GNSS+IMU学习

Posted 2022-08-29 爱是与世界平行

1 以 GNSS+IMU 的紧耦合技术为基础，结合环境特征匹配 的综合方案将成为主流

我们认为，L3 级别自动驾驶的定位精度误差要控制在 30cm 以内。一方面，高精度 地图的绘制精度要求达到 10cm，定位精度应与地图精度匹配。另一方面，L3 级别 需要满足车道级定位精度。从国家颁布的城市道路标准可以得到相关数据，城市道 路、交叉路口、干线公路（包括高速公路）、路肩（高速公路紧急停车带）对应的 车道宽度分别为 3.5 米、 2.3-2.5 米、3.75 米以及 1.5-2.5 米，轿车的宽度一般约 2 米。由此，我们分析 L3 级别需要 10-30cm 的定位精度。在技术路线上，我们认为 自动驾驶的成熟定位方案，应该是以 GNSS+IMU 的紧耦合技术为基础，结合环境 特征匹配的综合方案。

2 GNSS 精度的提升主要依赖于增强系统的建设

传统的 GNSS 单点定位精度为米级，精度提升的主要路径是通过 RTK 技术以及建 立增强系统。 GNSS 的全称是全球导航卫星系统，包括 GPS、Glonass、Galileo、北斗及对应的增 强系统和区域系统。卫星定位原理是通过接收器与至少 4 颗卫星通讯来确定该接收 器的位臵，由于存在大气离层干扰，这种方法是伪距测量，精度只能达到米级。RTK 是一种利用 GPS 载波相位观测值进行实时动态相对定位的技术，流动站利用基准 站数据和 GPS 观测数据做差分处理，可以在野外实时得到厘米级定位结果。RTK 已经是一项成熟的技术，随着增强系统不断建设，在大多场景下车辆可以通过 GNSS 定位系统获得满足自动驾驶需要的精度。

自动驾驶车辆通过安装的车载 GNSS 接收机接收信号，比较基站接收的卫星信号做 差分处理得到高精度定位。最早利用单独的 GPS 做厘米级 RTK 固定解需要几分钟， 现在通过 GNSS 的多星多频联合结算，时间缩短到几十秒。

地基增强系统：通过在地面建立固定的参考站(CORS 站)，来对比卫星定位坐标与 自身已知坐标的误差，将差分修正发送给接收机，最终使得卫星导航精度达到亚米 级。 星基增强系统：包含了 GNSS 系统中的五个增强系统，由地面参考基站，主控站， 上行注入站和地球同步卫星共同组成。差分站将监测导航卫星获得的原始定位数据 送至主控站，主控站计算出各卫星的定位修正信息，地球静止轨道卫星最后将注入 站发来的信息播发给广大用户。

3 惯性导航系统是应对车辆复杂行驶环境的必要补充

惯性导航系统（Internal Navigation System, INS）由陀螺仪、加速度计等惯性传感器 和导航解算系统集成而成。陀螺仪和加速度计是系统的核心器件，陀螺仪测量物体 的角速度，加速度计测量物体的加速度。典型的惯导产品包含 3 组陀螺仪和加速度 计，分别测量三个自由度的角速度和加速度，通过积分即可获得物体在三维空间的 运动速度和轨迹。在实际应用中，需要利用 GPS、北斗等方式产生的信号进行初始 化，结合惯导信号和卫星导航信号进行进行卡尔曼滤波处理，得出其最佳推算的定 位信息。 惯导比起卫星定位具有自身的技术优势，测量方法不依赖外界，短期精度高，能稳 定高频地输出信号。工作原理是通过感知物体在空间的角速度、线速度，进而获取 物体的姿态、位臵和速度等信息，实现对运动物体姿态和运动轨迹的测量，可以实 现全天候全地点地工作。但惯导也有自身的缺陷，由于采用积分算法，定位误差随 载体运行不断累积。

自动驾驶系统通过 RTK 技术，在星况良好的情境下，可以满足自动驾驶定位的精 度要求，但仍然无法应对众多极端场景，需要惯性导航系统配合卫星导航系统工作。

多路径问题：城市环境中，空气中的悬浮介质以及高楼大厦的外墙都会反射与折射 卫星信号，造成信号传播时间的误差，导致定位产生米级的误差，影响自动驾驶车 辆的决策和行驶。

信号稳定性问题：GNSS 更新频率在 10Hz 左右，无法保证高频稳定的信息输出， 高动态复杂环境下鲁棒性低，在实时性和可靠性方面存在欠缺。

失锁问题：GNSS 在进入隧道、地下车库、高楼林立等遮挡环境中会出现信号中断， 长时间中断会造成无法进行车辆定位。

4 GNSS+IMU 紧密耦合方案有望成为定位技术主流

GNSS 和 INS 都存在着自身难以克服的缺点，但两者具有很强的互补性，组合定位 可以各取所长。按照信息交换或组合程度的不同，分为松散组合和紧耦合。两种组 合方案都需要用到卡尔曼滤波器，区别在于松散组合只是 GNSS 信息单向对 INS 信号进行反馈校正，而紧耦合是双向信息传输，INS 信号也用于计算载体相对于 GNSS 卫星的伪距和伪距率, 来辅助 GNSS 信号的接收过程，以此提高精度和动态 性能。

总体来说，松耦合方案相对紧耦合来说结构简单，在 GPS 工作良好时，组合方案 输出精度较好，当 GPS 受影响而长期不工作时，组合精度急剧下降。紧耦合方案 在动态工作下精度和可靠性更高，即使 GPS 信号无法跟踪时也可以利用 INS 独立 导航，而且利用 INS 可以提高 GPS 信号重新捕获速度，改进跟踪回路能力，提高 抗干扰性和保密性。

在实际当中，组合导航在城市复杂路况的表现显著优于单独 GNSS 导航。从示例中 可以看到，组合导航行驶轨迹更圆滑，在天桥、树林或是遮挡环境下都能有持续性 输出。组合导航可以保障高动态、高频率定位输出的稳定性，在辅助高速过弯方面 优势明显。

5 环境特征匹配仍存在无法处理的极端场景

环境特征匹配是模仿人类认知模式而产生的定位技术，利用激光雷达、视觉等车载 传感器获取的数据和图像信息与已有高精地图环境进行比对匹配来确定自身位臵 和姿态。

据百度 Apollo 的研究，环境特征信息与惯性导航融合可以大大提升高精定位系统的场景覆盖能力。通过 GNSS-RTK 可实现 65%综合场景定位误差小于 20cm 的覆盖 率，GNSS+IMU 的组合惯导则可以实现 85%左右的覆盖，而 GNSS+IMU+Lidar/CV 的融合高精度定位系统可以实现 97.5%以上的覆盖率。我们认为，单一使用环境特 征匹配的方案无法满足自动驾驶面临的复杂情景，GNSS+INS+环境特征匹配的融 合可以保障系统精度以及动态可靠性。

车道线是自动驾驶环境中最常用的提取特征，利用摄像头拍到的车道线来确定车辆 的相对位臵，再将图像与高精地图比对得到精准的位臵和姿态信息，匹配算法方面 可以利用粒子滤波原理的概率判断方案。如下图所示，根据红线与蓝线的匹配度程 度，推断车辆更大概率在右侧图像位臵上。

车道线识别定位是一种简单直观、模仿人类开车习惯的方案，而且摄像头价格便宜 （百元级），安装简单，基本每辆车都能够配备。但是这种方案也存在难以忽视的 缺陷，首先车道线自身会存在模糊或消失的情况而无法识别，其次在恶劣天气下， 如雨雪、雾霾、强光照射环境下，摄像头基本失效。在这些情况下，需要依靠 GNSS+IMU 来提供高精度定位信息，三者的融合方案才是自动驾驶定位的必由选 择。