个人做论坛网站需要哪些备案,流量卡代理平台有哪些,深圳高端做网站公司,南充市企业网站建设导读
高德定位业务包括云上定位和端上定位两大模块。其中#xff0c;云上定位主要解决Wifi指纹库、AGPS定位、轨迹挖掘和聚类等问题#xff1b;端上定位解决手机端和车机端的实时定位问题。近年来#xff0c;随着定位业务的发展#xff0c;用户对在城市峡谷#xff08;高…导读
高德定位业务包括云上定位和端上定位两大模块。其中云上定位主要解决Wifi指纹库、AGPS定位、轨迹挖掘和聚类等问题端上定位解决手机端和车机端的实时定位问题。近年来随着定位业务的发展用户对在城市峡谷高楼、高架等的定位精度提出了更高的要求。
特别是车机端定位由于定位设备安装在车上一方面它可以搭载更丰富的定位传感器来解决特殊场景的问题另一方面各个传感器之间相互固连有利于高精度的算法设计。这两点为车机端进一步提高导航精度的提供了可能。
城市峡谷一直是车机端定位的痛点。原因是城市峡谷的环境使用户无法接收到GPS信号或GPS信号受干扰导致GPS无定位结果或定位精度差。这是“有源定位”固有的缺点无法从算法上来克服。
针对这个问题以GPSIMU的多传感器融合方案越来越受到重视因为“无源定位”的IMU恰好可以弥补GPS的短板。此外车机还可以搭载里程计、视觉设备形成更丰富的多传感器融合方案。
对高德而言地图数据是定位业务的灵魂。多传感器融合只是定位业务中的一部分如何把多传感器与地图数据结合起来始终是我们在思考的问题。
针对车机应用我们使用GPS、IMU、里程计等传感器结合高德地图的地图优势提出了一种结合地图匹配Map Matching的多传感器融合算法——GPS/IMU/MM融合软件硬件的解决方案。
本文概述了车载多传感器融合定位项目背景该项目确立是为了向用户提供好的导航定位服务。为了解决用户反馈的三大痛点问题偏航重算、无法定位和抓路错误结合算法和数据提出了一套软件硬件的解决方案。最后用实测数据验证对用户反馈问题的改善程度。
车载应用的痛点
偏航重算是指在高架或城市峡谷信号遮挡引起位置点漂移无法定位是指在无信号区域停车场、隧道推算的精度低导致出口误差大抓路错误是指主辅路、高架上下抓路错误。
其中导致偏航重算和无法定位直接原因是GPS定位精度差和DR航位推算精度差。GPS定位精度由观测环境决定难以改善DR航位推算精度与DR算法性能有关尤其是里程计系统误差和陀螺零偏的标定精度。对于抓路错误直接原因是正确道路与误抓道路相隔太近受定位精度限制无法区分根本原因是只使用位置信息进行抓路没有发挥其它数据的价值。 相关名词
GPS(GlobalPositioning System)指美国国防部研制的全球定位系统。用户设备通过接收GPS信号得到用户设备和卫星的距离观测值经过特定算法处理得到用户设备的三维坐标、航向等信息。使用不同类型的观测值和算法定位精度为厘米级到10米级不等。GPS的优点是精度高、误差不随时间发散缺点是要求通视定位范围无法覆盖到室内。
IMU(Inertial measurementunit)指惯性测量单元。包括陀螺仪和加速度计。陀螺仪测量物体三轴的角速率用于计算载体姿态加速度计测量物体三轴的线加速度可用于计算载体速度和位置。IMU的优点是不要求通视定位范围为全场景缺点是定位精度不高且误差随时间发散。GPS和IMU是两个互补的定位技术。
MM(Map matching)指地图匹配。该技术结合用户位置信息和地图数据推算用户位于地图数据中的哪条道路及道路上的位置。
技术方案
车机融合定位项目解决的是道路级的定位问题受限于硬件性能目前市场上通用的技术方案有两种如下表1所示 这两种技术方案涉及到3种技术手段在场景覆盖和精度上它们各有所长互相补充。如表2所示 表1表明目前市面上存在的通用方案并不能完全解决偏航重算、无法定位和抓路错误这三个问题尤其是抓路错误。为此在技术层面上我们将两套通用方案进行融合提出了一套软硬GNSSMMDR方案在算法层面上依靠高德的数据优势以数据融合模块为核心一方面提高定位结果可靠性弥补硬件性能上的不足另一方面对抓路错误问题进行专门的算法设计。
更进一步将用户反馈的三个问题解构为算法上解决的三个问题器件误差标定、场景识别和数据融合。如图2所示 功能模块
车机融合定位包括数据适配层DataAdaptive Layer、算法支撑层(Aided Navigation Layer)和融合层(NavigationLayer)。数据适配层负责将不同输入标准化、将信号同步算法支撑层计算中间结果为融合层服务融合层是整个系统的核心它负责融合算法支撑层输出的数据得到可靠的导航信息。图3列出了各层所处位置及每个层的具体功能模块 下面将功能模块分为基础模块和特色功能两个部分分别进行介绍。
基础模块
GPS质量评估
GPS质量评估模块的功能是计算GPS位置、速度、航向角和全局可靠性指标。根据可靠性指标的大小将其投影到状态空间GOOD、DOUBT、BAD、ABNORMAL中状态空间的值表征GPS数据质量的好坏。如图4所示 评估GPS质量有两个目的第一决定是否使用GPS数据进行器件误差标定或某些状态的判断如转弯行为、动静状态等第二在数据融合模块为设定GPS观测量的方差—协方差阵提供参考。
器件补偿
无GPS信号环境时定位只能依靠DR算法。DR算法精度主要取决于IMU陀螺仪和加速度计和测速仪的误差陀螺仪误差将引起位置误差随时间的二次方增长测速仪误差将引起位置误差随时间线性增长如图5所示 为改善无GPS信号环境的定位精度必须进行器件误差补偿。
补偿模块的主要功能是利用GPS数据来补偿速度敏感器误差参数比例因子和IMU的误差参数陀螺仪天向比例因子和陀螺仪三轴零偏。补偿的目的是在无GPS信号或弱GPS信号的场景仅靠DR算法也能得到较为可靠的导航信息。
DR算法
DR(DeadReckoning航位推算)算法是指已知上一时刻导航状态状态、速度和位置根据传感器观测值推算到下一时刻的导航状态。DR算法包括姿态编排和位置编排两个部分。
姿态编排使用的是AHRSAttitude andheading reference system 融合算法处理后输出车机姿态信息。姿态编排流程如图6所示 位置编排是指结合姿态编排结果对测速仪观测值进行积分后得到车机位置。
融合算法
车机融合定位项目使用了GNSS、MM和DR三项技术每项技术能够提供全部或部分车机导航信息如表3所示。以位置信息为例GNSS、MM和DR都输出车机位置但由于不同技术手段有各自的误差源致使不同技术的定位结果并不相同。 因此融合算法有两个目的第一将不同技术的导航信息融合成唯一导航信息使之可靠性高于未融合前的第二估计器件误差陀螺仪零偏、测速仪尺度误差和导航误差等。
融合算法基于Kalman滤波实现其关键在于模型建立和模型参数设置。Kalman滤波模型由状态转移方程和观测方程构成。状态转移方程表示相邻导航状态之间的转移关系它通过构建导航误差微分方程实现模型参数是指状态转移噪声和观测噪声观测噪声的设置与GPS质量评估模块相关。
经Kalman滤波处理后得到导航误差的最优估值如图7所示。即经过补偿得到了导航信息的最优估值。 特色功能
主辅路识别
以往的主辅路识别策略是通过DR输出的位置和方向与两条候选路的关系选择最接近的候选路作为输出。但对于道路级定位系统而言DR输出误差与两条路的差异在同一量级误判的概率较高所以需要从一些驾驶特征来解决此问题例如路口附近的转弯、变道等。 如图所示具体步骤为
提取驾驶行为特征求特征信息的转移概率根据DR精度分类计算卷积和求最终概率。高架识别
过去高架识别策略是通过高程积分和阈值法来判断识别效果受坡角误差和速度误差的影响。其中速度误差与高程积分误差成正比是影响高架识别准确率的主要原因。为克服这一缺点我们结合MM技术计算道路坡度与输出pitch角的接近程度以避免引入速度误差。高架识别流程如图所示 停车场识别
停车场识别是新增模块是停车场定位导航的前置工作。停车场定位导航的主要目的是将车机用户导航到指定的停车位其中涉及到室内外场景地图切换、层与层地图切换和导航等一系列问题。停车场识别的目的就是为这地图切换提供支持。 停车场内容包括进出停车场识别和跨层识别。进出停车场识别是指利用停车场无GPS信号、上下坡、低速、高程变化等一系列特征判断车机是否进出停车场。停车场跨层识别是指利用上下坡、高程变化等特征判断车机是否在停车场内有跨层行为。识别流程如图13所示 效果
为验证本项目算法的效果我们采集了实测数据并从以下两方面验证
验证算法对用户痛点问题偏航重算、无法定位和的改善程度与竞品及高德手机定位端产品性能的比较。
融合抗漂
针对高架和城市峡谷的偏航重算位置漂移问题车机算法做了以下两点改进
多元参考结合运动趋势、传感器信息和地图数据将GPS可靠性归一化场景分类参考地图道路属性和GPS信号分布判断是否有遮挡。
在高架下采集两圈数据使用车机软件和市场某款同类软件进行处理效果如图14所示。从近半年的测试来看在GPS受遮挡的场景下本项目的抗漂能力明显优于传统方案。 器件标定
为验证有无陀螺仪动态零偏估计对DR方向和位置解算精度的影响本项目采集了望京soho停车场的数据经解算效果如下。测试表明经动态零偏补偿后DR精度明显提高
零偏动态零偏估计保证陀螺仪误差量级为0.01度/s方向停车场出口出的方向误差减小至40%以内方向精度提升2倍以上位置停车场出口处的位置误差减小至25%以内位置精度提升4倍以上。主辅路识别
为计算主辅路识别的成功率统计了近千条主辅路的识别效果识别率达到90%以上大于某厂商产品的75%。
横/纵向对比
最后我们与市面的中高端竞品进行了横向对比与高德手机端定位产品进行了纵向对比。横向对比结果表明在器件成本不到竞品成本10%的情况下不超过某一阈值的位置误差、方向误差和速度误差的占比均在90%以上相对竞品提高了1%~5%。主辅助路识别准确率优于90%相对于竞品提高了15%。
纵向对比结果表明在不同场景高架城市峡谷环岛停车场出口等下不超过某一阈值的位置误差占比提升15%~60%不等这是因为车机算法对特殊场景无GPS或弱GPS场景进行了专门的算法设计和优化。全场景下的位置误差占比提升约20%。
小结
针对用户提出的三大痛点问题本文结合多传感器融合和地图匹配提出了一套车载多传感器融合定位方案并应用于实际提高了在城市峡谷中的定位精度并且取得了不错的效果。
然而城市峡谷的定位精度问题很难彻底解决它似乎是一个没有终点的难题。为此站在用户的角度我们需要不停思考需要什么样的传感器技术、应该设计什么样的算法、如何挖掘数据的最大价值。
原文链接 本文为云栖社区原创内容未经允许不得转载。
