的基础，但在高速NOA和城区NOA等场景中，如何能够稳定地在各种工况下实现高精度定位将是个难题。一个常见的问题是：高速NOA、城区NOA功能需要实现多高精度的定位？需要多高精度的IMU、组合导航和多少种传感器？

带着这些困惑，笔者采访了很多行业内专家。

第一个问题的答案较为一致：高速NOA只需要实现车道级/分米级的定位即可，能识别出自车在哪个车道就够了；而城区NOA下，由于车道比较窄，尤其是在十字路口处，经常会出现车道变化，如两车道变成三车道或四车道，这时候要想实现车道保持而不压到车道线，就需要定位精度达到厘米级。

关于第二个问题“需要多高精度的IMU、组合导航和传感器”，笔者和行业多位专家交流后得到的结论是：无法确定，因为最终的定位精度是由组合导航、轮速传感器、高精地图和视觉、激光雷达、毫米波等多种传感器匹配定位后的结果，只要最终融合定位的精度能满足需求即可，对各部分的精度不做硬性要求。

下图介绍了融合定位的几个组成部分。

图片

组合导航，广义上指“两种或两种以上的非相似导航定位系统的结合”，如通过算法对GNSS、IMU、轮速计、Lidar点云等信息做数据融合。

由于GNSS和IMU具有很好的互补效果，即GNSS补充了IMU惯性系统的累计误差问题，IMU很好地弥补了GNSS卫星系统的不稳定性和易受干扰性，这对“黄金搭档”也被称为最佳的组合导航方案，所以一般大家提到“组合导航”时，就指卫惯组合导航（GNSS+IMU）。如无特殊说明，下文中提到的“组合导航”即指GNSS+IMU。

本文主要重点关注如下几个问题——

01  GNSS为什么一定要双频？

目前，国内主流方案的GNSS/RTK都支持双频多星座。

所谓多星座，指的是GNSS接收机可以接收中国的北斗、美国的GPS和欧洲的伽利略等不同导航系统的信号，国内GNSS接收机一般同时支持北斗和GPS。

双频指的是每个导航系统都有两个载波频段，如北斗有两个频段，GPS也有两个频段。双频会导致硬件和算力成本大大增加。

那么，双频有什么作用呢？

和业内专家沟通下来，笔者得到答案是：一方面，两个载波频段可以互为冗余 ，另一方面，双频可以获得更高的定位精度。

在GNSS的测量误差中，电离层引起的误差占了很大一部分，而双频载波可以利用电离层对不同频率电磁波延迟的相关性，来消除大部分电离层引起的误差，从而大大提高卫星定位精度，这是单频GNSS所做不到的。

某位组合导航公司创始人曾论坛上公开提到，单频RTK定位精度，有95%的概率落在半径为0.4米的圆内（也就是精度单位CEP的概念），双频RTK定位精度可以做到95%的概率落在半径为0.2米的圆内，由此可见双频的重要性。

02  星基增强和地基增强

GNSS的定位误差，除了上文提到的电离层误差外，还有如下几种：卫星相关的卫星轨道误差（星历误差）、卫星原子钟的时钟误差、对流层误差、载波经过反射后的多径效应引起的误差，与接收机有关的接收机钟差等。

图片

为了尽量消除这些误差，提高定位精度，除了上述提到的双频载波频段外，还有其他增强方法，根据其原理可以分为星基增强和地基增强。

其中使用最广泛、最具代表性的增强方法有地基RTK（Real-Time Kinematic，实时动态定位）、星基PPP（Precise Point Positioning，精密单点定位）和两者的结合PPP-RTK。具体技术介绍与优缺点如下所示：

图片

下图从收敛速度、定位精度、覆盖范围三个维度对这三种模式进行了对比。

图片

作为RTK和PPP的强强联合，PPP-RTK既有RTK精度高、收敛快的优点，也有PPP全球覆盖的优点。

除此之外，与RTK相比，PPP-RTK更符合功能安全的要求。一方面是PPP-RTK不受地面基站和移动网络覆盖面的约束（可以通过卫星播发）；另一方面，相比于RTK通过差分把定位误差作为“黑盒”打包处理，PPP-RTK可以对每一项误差进行全球范围内的建模和预估，PPP-RTK的信号完好性使得它可以确认每个信号的误差状态，并识别该信号是否可收敛、可使用、可检测，从而更符合功能对风险因子逐项拆解的要求。

那么，与RTK相比，PPP-RTK的使用成本是否有优势呢？

虽然PPP-RTK所需的地面基站数量要少得多（国内数百个基站就可以覆盖），但如果要使用卫星播发信号，要么租借卫星，要么像时空道宇那样发射低轨卫星。据了解，租借卫星的成本不菲（约1000万~2000万/颗/年），而要覆盖全球得租借多个卫星才行，这些成本都会算在服务费中。

而据笔者和多位业内专家沟通交流，PPP-RTK和N-RTK的成本相差不大。如果不使用卫星播发的话，PPP-RTK成本还要更低一些。

业内很多专家都认为PPP-RTK是未来的发展趋势。据了解，国内已经有多个在研前装量产项目使用了PPP-RTK技术。

不过，有意思的是，已经在地基上有巨大投入的千寻位置也在向车企客户力推PPP-RTK（据千寻官网显示，千寻已建成2800+地基增强站），这是否受竞争对手的策略影响，不得不跟进？ 

那么，在转向PPP-RTK后， 先行者们在前期在地基增强基站上投入的资源是否会“浪费”？

笔者在和某头部位置服务商的资深从业者的沟通中获悉，虽然理论上PPP-RTK可以不需要那么多的地面基站，不过在收敛速度和位置精度方面，还是会受到地基数据很大的赋能，基于已有的高密度地基服务推出的PPP-RTK，其收敛速度也远快于地基密度没那么高的位置服务商的同类产品。

03  低轨卫星能提高定位精度吗？

前段时间，吉利旗下时空道宇发射了九颗低轨卫星，据称主要用于智能驾驶的高精定位等功能。同时，特斯拉的“星链”同样也是用低轨卫星覆盖全球。那么，低轨卫星真的能够提高定位精度吗？

在这个问题上，专家的反馈比较一致，即低轨卫星主要起到通讯的作用，对于提升定位精度并无实质作用。

不过，虽然低轨卫星不能提升定位精度，但的确可以对卫星信号起到增强覆盖的作用，尤其是在半遮挡地区。

某资深从业者认为，除了播发增强信号外，低轨卫星也可以同时使用全球卫星导航系统，播放载波信息，从而可以增加某个区域内GNSS接收机搜到的卫星数。一些半遮挡区域，如高架下，或楼宇内近窗处，之前由于搜不到足够多的导航卫星而无法定位或定位精度不准，加上低轨卫星后，就可以搜到足够多的卫星，从而增强卫星导航的可用性和可靠性。

04  IMU的关键指标和精度要求

IMU作为组合导航的核心器件，可以提供更高频率的高精信号（一般可达200Hz），在GNSS信号无效或者更新间隔内（GNSS信号频率为10Hz），可以用来进行高精度的航位推算。

IMU分为陀螺仪和加速度计两部分，陀螺仪输出车辆的横滚、俯仰和航向角，加速度计输出三个方向的加速度。

IMU的成本，随着精度的提升直线上升，毕竟“一分钱一分货”。

大家在选择IMU的时候，最常见的问题是：选多高精度的IMU才能满足要求？这就涉及到IMU的关键性能指标。

IMU有很多的器件指标，如零偏误差、比例因子误差、非线性误差等。具体指标及说明见下图。

图片

其中最为关键的指标有两个：1.零偏误差；2.温度零偏。

零偏误差，即使用时会有常量误差，因为误差会随着时间累计，所以需要将该误差控制在一定范围内，一般陀螺仪的零偏误差控制在2-3度/小时，加速度计的零偏误差控制在0.003g以内（3mg）。

温度零偏，用于衡量对传感器对温度的敏感性，不同温度下的特性不同，一般会通过测量传感器的特性曲线，在出厂前进行补偿，从而降低温度零偏。

据了解，温度补偿的一致性会随着使用时长而发生变化，即使用几年后的补偿曲线和刚开始标定的补偿曲线和可能会有差异。

习惯上，大家可能更习惯用算法指标来衡量IMU，即在隧道等GNSS信号完全丢失的情况下，车辆行驶1000米后，测量值与真值的偏差。行业较为普遍指标为千分之一到千分之五（1sigma）左右。

05  GNSS+IMU耦合方式的演进趋势

从底层算法层面来看，组合导航算法可以分为松耦合、紧耦合及深耦合三种，算法实现难度依次递增。

几种耦合方式的介绍见下图

图片

在半遮挡场景下，如城市峡谷中，深耦合表现最好，紧耦合次之，松耦合最差；在全开阔场景和全遮挡场景下，则三种耦合方式表现相同。具体可见下图。

图片

当乘用车前装量产的关注点从高速NOA慢慢转移到城区NOA时，这时候深耦合的优势就体现出来了。

在和行业内专家交流时，大家也都认可技术表现上深耦合更好，那么未来深耦合会不会成为主流趋势呢？

业内声音不一，有不少专家认为深耦合会成为主流趋势。

不过，国汽大有时空研发副总裁李庆建认为，从自动驾驶域控发展趋势、主机厂与供应商的博弈以及结合域控集成的模式等角度来考虑，组合导航算法将以在域控算法的形态存在。

在深耦合的模式下，域控形态实现具有更大的难度，紧组合将会成为当前可行的算法。在未来，卫导、惯导和组合导航算法集中定点也许会成为过去，如果主机厂没有对深耦合的算法Know-how有足够的开发能力，将主导算法，把地图、感知等多源融合定位作为重点。

06  组合导航的集成化趋势

虽然某些车企在自研组合导航算法，不过有更多主机厂会选择一家集成商将卫导、惯导和组合导航算法集成在一起提供，也就是俗称的“P-Box”（定位盒子），还有些会把高精地图也集成其中，称为“地图盒子”（HD MAP BOX）。

图片

行业里普遍认为定位盒子和地图盒子只是个过渡形态的产品，随着域控制器技术的逐渐成熟和中央集成式架构的演进，域控制器集成组合导航模块将成为主流趋势，即将组合导航算法集成、GNSS和IMU模组集成到域控内，或与其他器件集成在一起。

集成化有很多优势：

一、降低成本。目前有定位盒子供应商的常见做法是，外购GNSS模组和IMU模组，将组合导航算法放在独立的MCU内，全部集成在定位盒子中；相比之下，将组合导航算法集成到域控内，可以省掉一个独立的MCU。

二、提高数据交换效率。 将组合导航算法集成到域控内，可降低定位模块与其他算法模块数据交换的延迟。

三、方便布置。随着集成度越来越高，GNSS和IMU逐渐从器件级向板卡级、芯片级演变，相比于独立的定位盒子，集成在其他器件内，布置上更加方便，连接线束也少了。

那么，组合导航集成在域控内，是否会成为以后的主流趋势呢？

笔者在与众多行业专家交流后发现，虽然已有不少车企选择将IMU和GNSS模块集成在域控制器内，但该做法仍存在不少工程上挑战。

其中最大的挑战，来自于IMU对安装位置和环境的超高要求：

第一，IMU对安装位置要求很高。因为在使用IMU时，自动驾驶系统默认IMU的位姿和加速度代表了整车的状态，所以IMU最好的安装位置是后轮轴线的中心位置。因此，一些业内专家指出，是否将IMU集成在域控制器内取决于域控制器的位置，如果位置不合适，则不宜将IMU集成在域控内。

实际操作中，若位置不合适，可以将安装位置与理想位置进行标定，再经过坐标转化即可使用，不过，这个转化过程会造成部分器件精度的损失。

第二，IMU对温度变化非常敏感，所以安装处温度变化不宜过大，而域控制器内部由于有大功率的SoC，温度变化较大，可能会影响IMU的测量精度。实际操作中，虽然出厂前会经过温度补偿曲线进行标定，不过前文中提到该温度补偿曲线会随着时间而变化，可能会增加误差。（当然，也有专家反馈，根据目前已经量产的项目反馈，该误差造成的影响并不大。）

第三，IMU对安装面的平整度和刚度要求高，而域控制器由于PCB板面积较大、刚性不足，加工过程中的弯曲变形也会影响IMU的性能，域控工作中的振动也会带来额外的噪声。这一点，可通过调整安装位置和局部增加刚度来优化。

GNSS模块的安装位置，也需要更多考虑布置方便和集成方便度，比如有些会把GNSS模块与V2X和T-Box进行集成。

一位行业专家认为，GNSS在模块化后，体积足够小，贴在哪里都可以。一般为了布置方便，会放在更靠近GNSS天线的位置。因为GNSS的天线与卫星定位搜星有关，所以会放置在靠外的位置，一般选择和4G天线、收音机天线（鲨鱼鳍）等集成在一起。如果不考虑位置而将GNSS模块布置在域控的话，GNSS的天线要连接到域控，连接线会比较长，授时精度可能会受影响。

07  独立盒子和集成化趋势或将长期并存

与定位盒子集成化的趋势相对应的是，定位盒子供应商则希望继续保持独立盒子的形态，这种独立盒子可接入更多的信号，继续提升定位精度。

如导远推出的地图盒子，除集成了GNSS、IMU、轮速和高精地图外，还进一步接入了ADAS相机，从而可以通过视觉融合定位，进一步提高定位精度和可靠性——据称可在95%置信度下实现横向误差小于0.2米、纵向误差小于2米。

不过，一位新势力车企负责定位的工程师表示，对于将视觉融合定位交由定位盒子供应商来完成这种做法，他们是完全“不可接受”。究其原因，一方面，这“关系到谁集成谁的问题”，职责不容易区分，“出了问题，到底是传感器的问题、定位盒子的问题，还是融合算法的问题，不好判责”；另一方面，他们也不认可定位盒子供应商的图像处理能力，况且，这也涉及到图像被两次处理造成的算力浪费问题。

对于这种行为，某组合导航供应商高管认为，现阶段，传统车企或者研发能力弱的车企，量产高阶智能驾驶时，为了更方便地控制成本、提升可靠性，更希望供应商能够提供定位的整体解决方案，如集成卫导、惯导、高精地图，甚至视觉融合定位等功能。

将组合导航集成到域控中的方案，一方面对车厂的研发能力有较高的要求，另一方面对于感知、决策等算法也有很高的要求。因此，如果这两方面要求都不能达到，把定位交给第三方供应商来解决，是一个可以实现快速量产，且集成度和可靠性都比较高的方案。

看下来，虽然长期来看定位模块的集成化是个趋势，但定位盒子仍或将长期存在。

08  做好融合定位算法，可降低对组合导航关键部件的要求

前述提到的组合导航，其实都是自动驾驶定位系统中的一部分，最终系统是通过将各种数据进行融合定位。

图片

一般常见的融合定位用到的数据包括GNSS、IMU、RTK（或PPP-RTK）、高精地图、轮速传感器、激光雷达、摄像头等，最终的定位精度取决于融合后的定位精度。

图片

值得一提的事，除了以GNSS为主的绝对定位外，还可以根据摄像头观测到的车道线的位置来实现横向的相对定位，以及使用激光雷达、摄像头、毫米波雷达等观测到的周围关键特征（如标志牌、红绿灯等）和高精地图进行匹配，来实现纵向的相对定位（SLAM）。

图片

事实上，如果融合定位算法做的够好的话，是可以降低对组合导航关键部件的要求（如IMU精度等）。

很多专家都表示，IMU的高精度主要为了应对一些定位退化场景——如隧道。在隧道场景中，只能依赖两端的GNSS值进行绝对定位，隧道中间只能依赖IMU进行航迹推算。

不过也并非没有办法，百度阿波罗的一位专家在某次分享中提到：一方面隧道内对绝对精度的要求并不高，道路的曲率变化不会太极限；另一方面，可以引入更多的特征，比如纹理来帮助定位。

也有专家提到，在隧道中可以利用视觉和毫米波雷达来实现横向定位，至于纵向定位的精度，“其实也没有那么重要”。

09  融合定位可否摆脱对高精地图的依赖？

除了能降低组合导航要求外，某L4进入前装量产的公司也透露正在探索不依赖RTK实现高速NOA功能的方案。

事实上，高精度定位是搭配高精地图进行使用的，如果RTK可以不需要，那么高精地图是否还需要呢？

业内不少人认为在自动驾驶中，高精地图是个“拐杖”。高精地图不受环境影响、不被距离限制，可以辅助感知作超视距感知输入，对传感器进行有效弥补。如果现在就扔掉“拐杖”，可能还会有一些问题，如现实场景道路中，常会遇到大车挡道、车道线模糊等问题，传感器也常常受限于距离和环境影响。

据一些业内专家反馈，缺少高精地图（仅依赖导航地图），实现车道级定位比较困难，因为导航地图道路中缺少车道信息，只能通过视觉等识别的车道信息进行相对定位。当在路口遇到路牌和车道线遮挡时，很难识别道路拓扑结构，容易出现决策规划错误。

此外，在小曲率匝道中行驶时，因为导航地图缺少曲率信息，车辆的横纵向控制将会比较困难，很容易会有锯齿感。

从这些方面来说，某种程度的“高精地图”还是需要的，不过这种所谓的“高精地图”可能不像现在图商提供的精度那么高、元素那么全，可能是在导航地图上覆盖一层道路语义地图，姑且可以称作“导航地图 Plus”。

在这方面，记忆泊车提供了很好的范式。记忆泊车功能开启之前，需要先构建地图和记忆路线，再基于构建好的地图进行定位决策规划。

于是，参考记忆泊车，一些方案商提出了记忆行车功能。对于城市通勤路线，通过反复几次行驶后完成构建地图和路线记忆，即在导航地图上覆盖一层本地构建的语义地图“导航地图Plus”，然后基于此地图进行定位决策和规划，实现城区内不依赖高精地图的点到点领航辅助。

这一定程度上可以实现“单机”版的地图，如果再进一步，本地构建的地图分享到云端呢？那岂不是就成了众包地图？

事实上，小鹏汽车方面称，已经支持停车场记忆泊车地图分享功能，用户学习路线后可选择分享路线，通过云端审核后，即可在手机端进行路线管理与分享，到达目标停车场内，还可以使用其他用户上传或者官方推荐的泊车路线，这一定程度上，这已经是事实上的停车场“众包”地图了。

行车和泊车，虽然功能逻辑不同，在解决地图问题的方向上，也许将会殊途同归。

1. 书籍推荐-《机器人编程：使用树莓派3和Python构建和控制自主机器人》

2. 书籍推荐-《机器人感知与认知中的深度学习》

3. 从ChatGPT思考自动驾驶将如何前行

4. 一文带你了解机器人是如何通过视觉实现目标跟踪的！

5. 激光雷达中是如何做到和GPS时间同步的？

6. BEV感知中的视觉-毫米波雷达融合综述