无人驾驶导航定位中的GPS和IMU技术

汽车学堂，www.auto-mooc.com

隶属清华大学苏州汽车研究院旗下清研车联

专注汽车新技术人才培养

01

GPS三角定位

导航定位就是利用电、磁、光、力学等科学原理与方法，通过测量与空中飞机、海上舰船、大洋里的潜艇、陆地上的车辆、人流等运动物体每时每刻位置有关的参数，从而实现对运动体的定位，并正确地从出发点沿着预定的路线，安全、准确、经济地引导到目的地，这种技术就叫导航技术。

被广泛应用 的GPS即全球定位系统（Global Position System）的定位原理叫做三角定位法（Triangulation）。

装在无人车上的GPS接收机，量测出无线电信号到达卫星的传播时间，再将传播时间乘以光速，即可得到当前GPS接收机到达卫星的距离，再用三角定位的几何原理可求得位置。

但是GPS定位精度低、更新周期长，远远不能满足自动驾驶的需求。

02

RTK技术

为了解决GPS定位精度低的问题，人们想到可以通过GPS＋RTK的方法来解决定位问题，RTK（Real - time kinematic，实时动态）载波相位差分技术。

基本原理就是，车辆在行驶过程中是用GPS作为基准，在GPS更新的时候，通过RTK辅助，即利用RTK设备和信号塔设备通信修正GPS定位结果，完成车辆的精确定位。

在地面上建设可以接收卫星信号基站（Base Station），基站具有精确位置信息（经纬度）。

车载GPS接收机和附近的基站同时接收卫星信号。此时基站和车辆是通过同一片大气云层和天气接收的信号，两者具有相同的误差。再根据基站的实际位置和误差，可以反推出车辆的位置。

如何能精确地计算出第一个接收机的误差？我们可以在已知精准的地点安置参考接收机基准站，安装在基准站上的GPS接收机观测4颗卫星后便可进行三维定位，解算出基准站的测量坐标。然后我们通过测量坐标与已知坐标对比可以计算出误差。基准站再把误差值发送给方圆100公里内的差分GPS接收器，去纠正它们的测量数据。

RTK过去用在特定领域里，价格贵，推广比较困难。

同时差分GPS可以解决定位的精度问题，但是解决不了遮挡和反射问题，在大城市高楼林立，立体的交通系统中优势就不再这么明显。

03

IMU技术

在高楼周围也可能导致原本收不到的卫星信号，经过大楼楼体的镜面反射被接收到，这种信号被称为多路径信号（Multi-Path Signal）。根据多路径信号计算得到的距离会明显大于实际距离。

使有各种问题，GPS还是一个相对精准的传感器，而且GPS的误差不会随着时间的推进而增加。

GPS更新频率低，大概在10Hz左右，即100ms才能定位一次。

假设一辆汽车正以72km/h（20m/s）的速度在路上直线行驶，GPS定位的周期为100ms，则一个周期后，汽车相对于前一次定位的结果移动了20m/s * 0.1s = 2m，即两次的定位结果相距2米。

由于无人车行驶速度快，我们需要实时精准定位以确保无人车的安全。因此我们必须借助其他的传感器来辅助定位，增强定位的精度。

如果在理想情况下，车子匀速且走直线，用速度乘以时间即可得到车辆的当前位置。实际情况却要复杂得多。

这个时候要对加速度做积分，得到了速度，再次积分，得到了位置。

为了测量加速度，就要使用“三轴加速度计”传感器。它可以精确测量加速度。

车不是一直走直线的，所以单有加速度计不足以计算车辆的位置。用陀螺仪能测量当前的角速度。解决了车辆行驶的方向的问题。

加速度计和陀螺仪合起来就是是 IMU（惯性测量单元）一个解决速度，一个解决方向。IMU 频率为1000Hz，所以 IMU 可以提供接近实时的位置信息。

但是IMU的缺点事会产生误差积累，运动误差会随时间增加而增加，所以IMU只能短时定位。现在通用办法是结合GPS和 IMU 来进行来汽车定位，一方面，IMU 弥补了GPS更新频率较低的缺陷；另一方面，GPS反过来纠正了 IMU 的运动误差。

将GPS和IUM的优势融合到一块要用到卡尔曼滤波器。GPS得到的经纬度信息作为输入信号传入IMU，IMU再通过串口线与控制器相连接，以此获取更高频率的定位结果。

惯性传感器（IMU）是可以检测加速度与旋转运动的传感器。基础的惯性传感器包括加速度计与角速度计。

04

定位中的经典算法：卡尔曼滤波

对于模块化的技术，知道其工作原理和算法，有助于我们更好的应该用。卡尔曼滤波作为连续状态空间问题的一种解决方案，已经成功运用在航海定位、火星登陆和自动导弹制导等领域，也在无人驾驶的定位中发挥作用。

卡尔曼滤波器是一个最优化的自回归数据处理算法(Optimal recursive data processing algorithm)。卡尔曼滤波器对于解决大部分问题，是最优效率最高甚至最有用的。

卡尔曼滤波器基本原理

根据已知的速度来预测新的位置的均值，通过方差来考虑随机误差，通过预测值与传感器测量结果的融合（两个高斯分布乘积）来进一步修正位置的均值与方差，其中涉及到大量的数学运算。不是开发人员只需要了解基本原理和运算方式即可满足使用条件。

无人驾驶涉及到安全问题，为了解决GPS频率太低所带来的问题，工程师不仅引入了其他传感器信号（IMU、激光、视觉）用以提高无人车的定位频率，还用到高精度地图，这个已经介绍过。