作为自动驾驶的重要组成部分，高精度自动驾驶定位导航技术是无人驾驶汽车安全行驶不可或缺的核心技术之一，在车辆横着/纵向精确定位、障碍物检测与碰撞避让、智能车速控制、路径规划及行为决策等方面发挥着重要的作用。

 

目前无人驾驶汽车的环境感知传感器与算法还无法达到与人类驾驶员同样的感知性能，因此自动驾驶定位就需要高精定位、高精地图、联合感知等定位导航技术的支持。

 

点击查看千寻位置自动驾驶解决方案。

 

 

目前常用的自动驾驶定位技术包括轨迹推算(DR)、惯性导航技术(INS)、卫星导航定位技术、路标定位技术、地图匹配定位技术(MM)以及视觉定位技术等。然而，这些定位导航技术在单独应用时均存在一些无法避免的问题。本文将详细介绍自动驾驶定位所用到的主流导航技术。

 

一、全球卫星导航系统

 

目前国际上主要有4种主流的全球定位导航系统，分别是美国的全球定位系统(GPS)、俄罗斯的格洛纳斯卫星导航系统(GLONASS)、欧盟的伽利略卫星导航系统(GALILEO)和中国的北斗卫星导航系统(BDS)。

 

北斗卫星导航系统是近年应用十分广泛且发展迅猛的一种全球卫星定位导航系统。北斗由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，而且具有短报文通信能力，已具备区域导航、定位和授时能力，定位精度为分米、厘米级别，测速精度0.2米/秒，授时精度10纳秒。

 

我们以GPS为例，简单分析其在自动驾驶定位导航中的作用。其工作原理是：在用户GPS接收机周边设置一个已知精确坐标的差分基准站。基准站的GPS接收机持续接收GPS卫星信号，将测出的位置与该固定位置的真实位置的差值作为公共误差校正量，再通过无线数据传输或电台数据传输将该校正量传送给移动站的接收器。移动站的接收器用该校正量对当地位置进行校正，最终获得厘米级的自动驾驶定位精度。

 

不过，GPS定位也存在一定的误差。GPS定位有3个假设前提。首先是接收器必须精确测量卫星信号的传输时间，此外卫星信号必须以已知的平稳速度传输，最后GPS接收机接收的卫星信号必须沿直线传输。若实践应用中出现任何不满足上述假设的因素都将导致测距误差，从而影响自动驾驶定位精度。

 

二、航迹推算(DR)

 

航迹推算是利用媒介上某一时刻的位置，根据航向与速度信息，推算得到当前时刻的位置，即根据实测的无人驾驶汽车行驶距离和航向计算其位置和行驶轨迹来进行自动驾驶定位。它一般不受外界环境影响，但由于其本身误差是随时间累计的，故独立工作时不能长时间保持高精度。

 

从原理上来讲，航迹推算是对速度或加速度信号进行积分，可以基于车辆模型，也可以不基于车辆模型。目前，实现航迹推算可以基于以下这些方式：

 

1.惯性传感器

通过惯性传感器可以测量得到速度、加速度等信息，理论上这些值都能通过积分得到位置、速度及航向。使用基于惯性传感器的航迹推算与地图匹配相结合可以调节传感器的一些误差并获得比较精确的自动驾驶定位。

 

2.地图匹配

地图匹配能通过将估计值与路面最近点进行正交匹配来实现。利用贝叶斯滤波可以实现较好的地图协助式自动驾驶定位。

 

3.动态滤波

一般情况下，用于定位的非线性滤波包含以下主要步骤：

时间更新：当下一个测量到达时，利用运动模型来预测车辆位置进行自动驾驶定位；

测量更新：利用当前测量和传感器模型来更新所在位置信息进行自动驾驶定位。

 

三、GPS/DR位置数据融合

 

GPS具有全球、全天候、高精度、追踪定位等优点，但是其动态性能和抗干扰性较差。DR(航迹推算)系统一般采用低成本的陀螺仪和车辆公里数构成，通过对车辆航向角变化量和车辆位置变化量的测量，递推出汽车的位置变化进行自动驾驶定位，不受外界环境的影响影响。

 

但由于DR系统自身不能提供车辆的初始位置坐标和初始航向角，定位误差随时间的累计会扩散，从而导致定位精度减少。可以将GPS和DR相结合，可有效规避两者弱点，不但可以提升系统精度，还可以增强系统的抗干扰性与跟踪能力。

 

一方面可以利用GPS系统提供的绝对位置协助DR系统的初始化，并可以定期地对DR系统定位以及系统参数的校正。另一方面，在GPS无法进行自动驾驶定位时，车载定位导航系统又能够自动地转换到DR导航方式，直到GPS恢复正常接收后，系统再回到GPS与DR的自动驾驶定位组合导航。实现导航导出信息可视化，可以有效处理司机定向难的问题。

 

根据系统利用GPS信息方式的不同，基于Kalman滤波器的GPS/DR组合可分为松耦合组合定位和紧耦合组合定位两种。松耦合模式的优点是组合结构简单，系统开发者不需要处理GPS原始的观测信息。同时两个系统能够独立工作，促进定位系统有一定余度。然而，由于GPS导出位置与速度误差具有时间关联性，这也会给选用Kalman滤波器带来一定的难度。紧耦合方式的优势是用伪距、伪距率作为观测量。其观测误差可以建模扩充为状态进行估计与矫正，因此可提高组合精度。不过，大的计算量和繁琐的软、硬件开发阻碍了其广泛应用。

 

四、并行建图与定位

 

在未知环境中，无人驾驶汽车无法根据已知地图持续进行校正，实现精确自动驾驶定位，只能依靠自身携带的传感器来获取环境信息，并经过信号处理抽取有效信息，以构建环境地图。这就需要同时定位与地图建立技术的支持。

 

SLAM，也被称为并行建图与定位，是指无人驾驶汽车在位置环境中，从未知位置出发，在运动过程中通过环境信息，进行车体位置与航向的确定，同时建立环境地图并对地图进行实时更新，或在已知环境中，通过环境信息对车体位置和航向进行确定。

 

SLAM一般包括2个步骤：预测和测量。为了准确表示导航系统，SLAM需要在状态之间以及状态和测量之间进行学习。SLAM最常用的学习方法称为Kalman滤波。基于Kalman滤波的SLAM方法利用包含无人驾驶汽车位姿向量和环境特征向量的增广向量表示室内环境，将无人驾驶汽车运动与环境特征的关系描述为2个非线性模型，即无人驾驶汽车运动模型与观测模型。

 

无人驾驶汽车控制信号输入到系统运动模型中，实现无人驾驶汽车的运动。Kalman滤波算法根据系统模型实现无人驾驶汽车位姿的预测，同时无人驾驶汽车根据系统观测模型获得对环境特征的观测。预测特征和观测特点之间要进行数据关联匹配的处理，选择最佳匹配特点，用于对无人驾驶汽车位姿的更新，而候选匹配特点被认为是对环境观测获得的新特点，用于对地图的增广。

 

SLAM为车辆的位姿估计带来了新思路，在保证自动驾驶定位精度的同时，还提高了自动驾驶定位信息的输出频率，可以获取比较完整的环境重建结果。