智能駕駛以及其所需要的高精度定位技術介紹

隨著汽車智能化的不斷發展，智能駕駛以及其所需要的高精度定位技術也逐漸走進大眾的視野。

如果說高精度地圖是為智能汽車的行駛繪制了無形軌道，那高精度定位技術則是前者的“最佳拍檔“，支持汽車在軌道中安全行駛——高精度位置信息和地圖進行匹配后實現導航功能，與整套感知系統進行時間同步，為智能駕駛提供了最基礎的時空信息。

高精度定位技術根據使用的硬件不同，可以分為三大類：衛星導航（GNSS）、慣性導航（INS/IMU）、環境特性匹配定位。

●?衛星信號定位

以GNSS系統為主，結合RTK實現厘米級定位。

●?慣性導航定位

不依賴任何外部信息，屬于自主導航定位，依靠慣性傳感器（IMU）獲得加速度和角速度信息，并由此推算獲得當前位置和方位。最早用于軍工領域。在這里我們對慣導系統再做一個細分，主要分為平臺式慣導系統和捷聯式慣導系統兩大類。捷聯慣導系統（SINS）是在平臺式慣導系統基礎上發展而來的，它的結構簡單，具有可靠性高、體積小、重量輕、造價低的優勢，高速大容量的數字計算機技術和高精度陀螺儀技術的發展，因此捷聯導航系統在低成本、短期中精度導航中呈現出逐漸取代平臺式系統的趨勢。

●?環境特性匹配定位

利用車載攝像頭、激光雷達等傳感器，感知周邊環境，用觀測到的特征和數據庫里的特征地圖進行匹配，得到車輛的位置和姿態。

而完成智能駕駛的高精度定位，需要這三大類技術融合來實現，技術的大趨勢是多元融合、異構冗余。對于任何一個物理量的觀測，都采用多重傳感器取長補短的方式。

隨著認知的逐步深入，自動輔助駕駛系統開發中，逐步認為衛星信號定位和慣性導航定位兩者的結合（衛慣組合），由于兩者信息的互補性，可以更好的發揮系統的優勢。尤其是低成本的捷聯慣導系統和衛星導航系統的組合，一直是國內外導航界研究的熱點之一，有望成為未來主要的定位技術解決方案。

衛慣組合優點如下：

●?精度高

GNSS和IMU單獨定位達到厘米級，IMU可以對車輛輪速，方向盤轉角，其他傳感信息結合，進一步提升定位精度。

●?適用場景多

GNSS提供全天候，全天時，絕對位置準確的定位;汽車進入隧道道或地下車庫等衛星信號丟失的領域，IMU會根據失效前感知到的道路信息對汽車航跡進行推演，使得車輛保持安全行駛。

●?可靠性提高

IMU可驗證GNSS定位的自洽性，對于無法自洽的GNSS數據進行過濾和修正。

衛慣組合有三種耦合方式：松耦合、緊耦合和深耦合。從命名方式上，目前大眾普遍有個誤解，認為這三種方式的耦合程度從低到高，定位精度也是從低到高，今天的文章就揭示一下這幾個概念的內涵，從這幾個問題開始討論未來發展趨勢。

Part 1

“X耦合”和“解耦”

（1）標準耦合模型（松耦合模型） 在這里，我們首先從標準耦合模型（SFM: Standard Fusion Model for GNSS/INS）開始，它是緊/深耦合的技術基礎和前提。

SFM是經典衛/慣組合系統的數學模型，也是所有衍生分支算法的“共性基礎”。其共性占比在整個衛/慣融合技術領域超過95%。隨著后人在細分領域的技術分支開發，為了突出后來的新方法的創新度，標準耦合模型（松耦合）被“貶”稱為：“松耦合模型”。

◎?SFM優點主要在于：工程實現容易，組合系統的計算量小，可以滿足對實時性要求較高的系統設計；兩個系統仍然保持獨立工作，即使某個系統出現故障時，組合系統仍然可以繼續工作，保證測量的連續性。

◎?SFM劣勢：由于這種方法要求可見衛星數目不少于 4 顆，此時組合定位中的GNSS模塊無法定位。

在這里GNSS/RTK定位結果和IMU原始數據來實現融合，衛慣系統各自解算載體方位和運動情況信息（衛星輸出位置與速度等、慣性輸出位置速度姿態等），所得結果導入濾波器進行進一步結算，估算INS誤差情況。

（2）緊耦合

說完“松耦合”，與之對應的就是“緊耦合”。緊耦合導航系統與標準耦合導航系統在功能上來說是基本一致的。

與標準耦合（SFM）導航系統不同的是， GNSS 接收機輸出的是偽距與多普勒頻移這些原始采樣數據。將 GNSS 接收采樣得到的偽距與多普勒頻移由 INS 系統預測得到的偽距與多普勒頻移的預測值相減即可得到偽距與多普勒頻移的測量殘余作為數據融合濾波器的觀測量，將觀測量輸入到數據融合濾波器之后，同標準耦合（SFM）系統一樣可以得到INS計算誤差以及傳感器偏差以完成對INS系統的對準并獲得位置與速度的最優估計值。

緊耦合最典型的應用場景是在軍事環境，尤其是遇到一定程度電子對抗環境，衛星數較少（＜4顆）的情況；無差分修正（無RTK）；同時是一個相對高動態環境：例如巡航速度200米/秒的飛行體（720公里/小時）。

與松耦合技術相比，緊耦合的優勢主要在于：

◎??緊耦合在干擾環境中工作時能更好地保持對衛星的鎖定，不過除了干擾一信號比以外，這一優勢很難定量表示。

◎??在可見衛星少于4 顆的情況下，也能在較短的時間內正常工作，同時定位精度會急劇下降。

（3）深耦合

深耦合的應用是在高動態和射頻干擾環境下，且無差分修正（無RTK）——此時無論是 GNSS/INS 標準耦合（SFM）系統還是 GNSS/INS 緊耦合系統都無法正常工作，比如：炮彈、導彈、火箭等非載人裝備。

在這里美國的噴氣推進實驗室（JPL）定義“高動態測試環境”是載體承受持續1s的高達70g/s加加速度。或者動態場景為載體承受持續0.5s的正向加加速度100g/s，間隔2s后，再承受持續0.5s的反向加加速度100g/s。一般只有彈道導彈的再入大氣層階段才可達到，對導航精度要求更高的巡航導彈的動態一般低于這兩種測試場景。

而實際在車輛的應用上，一般零百加速達到4秒左右的時候，加速度為0.7g；達到3.8秒時，加速度為0.74g。實際上深耦合技術是為了非載人飛行體彌補極限場景下的定位性能不足而產生的。

深耦合導航系統相對于緊耦合導航系統增加了 INS 單元對 GNSS 接收機的輔助。利用 INS 單元結合星歷信息可以對偽距與載波的多普勒頻移進行估計，利用估計結果輔助接收機的捕獲與跟蹤環路。事實上，這種場景主要應用在軍事導航上。遠程精確制導發射任務要求快速飛越電離層，對動態范圍要求高達40g甚至更高，高動態引起的衛星與載體之間的多普勒頻移會給GNSS信號跟蹤帶來嚴重影響。在高動態條件下，高速率帶來的±50~100kHz的多普勒頻移，會導致普通接收機載波跟蹤環路失鎖，無法解調出導航電文；高動態帶來的多普勒頻率大范圍內的抖動，要求加寬環路帶寬，降低工作信噪比，其代價降低環路跟蹤精度；會也使偽隨機碼產生動態時延，導致碼環失鎖。

◎?深耦合模型其優勢在于：在高動態條件下，可提升跟蹤環路的穩定性，提高了接收機的動態性，進而提高了接收機跟蹤環路的靈敏度，即使在強射頻干擾環境下。

◎?其劣勢在于：由于兩者的之間的耦合很深，因此當斷開兩個系統時，GNSS 接收機不但無法完成定位、定速的工作，同時也無法繼續完成對衛星信號的跟蹤，此時如果沒有相應的切換方法來控制，則會導致衛星信號的失鎖。且切換設計的深耦合跟蹤方法要避免陷入 INS 輔助狀態切換死循環的狀態（防止正反饋）。

但深耦合模型作為高精度定位解決方案，存在一個問題：由于在軍工和航空航天中，是不太考慮的成本，怎么高大上怎么來；但是在汽車上，由于更大的算力需求，帶來單車成本上升的方案并不可取。特別是在并不是軍工業的民用領域，這種高要求下沒有成熟的SOC芯片，通常使用 FPGA+DSP方案來作為硬件解決方案。

芯片是需要出貨量支撐的，大家都說深耦合很好，但由于沒有成熟的SOC芯片，目前汽車領域所有公開的硬件方案，都使用FPGA+DSP方案來作為硬件解決方案。

深耦合常用的主要元器件有：

◎?TI DSP 674系列

◎?Intel / Altera FPGA（非車規）

◎?xilinx XA系列（車規），XA7A12T——此類芯片動輒幾百元的書面報價，加上52周以上貨期，即便不考慮價格，可能在“供應鏈安全”的視角也有待商榷。

在汽車領域大規模應用的前提是系統成熟且成本較低。顯然，在實際應用中，解決方案的優劣并不是從標準耦合、緊耦合再到深耦合的遞進關系，而是要看應對工況處理的可靠性。

（4）解耦

對于組合導航而言，城市道路中最難處理的“丟星工況”（如嚴重遮擋、或地下工況），是自動駕駛技術工程實踐中關心的重點。此時的融合算法該如何處理呢？

答案是：慣性推算（Dead Reckoning）。也就是利用IMU獲得載體的高精度的三維加速度與角速度信息，通過積分獲得載體的三維運動軌跡和姿態。值得注意的是，在此類工況下，以上所有的衛慣融合技術是沒有差異的，因為GNSS系統已經無法工作（或因為精度非常低而失去車道級定位的可用性），衛慣系統進入了“純慣性推算”的工作模式。此時的系統精度，100%取決于IMU的精度等級。這也許是《捷聯慣性導航技術》的作者David H. Titterton認為“不同的融合技術，除了干擾信號比之外，其他優勢很難定量表示”的原因。

備注：在衛星嚴重遮擋或完全丟星的工況，衛慣之間各種耦合都是無效的。行業前沿的工程實踐應用策略是盡快解耦，進入基于IMU和底盤信息融合的慣性推算模式（DR: Dead Reckoning）。同時，近年來，針對該類工況采用IMU+視覺的VSlam/VIO技術成為了研究熱點，從學術文獻的趨勢來看，近十年來國內外知名高校（如加拿大卡爾加里大學等）則向慣性+視覺（或Lidar）+底盤信息融合的技術路線,展開了大量的探索（如VSlam/VIO技術等）。更加前沿的研究，敬請期待后續的分享。

Part 2

融合技術的“新趨勢”

由于自前應用廣泛的慣性衛星組合導航系統在衛星長時間失鎖的情況下難以保證導航的精度，在不引入其它傳感器輔助的情況下，利用車輛模型輔助導航成為了車輛導航研究的新方向——主要有：運動學動力學模型輔助車輛導航技術方向和多源融合技術方向。

從自動駕駛“定位”技術的大范疇來看，隨著傳感器技術高速發展、性能幅度提升、成本也以“數量級” 幅度優化，自動駕駛技作為人工智能技術的分支，也和逐漸向主流技術路線看齊，慢慢擺脫高昂價格對于技術路線選用的掣肘。經歷了從21世紀初期到今天，經過了三個階段：

●?第一階段 ：實驗室級別多傳感器融合

●?第二階段 ：技術導入量產開始控制成本，采用大量“剪裁”方案

●?第三階段 ：技術爆發紅利，重啟“可量產”的多傳感器融合技術路線