На конференции Yunqi в Ханчжоу в 2019 году техническая группа AutoNavi Maps поделилась с участниками рядом актуальных тем в области технологий для путешествий, включая зрение и машинный интеллект, планирование маршрутов, приложения для пространственно-временных данных на основе сценариев и точного позиционирования, а также эволюция архитектуры трафика миллиардного уровня. Сцена была горячей, и публика бурно отреагировала. Мы собрали отличный речевой контент и опубликовали его один за другим, и эта статья — одна из них.
Фан Син, старший эксперт по картографическим технологиям Alibaba, выступил с речью под названиемТехнология позиционирования развивается и совершенствуется на основе сценариевВыступление в основном поделилось исследованием и практикой AutoNavi в повышении точности позиционирования.Эта статья организована в соответствии с содержанием сцены (текст немного отредактирован, не затрагивая исходный смысл).Для получения более подробной информации о реализации технологии позиционирования , пожалуйста, обратите внимание на последующую серию статей.
Ниже приводится сокращенная стенограмма выступления Фан Сина:
Пользователи часто используют службы определения местоположения каждый день, например, смотрят новости, берут такси, заказывают еду на вынос и даже совершают покупки. Прежде всего, им необходимо получать информацию о местоположении. Более точная информация о местоположении позволяет повысить качество обслуживания. .
У AutoNavi более 100 миллионов активных пользователей в день, но позиционированием пользуются сотни миллионов пользователей, а количество запросов позиционирования в день составляет 100 миллиардов. С таким большим объемом данных служба определения местоположения AutoNavi может поддерживать скорость отклика на уровне миллисекунд, и мы проделали большую работу над этим. Кроме того, мы также предоставляем возможности полноэкранного позиционирования, будь то для мобильных телефонов, автомобилей или любого производителя, мы можем предоставить услуги определения местоположения.
Сегодня я представлю из четырех аспектов, а именно:
-
Проблемы позиционирования
-
Полное позиционирование сцены на карте AutoNavi
-
Повышение точности позиционирования по сценам
-
будущие возможности
Проблемы позиционирования
Все могут знать GPS.GPS может обеспечить хорошую точность в большинстве случаев, но этого недостаточно для некоторых сценариев, таких как вождение.Точность, которую дает GPS, составляет около 10 метров.с какой стороны дороги.
Второй сценарий — в помещении, где нет сигнала GPS, как добиться более точного позиционирования в таком сценарии? Третий сценарий заключается в том, как найти баланс между точностью и стоимостью, потому что невозможно бесконечно инвестировать в стоимость в погоне за хорошей точностью. Только за счет интеллектуального анализа массивных больших данных, улучшения алгоритмов и качества данных, а также непрерывной оптимизации эффекта можно достичь окончательного полного охвата различных сценариев.
Существует множество технологий на выбор, помимо GPS-позиционирования, есть также сетевое позиционирование и базовые станции Wi-Fi.
Кроме того, существует инерциальное навигационное позиционирование.Инерциальная навигация - это метод относительного позиционирования, который может непрерывно вычислять смещение от последнего позиционирования.После начального позиционирования конечное положение может быть получено в соответствии с непрерывным расчетом.
Существует также позиционирование на основе сопоставления карт.Например, если точка GPS попадает в озеро, очевидно, есть проблема.Вы можете найти ближайшую дорогу с помощью сопоставления карт.На данный момент точность была улучшена.
Есть также некоторые методы позиционирования, которые стали очень популярными в последние годы, такие как зрение, радар и лазер.Концепция автономного вождения способствовала развитию этих технологий.Каждый из этих методов имеет свою точность позиционирования и различия. Vision, например, на практике часто требует много вычислительных ресурсов и памяти.
Во многих случаях по-прежнему необходимо получить начальное позиционирование на основе позиционирования Wi-Fi, а затем постоянно оптимизировать его в различных сценариях для повышения точности с помощью различных источников данных.
Как карта AutoNavi обеспечивает полноэкранное позиционирование
AutoNavi в основном делится на два бизнес-сценария: мобильный телефон и автомобиль. На мобильном телефоне это в основном GPS + сетевое позиционирование. В сцене вождения мы также проведем сопоставление по карте, чтобы реализовать поддержку специальных дорог.
В прошлом многие пользователи сообщали, что сталкивались с ситуацией, когда сигнал GPS был плохим, что приводило к невозможности определения местоположения и навигации. Около 60 % случаев связаны с тем, что пользователь находится на подземной парковке или в туннеле, и около 30 % случаев связаны с наличием серьезного препятствия поблизости, например, под виадуком или рядом с очень высоким зданием. . Это приведет к серьезной окклюзии GPS.
Когда мы делаем телефонный звонок, подключенная базовая станция может находиться в пределах одного километра, и передача сигнала на таком коротком расстоянии часто прерывается.Если сигнал GPS находится на расстоянии более 20 000 метров, вероятность проблем все еще существует. Таким образом, GPS необходимо дополнить другими средствами, такими как сопоставление карт или инерциальная навигация.
В сценариях внутри помещений необходимо решить, как определить местоположение базовой станции Wi-Fi и повысить точность.
В сценарии автомобиль-машина мы будем объединять больше данных, поступающих от автомобиля, чтобы помочь нам.
Базовая способность позиционирования
После того, как замкнутый цикл данных завершен, это положительная обратная связь.Чем больше данных, тем больше результатов обучения и тем точнее результаты позиционирования, что привлекает больше пользователей к использованию (генерированию данных). Это замкнутый цикл постоянного повышения точности за счет интеллектуального анализа данных.
В части алгоритма мы также прошли непрерывные итерации. Самый ранний из них основан на классической модели кластеризации, которая заключается в сканировании списка Wi-Fi базовых станций и выборе одного из них в качестве моего местоположения после кластеризации.Этот метод относительно эффективен и позволяет быстро получить результаты, но точность очень низкая.
На втором этапе мы точно разделили пространство и подсчитали некоторые основные характеристики в каждой сетке, такие как количество исторических точек позиционирования, количество раз позиционирования, количество Wi-Fi и т. д. Оцените, затем отсортируйте сетку и, наконец, ваша опорная точка — эта сетка. Благодаря этому методу доля 30-метровой точности увеличилась на 15%.
Этот метод также имеет ограничения: преимущества, которые дает ручная настройка параметров, ограничены, и нет возможности улучшить ее после настройки на определенный уровень. Следовательно, третий шаг — внедрить в этот процесс алгоритмы машинного обучения и использовать обучение с учителем для улучшения до наилучшей модели и параметров, что позволяет добиться значительного улучшения в конкретных сценариях. Основная сцена заключается в решении случая больших ошибок.
Типичная проблема заключается в том, что сканируемая базовая станция Wi-Fi может иметь только одну базовую станцию, один Wi-Fi и никакой другой информации. Базовая станция Wi-Fi находится очень далеко. Независимо от того, выберете ли вы базовую станцию или Wi-Fi, вероятность того, что расчет будет неверным, составляет 50%. При обучении с учителем можно вынуть большой объем распределения, точно выкопать тонкие различия и добиться общего оптимального эффекта.В некоторых случаях выберите базовую станцию, а в некоторых случаях выберите Wi-Fi. Уменьшен процент допущенных ошибок на 50%.
Самая большая проблема этого метода заключается не в алгоритме, а в том, как можно оптимизировать эффект алгоритма и инженерную достижимость. AutoNavi ежедневно обрабатывает сотни миллиардов вызовов, и задержка должна быть в пределах 10 миллисекунд.
Мы сделали три оптимизации, первая — иерархическая сортировка. Превратите процесс позиционирования в шаг микроскопа, сначала сделайте очень грубое позиционирование, а затем постепенно сходитесь к очень точному положению. При грубом позиционировании вы можете использовать большую сетку с небольшим количеством функций, чтобы быстро отфильтровать некоторые невозможные позиции.
Затем в очень мелкой сетке отсортируйте по большему количеству признаков, по большему количеству сеток. Таким образом, можно значительно повысить эффективность вычислений и отфильтровать некоторые ненужные вычисления.
Во-вторых, упрощение модели. Хотя эффект глубокого обучения очень хороший, использовать очень сложную модель онлайн невозможно, мы снижаем точность чисел с плавающей запятой за счет уменьшения количества слоев и узлов.
Третье — сжатие функций. Характерным моментом здесь является то, что мы сжимаем по модели.Количество входных исходных признаков очень велико.Добавляем слой кодирования.После того, как входные признаки проходят через слой кодирования, на выходе выводятся только двухбайтные признаки. После того, как мы обработаем данные онлайн и офлайн, мы сохраним только два байта онлайн. При таком подходе объем данных онлайн-функций уменьшается в 10 раз, в пределах 1 ТБ. Выше приведены некоторые из основных решенных проблем.
Повышение точности в различных сценариях
В сценах в помещении он часто находится на открытом воздухе, что связано с только что представленным процессом последовательности, потому что процесс сбора данных, скорее всего, будет происходить на улице, а позиции Wi-Fi после последовательности все находятся на дороге, поэтому окончательная вероятность позиционирования есть и в On the road, но это очень плохо сказывается на пользовательском опыте. Например, если я беру такси, я могу вызвать такси в помещении и найти его на противоположной дороге, но эта дорога может быть неправильной, мне нужно узнать, в каком я доме и какая дорога ближе.
Как решить эту проблему? Один метод заключается в сборе данных, то есть ручной сбор выполняется в помещении, так что распределение данных обучающих данных согласуется с фактическим распределением данных прогнозирования.Конечно, этот метод имеет лучшую точность, но основным недостатком является то, что стоимость очень высока.Выполнение такого сбора данных в популярных торговых центрах и транспортных узлах, безусловно, не является масштабируемым подходом.
Наш подход заключается в том, чтобы оптимизировать процесс локализации, вводя больше данных. Если взаимосвязь между Wi-Fi и POI можно определить на основе картографических данных, для повышения точности можно использовать сопоставление данных. Например, если вы сканируете Wi-Fi, имя KFC, есть вероятность, что вы находитесь в KFC.Этот метод относительно прост. Фактически используемый метод является более сложным.
Когда вы находитесь в сети, вам нужно знать, когда пользователи находятся в помещении, а когда на улице. Мы используем алгоритм, который использует характеристики мощности сигнала для различения, и список Wi-Fi и мощность, отсканированные в помещении и на улице, будут сильно различаться, и модель может быть обучена с помощью этой разницы. Предполагается, что зеленые точки будут внутренними точками, а синие точки — наружными точками. С помощью этого метода точность локализации повышается на 15%.
Сценарии вождения, общие проблемы, которые могут возникнуть во время навигации. Первая проблема заключается в том, что его нельзя позиционировать, подъехав к стоянке или укрытию, второй сценарий заключается в том, что точка будет дрейфовать, так как при блокировке GPS зданиями или другими объектами точность падает. Третья ситуация заключается в том, что главную дорогу невозможно различить, а перекресток можно пропустить.
Для вышеуказанных проблем мы используем комбинированное позиционирование «мягкое + жесткое», мягкая часть состоит из двух частей, одна из которых основана на мобильном позиционировании, а другая основана на сопоставлении карт. После двух комбинаций «мягкий + жесткий» мы можем достичь более 90% точности GPS на 10 метров и реализовать непрерывную навигацию по основным дорогам и парковкам.
Ключевым моментом здесь является то, как добиться позиционирования слияния.Более отличительным моментом является то, что модуль датчика нашей автомобильной машины недорог, стоимость составляет менее 100 юаней, а стоимость других аналогичных продуктов относительно высока, что может стоить несколько тысяч юаней. С недорогими устройствами его легче популяризировать. Недостатком является относительно низкая точность и низкая точность позиционирования. Компенсировать недостатки аппаратного обеспечения средствами программного обеспечения.
В этом есть три характеристики. Во-первых, параметры динамически калибруются. Нет необходимости иметь начальную цель для устройства. Мы вычисляем направление с помощью трехмерного расчета и используем карту для соответствия обратной связи. Что касается части сопоставления карт, суть в том, что мы используем алгоритм HMM для сопоставления положения и расчета дороги каждой точки. Ключевых вероятностей больше, одна — вероятность передачи, а другая — вероятность перехода позиции.
Во-вторых, мы также принимаем во внимание угол. Изменение угла также используется для определения вероятности перехода. Отличие от вероятности перехода положения состоит в том, что скорость вводится как переменная. Медленный может управлять, быстрый может управлять, поэтому у нас есть кривая для каждой ставки.
Что касается высокоточного позиционирования, AutoNavi в основном устанавливает две возможности позиционирования, одна из которых основана на позиционировании изображения, а другая основана на комбинированном позиционировании. Позиционирование изображений заключается в том, что для повышения точности на дециметровом уровне можно использовать только изображения.Позиционирование Fusion в основном представляет две новые технологии позиционирования: VSLAM и дифференциальный GPS. Эти два метода применяются соответственно с GPS и без него и могут обеспечить хорошую точность. VSLAM может сделать ошибку очень маленькой, потому что ее можно исправить методом изображения.
Автономное вождение — это направление, и оно нуждается в переходе от вождения с помощником к автономному вождению, но до прихода системных изменений будут поэтапные изменения, то есть доработка навигационных сервисов для людей, то есть навигация по полосам. Навигация на уровне полосы движения требует карт высокой точности, по крайней мере, с точностью до дециметра.
Понимание будущего развития технологий позиционирования. Что касается базовых возможностей, мы считаем, что появление 5G предоставит новые возможности для позиционирования, поскольку частота 5G выше, чем у 4G, а длина волны будет короче. Он может измерять расстояние, а предыдущая базовая станция и позиционирование на основе Wi-Fi основывались на силе сигнала. Но после того, как 5G поддерживает диапазон, он может обеспечить хорошую точность, поэтому может быть способ, которым позиционирование на основе 5G может достичь эффекта, аналогичного GPS.
Поэтому в ближайшие 10 лет мы можем увидеть интеграцию этих методов, и точность качественно изменится. Выше содержание моего введения, спасибо!