?

隨著汽車智能化的不斷發(fā)展，智能駕駛以及其所需要的高精度定位技術(shù)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(shù)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(xiàn)導(dǎo)航功能，與整套感知系統(tǒng)進行時間同步，為智能駕駛提供了最基礎(chǔ)的時空信息。

高精度定位技術(shù)根據(jù)使用的硬件不同，可以分為三大類：衛(wèi)星導(dǎo)航（GNSS）、慣性導(dǎo)航（INS/IMU）、環(huán)境特性匹配定位。

●?衛(wèi)星信號定位

以GNSS系統(tǒng)為主，結(jié)合RTK實現(xiàn)厘米級定位。

●?慣性導(dǎo)航定位

不依賴任何外部信息，屬于自主導(dǎo)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(lǐng)域。在這里我們對慣導(dǎo)系統(tǒng)再做一個細分，主要分為平臺式慣導(dǎo)系統(tǒng)和捷聯(lián)式慣導(dǎo)系統(tǒng)兩大類。捷聯(lián)慣導(dǎo)系統(tǒng)（SINS）是在平臺式慣導(dǎo)系統(tǒng)基礎(chǔ)上發(fā)展而來的，它的結(jié)構(gòu)簡單，具有可靠性高、體積小、重量輕、造價低的優(yōu)勢，高速大容量的數(shù)字計算機技術(shù)和高精度陀螺儀技術(shù)的發(fā)展，因此捷聯(lián)導(dǎo)航系統(tǒng)在低成本、短期中精度導(dǎo)航中呈現(xiàn)出逐漸取代平臺式系統(tǒng)的趨勢。

●?環(huán)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(huán)境，用觀測到的特征和數(shù)據(jù)庫里的特征地圖進行匹配，得到車輛的位置和姿態(tài)。

?

而完成智能駕駛的高精度定位，需要這三大類技術(shù)融合來實現(xiàn)，技術(shù)的大趨勢是多元融合、異構(gòu)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(tǒng)開發(fā)中，逐步認為衛(wèi)星信號定位和慣性導(dǎo)航定位兩者的結(jié)合（衛(wèi)慣組合），由于兩者信息的互補性，可以更好的發(fā)揮系統(tǒng)的優(yōu)勢。尤其是低成本的捷聯(lián)慣導(dǎo)系統(tǒng)和衛(wèi)星導(dǎo)航系統(tǒng)的組合，一直是國內(nèi)外導(dǎo)航界研究的熱點之一，有望成為未來主要的定位技術(shù)解決方案。

衛(wèi)慣組合優(yōu)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(zhuǎn)角，其他傳感信息結(jié)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(wèi)星信號丟失的領(lǐng)域，IMU會根據(jù)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(shù)據(jù)進行過濾和修正。

衛(wèi)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(nèi)涵，從這幾個問題開始討論未來發(fā)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(shù)基礎(chǔ)和前提。

?

SFM是經(jīng)典衛(wèi)/慣組合系統(tǒng)的數(shù)學(xué)模型，也是所有衍生分支算法的“共性基礎(chǔ)”。其共性占比在整個衛(wèi)/慣融合技術(shù)領(lǐng)域超過95%。隨著后人在細分領(lǐng)域的技術(shù)分支開發(fā)，為了突出后來的新方法的創(chuàng)新度，標準耦合模型（松耦合）被“貶”稱為：“松耦合模型”。

◎?SFM優(yōu)點主要在于：工程實現(xiàn)容易，組合系統(tǒng)的計算量小，可以滿足對實時性要求較高的系統(tǒng)設(shè)計；兩個系統(tǒng)仍然保持獨立工作，即使某個系統(tǒng)出 現(xiàn)故障時，組合系統(tǒng)仍然可以繼續(xù)工作，保證 測量的連續(xù)性。

◎?SFM劣勢：由于這種方法要求可見衛(wèi)星數(shù)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(jié)果和IMU原始數(shù)據(jù)來實現(xiàn)融合 ，衛(wèi)慣系統(tǒng)各自解算載體方位和運動情況信息（衛(wèi)星輸出位置與速度等、慣性輸出位置速度姿態(tài)等），所得結(jié)果導(dǎo)入濾波器進行進一步結(jié)算，估算INS誤差情況。

（2） 緊耦合

說完“松耦合”，與之對應(yīng)的就是“緊耦合”。緊耦合導(dǎo)航系統(tǒng)與標準耦合導(dǎo)航系統(tǒng)在功能上來說是基本一致的。

與標準耦合（SFM）導(dǎo)航系統(tǒng)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(shù)據(jù)。將 GNSS 接收采樣得到的偽距與多普勒頻移 由 INS 系統(tǒng)預(yù)測得到的偽距與多普勒頻移的預(yù)測值相減即可得到偽距與多普勒頻移的測量殘余作為數(shù)據(jù)融 合濾波器的觀測量，將觀測量輸入到數(shù)據(jù)融合濾波器之后，同標準耦合（SFM）系統(tǒng)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(tǒng)的對準并獲得位置與速度的最優(yōu)估計值。

緊耦合最典型的應(yīng)用場景是在軍事環(huán)境，尤其是遇到一定程度電子對抗環(huán)境，衛(wèi)星數(shù)較少（＜4顆）的情況；無差分修正（無RTK）；同時是一個相對高動態(tài)環(huán)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(shù)相比，緊耦合的優(yōu)勢主要在于：

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

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

（3）深耦合

深耦合的應(yīng)用是在高動態(tài)和射頻干擾環(huán)境下，且無差分修正（無RTK）——此時無論是 GNSS/INS 標準耦合（SFM）系統(tǒng)還是 GNSS/INS 緊耦合系統(tǒng)都無法正常工作，比如：炮彈、導(dǎo)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(tài)測試環(huán)境”是載體承受持續(xù)1s的高達70g/s加加速度?；蛘邉討B(tài)場景為載體承受持續(xù)0.5s的正向加加速度100g/s，間隔2s后，再承受持續(xù)0.5s的反向加加速度100g/s。一般只有彈道導(dǎo)彈的再入大氣層階段才可達到，對導(dǎo)航精度要求更高的巡航導(dǎo)彈的動態(tài)一般低于這兩種測試場景。

而實際在車輛的應(yīng)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(shù)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(chǎn)生的。

深耦合導(dǎo)航系統(tǒng)相對于緊耦合導(dǎo)航系統(tǒng)增加了 INS 單元對 GNSS 接收機的輔助。利用 INS 單元結(jié)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(jié)果輔助接收機的捕獲與跟蹤環(huán)路。事實上，這種場景主要應(yīng)用在軍事導(dǎo)航上。遠程精確制導(dǎo)發(fā)射任務(wù)要求快速飛越電離層，對動態(tài)范圍要求高達40g甚至更高，高動態(tài)引起的衛(wèi)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(tài)條件下，高速率帶來的±50~100kHz的多普勒頻移，會導(dǎo)致普通接收機載波跟蹤環(huán)路失鎖，無法解調(diào)出導(dǎo)航電文；高動態(tài)帶來的多普勒頻率大范圍內(nèi)的抖動，要求加寬環(huán)路帶寬，降低工作信噪比，其代價降低環(huán)路跟蹤精度；會也使偽隨機碼產(chǎn)生動態(tài)時延，導(dǎo)致碼環(huán)失鎖。

◎?深耦合模型其優(yōu)勢在于：在高動態(tài)條件下，可提升跟蹤環(huán)路的穩(wěn)定性， 提高了接收機的動態(tài)性，進而提高了接收機跟蹤環(huán)路的靈敏度，即使在強射頻干擾環(huán)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(tǒng)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(xù)完成對衛(wèi)星信號的跟蹤，此時如果沒有相應(yīng)的切換方法來控制，則會導(dǎo)致衛(wèi)星信號的失鎖。且切換設(shè)計的深耦合跟蹤方法要避免陷入 INS 輔助狀態(tài)切換死循環(huán)的狀態(tài)（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(yè)的民用領(lǐng)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(lǐng)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(guī)）

◎?xilinx XA系列（車規(guī)），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(yīng)鏈安全”的視角也有待商榷。

在汽車領(lǐng)域大規(guī)模應(yīng)用的前提是系統(tǒng)成熟且成本較低。顯然，在實際應(yīng)用中，解決方案的優(yōu)劣并不是從標準耦合、緊耦合再到深耦合的遞進關(guān)系，而是要看應(yīng)對工況處理的可靠性。

（4）解耦

對于組合導(dǎo)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(shù)工程實踐中關(guān)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(tài)。值得注意的是，在此類工況下，以上所有的衛(wèi)慣融合技術(shù)是沒有差異的，因為GNSS系統(tǒng)已經(jīng)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(wèi)慣系統(tǒng)進入了“純慣性推算”的工作模式。此時的系統(tǒng)精度，100%取決于IMU的精度等級。這也許是《捷聯(lián)慣性導(dǎo)航技術(shù)》的作者David H. Titterton認為“不同的融合技術(shù)，除了干擾信號比之外，其他優(yōu)勢很難定量表示”的原因。

備注：在衛(wèi)星嚴重遮擋或完全丟星的工況，衛(wèi)慣之間各種耦合都是無效的。行業(yè)前沿的工程實踐應(yīng)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(shù)成為了研究熱點，從學(xué)術(shù)文獻的趨勢來看，近十年來國內(nèi)外知名高校（如加拿大卡爾加里大學(xué)等）則向慣性+視覺（或Lidar）+底盤信息融合的技術(shù)路線,展開了大量的探索（如VSlam/VIO技術(shù)等）。更加前沿的研究，敬請期待后續(xù)的分享。

?

Part 2

融合技術(shù)的“新趨勢”

由于自前應(yīng)用廣泛的慣性衛(wèi)星組合導(dǎo)航系統(tǒng)在衛(wèi)星長時間失鎖的情況下難以保證導(dǎo)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(dǎo)航成為了車輛導(dǎo)航研究的新方向——主要有：運動學(xué)動力學(xué)模型輔助車輛導(dǎo)航技術(shù)方向和多源融合技術(shù)方向。

從自動駕駛“定位”技術(shù)的大范疇來看，隨著傳感器技術(shù)高速發(fā)展、性能幅度提升、成本也以“數(shù)量級” 幅度優(yōu)化，自動駕駛技作為人工智能技術(shù)的分支，也和逐漸向主流技術(shù)路線看齊，慢慢擺脫高昂價格對于技術(shù)路線選用的掣肘。經(jīng)歷了從21世紀初期到今天，經(jīng)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(shù)導(dǎo)入量產(chǎn)開始控制成本，采用大量“剪裁”方案

●?第三階段 ：技術(shù)爆發(fā)紅利，重啟“可量產(chǎn)”的多傳感器融合技術(shù)路線

小結(jié)：緊、深耦合作為“經(jīng)典組合導(dǎo)航”的技術(shù)細化點，針對高動態(tài)、非載人場景可以優(yōu)化GNSS系統(tǒng)的衛(wèi)星跟蹤性能，可以使一些“不合格”工況成為可用（達到60分的水平）。但深耦合所需的硬件方案尚未進入規(guī)?；A段，其性能與成本的綜合效益有待進一步驗證。

目前 針對“車道級”高精度組合導(dǎo)航發(fā)展趨勢，已經(jīng)從經(jīng)典的衛(wèi)/慣組合，向車輛運動學(xué)模型、多源融合技術(shù)路線發(fā)展。

審核編輯：劉清