Управляемое чтение
Картографическое программное обеспечение в настоящее время стало важным вспомогательным инструментом для людей, путешествующих. Для достижения точной навигации необходимо сначала точно определить текущее положение человека или транспортного средства. Поэтому технология позиционирования является краеугольным камнем реализации навигационной функции.
В этом документе систематически представлены ключевые технологии, используемые в навигации и позиционировании мобильных телефонов и транспортных средств, а также прогресс AutoNavi Maps в этих ключевых технологиях. Наконец, обсуждается путь эволюции технологии позиционирования при переходе от традиционной навигации к автономному вождению.
1. Система навигации и позиционирования
Основная бизнес-цель навигации и позиционирования — обеспечить непрерывную и надежную основу позиционирования для навигационных сервисов, в том числе: какая дорога проходит в данный момент, отклоняется ли она от маршрута, как далеко находится следующий перекресток и т. д.
Для достижения этой цели сначала необходимо получить входной сигнал позиционирования. Наиболее распространенным сигналом позиционирования является GPS, который может предоставлять информацию о местоположении с точностью до метра (5~10 м) во всей области. Исходя из этого, большинство мобильных телефонов оснащены инерциальными датчиками (гироскопами, акселерометрами) и магнитометрами одновременно, а некоторые мобильные телефоны оснащены барометрами, которые могут определять изменения положения в направлении возвышения.
Для транспортного средства импульс скорости транспортного средства, угол поворота рулевого колеса и другая информация, полученная через шину CAN, являются еще одним важным типом входных данных для позиционирования. На основе вышеуказанных сигналов позиционирования применяются такие алгоритмы, как слияние положений и счисление пути, для расчета непрерывных и надежных положений и положений. Затем, по данным карты, фактическое положение человека/транспортного средства связывается с картой дороги, и в режиме реального времени оценивается, был ли отклонен текущий навигационный маршрут или обновляется текущее относительное положение в навигационном маршруте. .
В приведенной выше структуре позиционирования для различных форм терминала (мобильные телефоны/автомобили) конфигурация входного сигнала позиционирования различна, используемая технология позиционирования и охватываемые сценарии позиционирования также различны.
Для мобильных телефонов существуют различные сценарии использования, такие как ходьба, езда на велосипеде и вождение автомобиля, и необходимо определить поведение пользователей. В сценарии ходьбы из-за низкой скорости и неточного направления GPS положение мобильного телефона рассчитывается путем совмещения инерциальной навигации и магнитометра. В сценарии вождения положение и отношение в основном обеспечиваются GPS.Разработка надежного алгоритма сопоставления карт для сложных ситуаций, таких как прыжки GPS и дрейф, является ключевой проблемой, которую необходимо решить при позиционировании с помощью мобильного телефона.
Для автомобильной машины существует только сценарий вождения. В то же время, поскольку транспортное средство находится в стабильном состоянии установки и может предоставлять более полную информацию о шине CAN транспортного средства, алгоритм счисления пути и объединения разработан на основе этой информации для решения проблемы непрерывного позиционирования сложных сцен, таких как туннели, эстакады. , и параллельные дороги.
2. Навигация и позиционирование мобильного телефона
2.1. Технология слияния отношений
Широко используемая технология слияния ориентации также называется AHRS (система отсчета ориентации и курса). Алгоритм AHRS для шестиосевого объединения инерциальных датчиков, включая гироскоп и акселерометр, показан на рисунке ниже. Гироскоп измеряет угловую скорость, и угловая скорость может быть интегрирована, чтобы получить изменение угла в течение определенного периода времени. Акселерометр измеряет ускорение объекта, включая ускорение свободного падения.В состоянии покоя относительный угол наклона можно рассчитать, получив компоненты ускорения свободного падения по трем осям. Алгоритм AHRS использует методы фильтрации, такие как дополнительная фильтрация и фильтрация Калмана, для объединения различных положений датчика.
Для девятиосевого датчика предусмотрены три дополнительных осевых направления магнитометра, которые также объединяются с использованием описанной выше схемы алгоритма.
2.2 Технология сопоставления карт
Традиционный метод сопоставления карт состоит в том, чтобы найти совпадающую дорогу, которая, скорее всего, будет дорогой, по которой движется автомобиль, в соответствии с некоторыми критериями оценки, такими как расстояние и близость направлений среди дорог рядом с точкой позиционирования. Этот метод прост в реализации, но ошибка позиционирования GPS обычно составляет десять метров, которые могут достигать десятков метров или даже сотен метров в случае помех и окклюзии сигнала, в то время как ошибки съемки и картографирования карты и ошибки упрощения карты также могут достигать десяти-десятков метров. При различных условиях ошибок очень нестабильно полагаться только на геометрические характеристики, такие как расстояние и направление, для сопоставления стратегий.
Для хорошего алгоритма сопоставления карт, чтобы стабильно и точно определять совпадающую дорогу, необходимо всесторонне использовать различные входные данные источника позиционирования и карты для выполнения расчетов слияния, а также обрабатывать различные специальные сценарии в соответствии с характеристиками машина. Для слияния информации из нескольких источников Скрытый Марков (HMM) является распространенным и эффективным методом, поэтому мы используем HMM в качестве ядра алгоритма сопоставления, дополненного алгоритмом стратегии сцены для достижения сопоставления карт.
В алгоритме сопоставления карт HMM совпадающая дорога неизвестна как скрытая переменная zn. Информация о местоположении GPS, наблюдаемая в каждый момент времени, представляет собой наблюдаемую переменную xn. Цель сопоставления карты состоит в том, чтобы оценить совпадающую дорогу с учетом известной информации о местоположении:
Суть создания модели сопоставления карт в рамках HMM заключается в определении модели вероятности выбросов и модели вероятности перехода. Определение модели вероятности выбросов основано на положении и направлении позиционирования.
1) Для позиции позиционирования чем ближе расстояние к дороге, тем больше вероятность, и наоборот. В то же время считается, что выбор подходящей дороги чувствителен к боковой ошибке расстояния и нечувствителен к продольной ошибке расстояния. Для построения модели использовалось нормальное распределение.
2) Для направления позиционирования чем оно ближе к направлению дороги, тем выше вероятность, и наоборот. При этом вероятность связана со скоростью, и чем больше скорость, тем больше доверия. Используя распределение фон Мизеса, модель строится со скоростью в качестве гиперпараметра.
Определение модели вероятности перехода основано на ограничениях расстояния дороги и угла поворота дороги при вождении транспортного средства.
Чем больше угол поворота дороги, тем меньше вероятность большей скорости. Используя распределение фон Мизеса, модель строится со скоростью в качестве гиперпараметра. Расстояние движения рассчитывается на основе скорости автомобиля и разницы во времени.Чем ближе расстояние к расстоянию пути, тем больше вероятность. Модель построена с использованием экспоненциального распределения.
Вышеупомянутый алгоритм был реализован в мобильном приложении AutoNavi Maps, обеспечивая точные результаты сопоставления позиционирования для навигации, а также функции направления и трансляции для навигации. По сравнению с исходным методом сопоставления карт с использованием стратегии, алгоритм HMM значительно улучшил точность и стабильность сопоставления.
3. Навигация и позиционирование автомобиля
3.1 Схема размещения автомобиля
Для межмашинной навигации ключевой проблемой, которую необходимо решить при позиционировании, является то, как в полной мере использовать датчики транспортного средства и информацию об автобусе для оптимизации опыта вождения в различных сложных сценариях. Среди них сложные сценарии включают в себя: туннель, сбой определения местоположения подземной парковки, дрейф местоположения района городского каньона и так далее.
Ключ к решению вышеуказанных проблем лежит в технологии мультисенсорного слияния. Например, когда GPS дрейфует или дает сбой, технология счисления пути, объединенная с импульсами скорости транспортного средства и инерциальной навигацией, используется для выполнения непрерывного позиционирования, но счисление пути будет генерировать накопленные ошибки, что требует картографических данных для коррекции обратной связи. параметры, повысить точность счисления пути.
В реальном проекте навигации «автомобиль-машина» разные конфигурации датчиков приведут к разным схемам позиционирования, как показано в следующей таблице.
3.2. Технология слияния датчиков
Если взять в качестве примера внутреннее слияние, структура алгоритма слияния датчиков выглядит следующим образом.
Алгоритм объединения имеет две цели: во-первых, объединить навигационную информацию разных технологий в уникальную навигационную информацию, чтобы надежность была выше, чем до объединения; во-вторых, оценить погрешность устройства (смещение гироскопа, погрешность шкалы спидометра и т. д.). .
Алгоритм слияния реализован на основе фильтрации Калмана, и ключ заключается в создании модели и настройке параметров модели. Модель фильтра Калмана состоит из уравнения перехода состояния и уравнения наблюдения. Уравнение перехода состояний представляет собой отношение перехода между соседними навигационными состояниями, которое реализуется путем построения дифференциального уравнения навигационной ошибки; параметры модели относятся к шуму перехода состояния и шуму наблюдения, а настройка шума наблюдения связана с качеством GPS. модуль оценки. После фильтрации Калмана получается оптимальная оценка навигационной ошибки.
Технология слияния датчиков, реализующая полное слияние информации, может достичь или даже превзойти эффект позиционирования дорогостоящего профессионального инерциального навигационного оборудования при условии использования недорогих датчиков.
На рисунке ниже показан эффект навигации и позиционирования автомобиля и машины с использованием серверного решения для слияния. Синий цвет на рисунке — это позиция GPS, красный — траектория позиционирования высокоточного эталонного устройства, а зеленый — траектория навигации и позиционирования автомобиля-машины. Видно, что на стоянке, где GPS заблокирован, или в зоне, где есть помехи GPS, навигация и позиционирование транспортного средства всегда могут непрерывно и стабильно выводить высокоточное положение позиционирования, обеспечивая надежную работу функции навигации транспортного средства. .
4. Эволюция высокоточного позиционирования
Традиционная навигация и позиционирование должны решать только проблему позиционирования на уровне дороги и не требуют высокой точности позиционирования. Однако с появлением все большего числа сценариев применения, таких как вспомогательное вождение и автоматическое вождение, требования к точности позиционирования также возрастают, как показано на рисунке ниже.
Для навигации на уровне полосы позиционирование должно иметь возможность различать полосу, в которой в данный момент находится автомобиль, что требует точности позиционирования для достижения уровня метра или даже субметра.Для более продвинутых интеллектуальных приложений вождения, чтобы обеспечить безопасность, точность позиционирования должна достигать уровня сантиметра.
Для достижения более точного позиционирования существующие методы позиционирования необходимо модернизировать. Одним из способов обновления является непосредственное обновление существующего источника ввода позиционирования, например, обновление обычного GPS до высокоточного RTK-GPS и обновление недорогой инерциальной навигации MEMS до высокоточной инерциальной навигации, которая в принципе не может изменить исходное положение. , Основываясь на структуре алгоритма, можно напрямую получить возможность высокоточного позиционирования. Однако недостатком является то, что недостатки исходного алгоритма, такие как проблема кумулятивной ошибки в долгосрочных сценариях потери GPS, все еще существуют, а стоимость относительно высока. Другой подход заключается во внедрении новых источников позиционирования, таких как лидар, радар миллиметрового диапазона, камеры и т. д. Это требует разработки новых алгоритмов локализации слияния для этих новых сенсоров. Сравнение различных схем высокоточного позиционирования показано в следующей таблице.
Среди схем относительного позиционирования, основанных на сопоставлении характеристик окружающей среды, лидарная схема является относительно зрелой и надежной, а также наиболее часто используемой схемой позиционирования на ранней стадии прототипа автономного вождения. Однако из-за стоимости и надежности лидара при массовом производстве все еще существуют риски. Решения относительного позиционирования на основе зрения имеют меньшие затраты и выигрывают от быстрого развития алгоритмов зрения и вычислительных микросхем в последние годы и постепенно становятся основными решениями позиционирования в текущем массовом производстве автономного вождения. Основываясь на собственном имидже и возможностях позиционирования AutoNavi, он будет выполнять бизнес-практики высокоточного позиционирования в трех бизнес-направлениях.
1) Позиционирование на системном уровне для автономного вождения L3: на основе внешней входной визуальной семантической информации (например, формы и типа линий полосы движения, отправленной Mobileye), сопоставленной с высокоточными картографическими данными (карта HD) в сочетании с GPS/RTK. и IMU и т. д. Другие источники позиционирования, расчет результатов высокоточного позиционирования на уровне полосы движения в режиме реального времени и управление механизмом высокоточной передачи данных (EHP) для отправки высокоточных данных для предоставления услуг позиционирования и данных для автоматического вождения. функции.
2) Навигация и позиционирование на уровне полосы: на основе собственных визуальных алгоритмов и возможностей облачного позиционирования изображения реализуются возможности позиционирования на уровне полосы, охватывающие все области, и происходит обновление традиционной навигации на уровне дороги до навигации на уровне полосы. .
3) Программно-аппаратное интегрированное высокоточное позиционирование для высокоточного краудсорсингового сбора данных: на основе самостоятельно разработанного недорогого оборудования видения + RTK + IMU реализовано высокоточное абсолютное позиционирование на основе технологии vSlam, которое используется для высоких -точный сбор и реконструкция данных и, наконец, поддержка быстрых итераций обновления.
резюме
Традиционная навигация и позиционирование основаны на GPS-позиционировании с точностью до 10 м. Для разных концов мобильных телефонов/автомобилей, с учетом их уникальных характеристик движения и конфигурации входного сигнала, разработаны алгоритмы объединения датчиков, алгоритмы оценки поведения и алгоритмы сопоставления карт, чтобы, наконец, удовлетворить требования к навигации для всей сцены Требования к точности позиционирования на уровне дороги. В будущем для полуавтоматического и полностью автоматического вождения требуется, чтобы точность позиционирования развивалась до уровня полосы движения или даже уровня сантиметра, что требует итераций датчика и алгоритма на основе фактической сцены приземления.