如何使用惯性导航系统为汽车应用提供连续的车道准确定位

如今，先进的单频带GNSS接收器能够在开阔的天空条件下满足V2X、ADAS和自动驾驶的高精度要求。为了能在各类环境中可靠地服务，GNSS接收机需要克服在城市和其他挑战性的环境中的局限性。本文演示了如何使用基于GNSS校正服务和车辆动态模型的多波段RTK惯性导航系统实现这一目标。

不管是在V2X应用，还是在包括自动驾驶在内的先进驾驶辅助系统（ADAS）中，基于卫星的定位都发挥着独一无二的作用。它是能够实时确定车辆绝对位置的唯一技术。它独立于地图、摄像头和地标。由于其基本工作原理与自动驾驶车辆中使用的其他传感技术（如激光雷达、摄像头、超声波）完全无关，因此基于卫星的定位可为多传感器网络提供其他任何技术都无法给予的重要基础和支持。

如今，全球导航卫星系统（GNSS）接收器技术正不断克服其局限性。精度提升至几十厘米，收敛时间（接收器在信号中断和随后重新获取后达到预定精度水平所需的时间）提升至几秒钟。延迟（从测量位置到设备将此位置报告给网络之间的时间）大约为10毫秒。位置更新频率也能做到10Hz以上。此外，通过更多技术改进，在城市峡谷、多层道路和其他具有挑战性的场景中也能进行定位。

简而言之，在V2X和ADAS应用的时代，GNSS终于实现了技术成熟。

然而，并非所有进步都发生在GNSS接收器中。在摩尔定律的影响下，硬件尺寸逐渐缩小为适用于大众市场的便携式低功耗设备的微型芯片。无处不在的无线互联网连接使GNSS校正服务能够最大限度地减少电离层对GNSS精度的影响，而电离层影响正是GNSS误差的主要来源。此外，国家层面和国际层面对于太空领域的投资为我们提供了为创新应用量身定制的新卫星系统。这使得接收器能够使用更多（可见）卫星，进而获得关键性的优势。

这些进步将使我们能够为车辆配备最新一代多频带、多星座GNSS接收器，提供亚米级的精度（甚至可达几十厘米），具体取决于应用的要求。

但是我们需要的并不仅仅是定位精度的提高。低延迟是新兴应用提出的另一项关键要求，例如“车辆到一切”（V2X）通信。在V2X中，车辆使用无线消息相互“交谈”或与路边基础设施“交谈”，并在合流和超车时传递关于移动位置的警告和信息，以及在交叉路口协商优先权。

图像2：V2X用例中延迟的影响。

在影响最小的情况下，较长的延迟可能会造成困扰、导致不必要的制动和加速、降低车流效率以及乘客舒适度。而在最糟糕的情况下，延迟可能会是致命的。特别是在高速公路上，车辆每100毫秒就会驶过一辆汽车的长度。在大多数用例中，V2X通信所采用的ETSI（欧洲电信标准协会）标准要求系统级别的延迟低于100毫秒。

下表总结了汽车市场中不同应用的要求。

注：所有应用都需要惯性导航技术，包括轮速信息。CEP50值对应于覆盖所有位置测量值的50%的圆的半径。

先进的传感器融合滤波器，收敛时间更短

对于ADAS、V2X，以及为了最终实现自动驾驶，即使在充满挑战的环境中，GNSS接收器也必须能够稳健地提供车道定位。当卫星信号暂时受阻时，它们需要在几秒钟内恢复高精度定位。这可以通过将下列多个互补的传感器进行融合滤波来实现。

图2：单融合滤波器，用于高精度定位解决方案。

多星座、多频段GNSS接收器：全球GNSS星座的数量已从一个（GPS）增加到四个（GPS、GLONASS、北斗、伽利略），这意味着接收器能够在任何给定位置“看到”更多卫星。这样就能解决接收器需要更多卫星才能准确定位的问题：  只有单个星座时，需要使用四颗卫星；但存在三个星座时，大约需要使用七颗卫星（为了计算星座之间的时间差，这些星座本身具有彼此不同的时间参考系）。

除了更多卫星，多频带GNSS接收器还可以组合不同频率的信号，每个信号都能在特定应用中发挥优势。例如，同时处理来自不同频率的两个信号可有效消除高达99.9%的电离层误差。另一种称为“几何无关组合”( geometry-free combination)的技术有助于检测载波相位中的周跳。所有这些技术仅能由多频段接收器实现。

实时动态（RTK）算法：标准精度的GNSS接收器跟踪至少四颗GNSS卫星的GNSS信号码相位来实现三角定位，而高精度GNSS接收器跟踪高频载波的相位。为了解决载波相位模糊的问题，高精度GNSS接收器利用实时动态（RTK）算法。这些算法已被集成到部分GNSS接收器模块中。RTK算法广泛使用通过无线连接提供的校正数据。对于汽车市场，基于蜂窝网络和卫星L波段的通信非常适合。除了节约数据传输成本之外，即使在蜂窝网络信号较差或根本不可用的农村地区，L波段接收器也可以通过卫星接收RTK校正数据。

广播GNSS校正服务：GNSS校正服务提供商通过从基站网络监控GNSS信号来不断估算GNSS信号误差。  例如，精确点定位（PPP）-RTK服务可以补偿卫星时钟、轨道、信号偏差、全球电离层以及区域电离层和对流层效应。在理想情况下，这种校正在美国大陆等大片区域有效，并且对于带宽的要求也最低。传统服务基于粗略的位置估算并向单独用户发送定制的校正流，而现代服务提供商采用扩展性更强的方法，向所有用户广播相同的动态GNSS误差模型。

除了提高GNSS接收器精度之外，高质量的校正数据还能缩短接收器收敛到准确位置所需的时间。对于存在架空障碍物（例如天桥、公路标牌、树木和桥梁）的环境，这一特性对于正常驾驶至关重要，因为这些障碍物可能会暂时中断GNSS信号。

惯性传感器和传感器融合：多年来，惯性传感器已被用于增强GNSS定位服务。通过实现惯性导航（DR），它们使车辆定位系统能够弥补在隧道、停车场和其他挑战性的常见环境所遇到的GNSS信号缺失。通过融合由惯性测量单元（IMU）的各个组件收集的数据，定位模块可以在GNSS信号受阻的环境中继续提供估算位置。

当GNSS信号接收暂时中断时，惯性传感器和传感器融合有助于定位解决方案保持位置和速度的相关信息。与纯GNSS解决方案相比，融合解决方案可在卫星信号再次可用时，缩短重新收敛时间，即解出载波相位模糊所需的时间。

车载传感器：结合车载传感器（例如轮速传感器）的数据，进一步提高惯性导航解决方案的性能。如果算法发现车轮没有移动，就可以忽略GNSS系统(由于信号误差)上报的位置变化。使用轮速传感器加权计算得出的速度估计比仅依赖于有噪声的加速度计更加准确。此外，对轮速传感器的移动距离的持续校准, 可以修正冬季和夏季轮胎变化引入的误差。 

动态模型：车辆的动态模型能够限制测量误差对于位置估算的影响。模型假设车辆不会横向滑动、垂直跳跃或以任何不合理的方式加速。所有GNSS测量数据在用于导航滤波器之前，将由该动态模型检查其合理性。

量化隧道中的表现

量化上述方案在隧道中的表现是一项极具挑战的任务。首先，主要误差源是传感器误差，并且当它们被整合以得出车辆的速度（加速度计）和姿态（陀螺仪）时，误差会趋于累积。这主要是因为误差源于随机而非系统性现象。为了正确表征其影响，需要收集相当数量的隧道数据并进行统计分析。其次，无法获得确切的“真实”位置来与测量结果进行比较。理想情况下，应在这些隧道内使用基于完全不同技术获得的定位作为参考，以消除GNSS信号被遮挡带来的影响。最后，即使是基于惯性传感器的昂贵参考系统也会在一定程度上出现漂移误差。

我们首先使用在开阔天空条件下收集的数据创建虚拟隧道，而不是在实际隧道中测试真实系统的设置。为此，我们“断开”GNSS信号以模拟GNSS信号中断，迫使系统在惯性导航模式下导航。这样，我们就能将惯性测量单元（IMU）的性能与高端真值系统进行比较。记录惯性导航解决方案和高端参考GNSS接收器的位置输出可为我们提供必要的数据，以比较不同长度的隧道中的性能。通过这个简单的技巧，我们就能运行一组足够大的测试，以便对性能进行定量分析, 获得具有统计显著性的结果。

图3：无GNSS的惯性导航模式下，行进距离上的定位误差。

在上图中，通过分析31次测试产生的1758次信号中断的数据，我们确定在惯性导航模式下，我们在行进距离上的定位误差约为2%。换句话说，每行驶一公里，水平定位的误差平均增加20米。值得注意的是，惯性测量单元（IMU）的表现对于隧道测试结果有显著的影响。在我们的配置中，我们使用了具有平均性能而非高端性能的标准IMU。

在实际道路上测试

隧道模拟只是更广泛设备测试的一部分。为了验证上述的技术组合，即通过组合多频带、多星座的GNSS接收器与内置RTK算法、广播GNSS校正数据、用于惯性导航的IMU、外部轮速传感器和动态车辆模型，可靠地提供车道准确定位，我们还在复杂程度不同的多种情况下进行了测试。由于GNSS和IMU误差的随机性，与下面给出的结果相比，单独测试的结果可能超出或低于所示表现。

在最近的高速公路行驶中，主要是在开阔天空条件下（挑战性最低的场景），我们的解决方案可提供100%的可用性，并且在50%的时间内精度达5.8厘米。水平速度分量在68%的时间内的精度为0.02 km/h。

在我们的测试中，我们在RTK固定解（载波相位整数模糊度固定）、RTK浮点解（载波相位整数模糊度未固定）和惯性导航之间进行了占比统计，分别是82%比14.8%比3.1%。总而言之，这一解决方案的精度比现有的单频段接收机提高了十倍。但是，必须注意的是，RTK固定解和浮点解的比率可能会产生误导。对于同一接收器，在评估精度时，这一比率可出色地指示不同测试轨迹之间的相对难度水平。但在比较两个接收器的性能时，它不是一个有用的指标。

与单频段、无RTK配置相比，在巴黎高速公路和典型城区的开阔天空条件下测得的结果显示了出色的性能提升。在最糟糕的情况下，即在巴黎La Défense 区进行的城市峡谷测试，其表现依然超过V2X应用的要求。即使GNSS接收器无法完全固定载波相位的整周模糊度，CEP68[i]也可以达到约1.1米的精度，而且解决方案在95%的时间内精度为<1.7米。这一情景清楚显示了所用的技术是如何在最具挑战性的城市环境中提高定位表现的。

最后，我们在瑞典哥德堡一条两公里的隧道中测试了我们解决方案的表现，其结果比我们在模拟中的表现更好。与预期相比，漂移误差降低了50%，行进距离上的定位误差为1%。此外，收敛到车道级精度只需两秒。这样的快速收敛表现基于多种因素的组合，包括多频GNSS接收器、GNSS校正服务，以及通过惯性导航得出的相对准确的位置估算。显然，在长隧道中无法保持车道的准确定位。在这种情景中，高度自动化和无人驾驶的车辆可以使用互补的定位技术来弥补精度的损失。

表4：开阔天空：勃艮第的高速公路；城市：巴黎12-16区；城市峡谷：巴黎La Defense

为汽车GNSS提供明显的附加值

总而言之，通过在定位解决方案中组合多频带、多星座的GNSS接收器与内置RTK算法、广播GNSS校正数据、用于惯性导航的IMU、外部轮速传感器和动态车辆模型，即使在最具挑战性的环境中，也能实现准确、连续的车道定位。这样的定位能力还可以通过融合其他车辆传感器（例如摄像头和雷达）获得进一步增强，使我们的运输系统更加安全、舒适、高效。通过这一解决方案，GNSS技术能在惯性导航的辅助下得到增强，并为高级汽车应用做好准备。

我们发现这一解决方案在精度方面优于现有技术十倍。城市环境中的连续服务是通过多频段、多星座GNSS接收器的强大组合实现的。这一接收器能够在信号部分受阻的情景中最大化卫星的可见性、通过惯性导航弥补GNSS接收中的信号中断，以及从GNSS的中断中快速重新收敛。基于这一产品的精度和全球覆盖，以及GNSS是能够提供绝对真实位置和时间信息的唯一技术，高级汽车应用必将从这一整合方案中受益。

[i] 在这一场景下，1.1米的CEP68（68%圆概率误差的缩写）意味着68%的结果位于距离GNSS接收器在二维真实表面上真实位置1.1米的范围内。