*：作者 | Aimee. 彭祥旭
在自动驾驶系统设计过程中，对于高精地图定位而言需要采用 GNSS/GPS 来进行车辆位置定位。而 GNSS/GPS 对于自动驾驶定位精度要求来说存在如下差异或局限性：
1）GNSS/GPS 需要持续的外部卫星信息才能定位，一般情况下，GPS 相对于 1-3 米之间的定位精确度不足，而受到建筑物、高架、隧道、树叶的遮挡定位信息却更会出现中断或削弱；
2）GNSS/GPS 定位的频率相对较低，测量采样频率又强受限于传感器输出频率，故此 GPS 定位精度远达不到对自动驾驶的需求；
一般的，定位误差对于自动驾驶检测性能来讲在如下场景上问题显现的尤为严重：
a）车辆换道超差
HWP 的自动换道过程要求车辆对自车道及相邻车道具备较高的定位精度，因为车辆定位错误可能导致车辆进入禁止换道车道，也可导致换道超调换入第三车道。
b) 拥堵跟车碰撞
当道路发生交通拥堵时，定位误差可能导致前后车辆距离较近，参照当前跟随控制算法时，可能导致前后辆车发生追尾、剐蹭等事故。
c) 故障停靠
当自动驾驶功能出现故障时，系统可能规划自车轨迹到应急车道或在本车道进行安全停车。如定位出现较大误差时，可能直接反方向停止到超车道上。
d) ODD 发送错误
车辆实时定位不准确时，高精地图发出的 ODD 和 EHP 信息将产生偏差，影响车辆控制决策，危及车辆安全。
如上所述，如果仅采用传统高精度定位的方式，我们无法完全信任其检测结果。这是就需要找到另一种方法来更加准确地确定车辆在地图中的位置。
最常用的方法是比较车辆传感器端输出内容与原始地图信号所显示的内容，自动驾驶中常用的定位测量方法是测量车辆传感器与道路边缘静态障碍物（如树木、电线杆、路标或建筑物等）。其过程是将传感器的测量值与地图测量的道路边缘静态目标数据进行对比匹配，由匹配结果确定实际车辆位置定位信息，为了进行该对比，必须能够在传感器自身坐标系和地图坐标系之间相互转换数据。同时，必须在地图上以十厘米的精度确定车辆的精确位置。
这里我们可以通过实时动态测量仪 RTK (Real Time Kinematic) 来提高定位精度。他是基于载波相位观测值进行实时动态定位的，他能够实时的提供测站点在制定坐标系中的三维定位结果，且可达到厘米级精度。在 RTK 工作模式下，基站可以通过数据链将观测值和观测站的坐标信息一起传送至流动站。流动站负责同时接收来自基准站的数据和来自 GPS 的观测数据，并在系统内组成差分观测值进行实时处理。RTK 对测量精确性的贡献主要体现在需要在地面上建立数个基站，且每个基站的准确位置是已知的。每个基站在接收 GPS 测量位置信息后与自身已知的地面位置信息偏差进行比对，从而将比对误差作为矫正基准传递给其他 GPS 接收器，从而矫正其位置定位结果。
在 RTK 对定位精度的辅助增强下，比纯粹采用 GPS 定位所造成的误差会有较大程度的提升，但是这种方式仍然会存在前述中障碍物遮挡和更新频率问题。
组合惯导的系统设计原理框图
为了进一步提高定位精度，目前较为先进且实用的办法是采用组合惯导定位模式，即 GNSS+INS 的方式进行。我们知道利用单纯的惯性导航体系完成的定位，由于缺少绝对定位功能，随着时间增加，累积的误差将会越来越大，而 GPS 接收机一旦得到足够多个定位的卫星测量值，可以保证相应的精度。
大多数情况下，基于组合惯导的定位系统主要分为如下几种。即松性组合和紧性组合，相应的结构如下图。
在如上图的松性组合中，GPS 与惯导都需要各自进行车辆速度与位置的定位计算，计算后的值进行做差，其差值数据通过卡尔曼滤波后生成传感器偏差矫正值。该矫正值最后输入惯导传感器，然后通过 INS 定位 DR 算法后更新车辆位置和速度，最后与之前的卡尔曼滤波输出矫正量相减生成最优估计值。
在惯导与 GPS 的紧性组合中，GPS 接收机接收伪距及多普勒频移实际测量值与其预测值做差后输入卡尔曼滤波器进行偏差矫正，矫正后的值参照之前松性组合中的算法结构最终进行最优估计。
如上无论是紧性组合还是松性组合，其输出对于输入的反馈调节仅仅体现在其中一端（GPS 接收器）对另一端（INS）检测误差单独进行的实时调节，而 GPS 本身是否存在检测误差或误差累计是没有进行实时修正的。因此，结合上述两种组合缺陷，设计一种混合式误差矫正方案是一种比较典型且常用的方法，即惯导 INS 和 GPS 的调节均考虑传感器的偏差矫正对于输入的影响，将 INS 进行偏差矫正的数据输入 GPS 测量预测模块，然后与通过卡尔曼滤波生成的 GPS 矫正数据同时作用于 GPS 接收机，该输入结果可以对 GPS 进行实时误差调。这一过程致使最后的最优估计结果相较于只进行一种误差矫正更加精确。
自动驾驶设计中的定位组合设计
自动驾驶系统设计中往往不是单一的定位组合过程，一般情况下都是通过将各种不同的定位源进行优势组合，以便使得定位达到最优。近年来，以 GPS+IMU 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。如下表示了详细的定位架构分析图，从图中可看出，一般的定位源包括了传统的 GPS 输入的高精定位 HPP、轮速传感器、RTK、IMU 以及以传感器作为先导的摄像头数据传输方式。
基于如上分析，为了保证在自动驾驶中具备较好的定位精度和强大的鲁棒性。要求定位模型具备完备的融合定位算法，具备高性能 IMU，最后，如果条件允许尽可能的采用双频 RTK 进行 GPS 定位增强。这里我们重点分析 IMU 相关的定位算法及条件。
其中，IMU 中最重要的是其 DR (DeadReckoning) 航迹推算算法。DR 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 AHRS（Attitude andheading reference system ）融合算法，处理后输出车机姿态信息。
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，其中定位误差中的 50% 来自零点漂移，50% 来自陀螺标度误差。最终可以分解出陀螺零偏变化与零点漂移漂导致的横向误差的关系可以用速度表示出来：，由此可以根据定位误差可以得到针对 IMU 的性能指标要求为零点漂移最大值为 10 °/h。
此外，由于 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。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。因此，我们在 IMU 器件选择初期就需要充分考虑如上相应的补偿参数的性能指标。具体来说针对 IMU 的性能指标可以以如下表进行细化。
自动驾驶定位下的安全条件
为了了解自动驾驶定位安全条件，首先我们需要了解道路行车定位边界，我们知道车辆定位实际是精确了解其中心点位置在横纵向上的实际世界坐标。我们实际行驶的道路都是非直线型的，这里我们假设在某一段时间内，车辆行驶在以一定中心点为圆心点，一定半径下的车道内，同时考虑车辆在横向和纵向上的误差容限，对汽车划定一定的矩形框架区域。此时相应的车辆行驶结构图如下表示：
由如上图所示的行驶模型图，道路行车几何关系图如下：
通过关系变换可以得出以下 x，y 之间的关系：
这里的 x 和 y 表示的是针对当前车辆实际定位值下的定位误差矩形框，x 包含两倍横向定位误差值，y 表示包含两倍纵向定位误差值。在我们设置定位误差矫正中只要将如上两个值限定在一定范围内，即可保证定位精度。
那么我们如何定义自动驾驶下需求的定位精度呢，这里可以参照当定位失效后，系统所能控制车辆进行安全停车，且自车不偏出车道时的最大偏差作为临界条件进行判定。我们假设当前自动驾驶时速为 120 km/h，当 RTK 突然失锁且道路车道线不清晰情况下，假设此时搭载的 IMU 可以对行驶状态下的车辆产生 300 m 的航迹推算，那么整个高速行驶的时间大概为 9 s。那么要求在此期间系统仍旧具备较为准确地自主定位能力，即在 FTTI 内（~50 ms）迅速准确地对 RTK 飞点、车道线识别错误等异常情况做出判断。这一过程可以为系统判定危险状态并发出接管请求，提醒驾驶员进行车辆接管提供充分的过渡时间，同时系统控制车辆安全停车。
为了保证车辆在安全接管请求期间不偏出车道，这里要求 300 m 航位推算的横向误差保持在一定阈值范围内。一般 IMU 所需求的定位参数为 1σ 指标，一般误差服从正态分布，3σ 结果可以认为是 1σ 的 3 倍。假设汽车行驶在水平路面上，暂时忽略 x，y 轴角速度在水平面上的投影。即当自车定位错误并以最大横向偏差 Dmax 进行对中行驶时，假设旁车道车辆也行驶于车道线边缘，此时，自车以偏离中心线一定距离进行对中行驶，此时自车左侧实际横向位移为 Dmax+0.5 倍车宽。假设此时车宽为 2 m，则实际横向位移为 1.8 m。假设道路为标准车道宽度 3.75 m，那么一半的车宽为 1.85 m 左右，那么此时自车将与侧方旁车道车辆有极大的碰撞风险。从车辆自身宽度及车道宽度两个方面考虑，为了防止定位误差导致自车与旁车道车辆相撞，一般要求高速路上通过 IMU 进行航迹推算的 3σ 定位误差不能大于 0.8 m。
基于如上分析，当 RTK 失锁，GPS 定位将不可用，由于摄像头检测车道线不可用时，系统将只能通过 IMU 进行航迹推算。此时，为了保持车辆有足够的反应接管时间，要求整个阶段至少在行驶的 300 m 内仍旧具有横向定位误差容限 0.8 m，纵向定位误差容限 3 m。参照 3sigma 标准，整个过程的推算置信度仍旧能够达到 99.7%。
总结
自动驾驶在城市道路、隧道或公路峡谷等一直存在车机端定位的痛点。原因是这些极限的环境使车辆无法接收到 GPS 信号或相关传感器信号受干扰，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 GPS+IMU 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、更多传感器设备形成更丰富的多传感器融合方案。
对基础定位而言，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，如使用 GPS、IMU、里程计等传感器，结合基础地图优势，可以真正的实现高性能的定位融合效果，这也是今后自动驾驶所追求的主流方向。
