智能驾驶以及其所需要的高精度定位技术介绍

 

随着汽车智能化的不断发展，智能驾驶以及其所需要的高精度定位技术也逐渐走进大众的视野。

如果说高精度地图是为智能汽车的行驶绘制了无形轨道，那高精度定位技术则是前者的“最佳拍档“，支持汽车在轨道中安全行驶——高精度位置信息和地图进行匹配后实现导航功能，与整套感知系统进行时间同步，为智能驾驶提供了最基础的时空信息。

高精度定位技术根据使用的硬件不同，可以分为三大类：卫星导航（GNSS）、惯性导航（INS/IMU）、环境特性匹配定位。

● 卫星信号定位

以GNSS系统为主，结合RTK实现厘米级定位。

● 惯性导航定位

不依赖任何外部信息，属于自主导航定位，依靠惯性传感器（IMU）获得加速度和角速度信息，并由此推算获得当前位置和方位。最早用于军工领域。在这里我们对惯导系统再做一个细分，主要分为平台式惯导系统和捷联式惯导系统两大类。捷联惯导系统（SINS）是在平台式惯导系统基础上发展而来的，它的结构简单，具有可靠性高、体积小、重量轻、造价低的优势，高速大容量的数字计算机技术和高精度陀螺仪技术的发展，因此捷联导航系统在低成本、短期中精度导航中呈现出逐渐取代平台式系统的趋势。

● 环境特性匹配定位

利用车载摄像头、激光雷达等传感器，感知周边环境，用观测到的特征和数据库里的特征地图进行匹配，得到车辆的位置和姿态。

 

而完成智能驾驶的高精度定位，需要这三大类技术融合来实现，技术的大趋势是多元融合、异构冗余。对于任何一个物理量的观测，都采用多重传感器取长补短的方式。

随着认知的逐步深入，自动辅助驾驶系统开发中，逐步认为卫星信号定位和惯性导航定位两者的结合（卫惯组合），由于两者信息的互补性，可以更好的发挥系统的优势。尤其是低成本的捷联惯导系统和卫星导航系统的组合，一直是国内外导航界研究的热点之一，有望成为未来主要的定位技术解决方案。

卫惯组合优点如下：

● 精度高

GNSS和IMU单独定位达到厘米级，IMU可以对车辆轮速，方向盘转角，其他传感信息结合，进一步提升定位精度。

● 适用场景多

GNSS提供全天候，全天时，绝对位置准确的定位;汽车进入隧道道或地下车库等卫星信号丢失的领域，IMU会根据失效前感知到的道路信息对汽车航迹进行推演，使得车辆保持安全行驶。

● 可靠性提高

IMU可验证GNSS定位的自洽性，对于无法自洽的GNSS数据进行过滤和修正。

卫惯组合有三种耦合方式：松耦合、紧耦合和深耦合。从命名方式上，目前大众普遍有个误解，认为这三种方式的耦合程度从低到高，定位精度也是从低到高，今天的文章就揭示一下这几个概念的内涵，从这几个问题开始讨论未来发展趋势。

Part 1

“X耦合”和“解耦”

（1）标准耦合模型（松耦合模型） 在这里，我们首先从标准耦合模型（SFM: Standard Fusion Model for GNSS/INS）开始，它是紧/深耦合的技术基础和前提。

 

SFM是经典卫/惯组合系统的数学模型，也是所有衍生分支算法的“共性基础”。其共性占比在整个卫/惯融合技术领域超过95%。随着后人在细分领域的技术分支开发，为了突出后来的新方法的创新度，标准耦合模型（松耦合）被“贬”称为：“松耦合模型”。

◎ SFM优点主要在于：工程实现容易，组合系统的计算量小，可以满足对实时性要求较高的系统设计；两个系统仍然保持独立工作，即使某个系统出 现故障时，组合系统仍然可以继续工作，保证 测量的连续性。

◎ SFM劣势：由于这种方法要求可见卫星数目不少于 4 颗，此时组合定位中的GNSS模块无法定位。

 

在这里GNSS/RTK定位结果和IMU原始数据来实现融合 ，卫惯系统各自解算载体方位和运动情况信息（卫星输出位置与速度等、惯性输出位置速度姿态等），所得结果导入滤波器进行进一步结算，估算INS误差情况。

（2） 紧耦合

说完“松耦合”，与之对应的就是“紧耦合”。紧耦合导航系统与标准耦合导航系统在功能上来说是基本一致的。

与标准耦合（SFM）导航系统不同的是， GNSS 接收机输出的是伪距与多普勒频移这些原始采样数据。将 GNSS 接收采样得到的伪距与多普勒频移 由 INS 系统预测得到的伪距与多普勒频移的预测值相减即可得到伪距与多普勒频移的测量残余作为数据融 合滤波器的观测量，将观测量输入到数据融合滤波器之后，同标准耦合（SFM）系统一样可以得到INS计算误差以及传感器偏差以完成对INS系统的对准并获得位置与速度的最优估计值。

紧耦合最典型的应用场景是在军事环境，尤其是遇到一定程度电子对抗环境，卫星数较少（＜4颗）的情况；无差分修正（无RTK）；同时是一个相对高动态环境：例如巡航速度200米/秒的飞行体（720公里/小时）。

与松耦合技术相比，紧耦合的优势主要在于：

◎  紧耦合在干扰环境中工作时能更好地保持对卫星的锁定，不过除了干扰一信号比以外，这一优势很难定量表示。

◎  在可见卫星少于4 颗的情况下，也能在较短的时间内正常工作，同时定位精度会急剧下降。

（3）深耦合

深耦合的应用是在高动态和射频干扰环境下，且无差分修正（无RTK）——此时无论是 GNSS/INS 标准耦合（SFM）系统还是 GNSS/INS 紧耦合系统都无法正常工作，比如：炮弹、导弹、火箭等非载人装备。

在这里美国的喷气推进实验室（JPL）定义“高动态测试环境”是载体承受持续1s的高达70g/s加加速度。或者动态场景为载体承受持续0.5s的正向加加速度100g/s，间隔2s后，再承受持续0.5s的反向加加速度100g/s。一般只有弹道导弹的再入大气层阶段才可达到，对导航精度要求更高的巡航导弹的动态一般低于这两种测试场景。

而实际在车辆的应用上，一般零百加速达到4秒左右的时候，加速度为0.7g；达到3.8秒时，加速度为0.74g。实际上深耦合技术是为了非载人飞行体弥补极限场景下的定位性能不足而产生的。

深耦合导航系统相对于紧耦合导航系统增加了 INS 单元对 GNSS 接收机的辅助。利用 INS 单元结合星历信息可以对伪距与载波的多普勒频移进行估计，利用估计结果辅助接收机的捕获与跟踪环路。事实上，这种场景主要应用在军事导航上。远程精确制导发射任务要求快速飞越电离层，对动态范围要求高达40g甚至更高，高动态引起的卫星与载体之间的多普勒频移会给GNSS信号跟踪带来严重影响。在高动态条件下，高速率带来的±50~100kHz的多普勒频移，会导致普通接收机载波跟踪环路失锁，无法解调出导航电文；高动态带来的多普勒频率大范围内的抖动，要求加宽环路带宽，降低工作信噪比，其代价降低环路跟踪精度；会也使伪随机码产生动态时延，导致码环失锁。

◎ 深耦合模型其优势在于：在高动态条件下，可提升跟踪环路的稳定性， 提高了接收机的动态性，进而提高了接收机跟踪环路的灵敏度，即使在强射频干扰环境下。

◎ 其劣势在于：由于两者的之间的耦合很深，因此当断开两个系统时，GNSS 接收机不但无法完成定位、定速的工作，同时也无法继续完成对卫星信号的跟踪，此时如果没有相应的切换方法来控制，则会导致卫星信号的失锁。且切换设计的深耦合跟踪方法要避免陷入 INS 辅助状态切换死循环的状态（防止正反馈）。

但深耦合模型作为高精度定位解决方案，存在一个问题：由于在军工和航空航天中，是不太考虑的成本，怎么高大上怎么来；但是在汽车上，由于更大的算力需求，带来单车成本上升的方案并不可取。特别是在并不是军工业的民用领域，这种高要求下没有成熟的SOC芯片，通常使用 FPGA+DSP方案来作为硬件解决方案。

芯片是需要出货量支撑的，大家都说深耦合很好，但由于没有成熟的SOC芯片，目前汽车领域所有公开的硬件方案，都使用FPGA+DSP方案来作为硬件解决方案。

深耦合常用的主要元器件有：

◎ TI DSP 674系列

◎ Intel / Altera FPGA（非车规）

◎ xilinx XA系列（车规），XA7A12T——此类芯片动辄几百元的书面报价，加上52周以上货期，即便不考虑价格，可能在“供应链安全”的视角也有待商榷。

在汽车领域大规模应用的前提是系统成熟且成本较低。显然，在实际应用中，解决方案的优劣并不是从标准耦合、紧耦合再到深耦合的递进关系，而是要看应对工况处理的可靠性。

（4）解耦

对于组合导航而言，城市道路中最难处理的“丢星工况”（如严重遮挡、或地下工况），是自动驾驶技术工程实践中关心的重点。此时的融合算法该如何处理呢？

答案是：惯性推算（Dead Reckoning）。也就是利用IMU获得载体的高精度的三维加速度与角速度信息，通过积分获得载体的三维运动轨迹和姿态。值得注意的是，在此类工况下，以上所有的卫惯融合技术是没有差异的，因为GNSS系统已经无法工作（或因为精度非常低而失去车道级定位的可用性），卫惯系统进入了“纯惯性推算”的工作模式。此时的系统精度，100%取决于IMU的精度等级。这也许是《捷联惯性导航技术》的作者David H. Titterton认为“不同的融合技术，除了干扰信号比之外，其他优势很难定量表示”的原因。

备注：在卫星严重遮挡或完全丢星的工况，卫惯之间各种耦合都是无效的。行业前沿的工程实践应用策略是尽快解耦，进入基于IMU和底盘信息融合的惯性推算模式（DR: Dead Reckoning）。同时，近年来，针对该类工况采用IMU+视觉的VSlam/VIO技术成为了研究热点，从学术文献的趋势来看，近十年来国内外知名高校（如加拿大卡尔加里大学等）则向惯性+视觉（或Lidar）+底盘信息融合的技术路线,展开了大量的探索（如VSlam/VIO技术等）。更加前沿的研究，敬请期待后续的分享。

 

Part 2

融合技术的“新趋势”

由于自前应用广泛的惯性卫星组合导航系统在卫星长时间失锁的情况下难以保证导航的精度，在不引入其 它传感器辅助的情况下，利用车辆模型辅助导航成为了车辆导航研究的新方向——主要有：运动学动力学模型辅助车辆导航技术方向和多源融合技术方向。

从自动驾驶“定位”技术的大范畴来看，随着传感器技术高速发展、性能幅度提升、成本也以“数量级” 幅度优化，自动驾驶技作为人工智能技术的分支，也和逐渐向主流技术路线看齐，慢慢摆脱高昂价格对于技术路线选用的掣肘。经历了从21世纪初期到今天，经过了三个阶段：

● 第一阶段 ：实验室级别多传感器融合

● 第二阶段 ：技术导入量产开始控制成本，采用大量“剪裁”方案

● 第三阶段 ：技术爆发红利，重启“可量产”的多传感器融合技术路线

小结：紧、深耦合作为“经典组合导航”的技术细化点，针对高动态、非载人场景可以优化GNSS系统的卫星跟踪性能，可以使一些“不合格”工况成为可用（达到60分的水平）。但深耦合所需的硬件方案尚未进入规模化阶段，其性能与成本的综合效益有待进一步验证。

目前 针对“车道级”高精度组合导航发展趋势，已经从经典的卫/惯组合，向车辆运动学模型、多源融合技术路线发展。

审核编辑：刘清