“导远电子CTO司徒春辉：自动驾驶卫惯紧耦合定位”

9月13日，由格什塔特主办的2021第三届自动驾驶地图与定位大会隆重召开。 此次大会旨在聚集汽车地图定位领域的优秀技术专家，共享自动驾驶地图定位行业的最新应用情况、现实挑战、创新理念和未来技术趋势等。 以下是导远电子cto司徒春辉在此次大会上的发言。

你好。 我是引导电子的司徒春晖。 我今天演讲的主题是自动驾驶员习惯结合定位。 自动驾驶定位对车辆来说，第一步是全球计划，也就是从a点到b点的计划，这部分根据导航地图进行。 据此制定车道级别的路径规划。 这部分是相对定位，车在小区域内1~2公里范围内，想知道车周围的新闻。 因此，对定位精度的要求不太一样，全球范围内3-10米的精度可能就可以了，但是车道级别的定位需要0.2米的精度级别。

用于相对定位的技术包括算法与多传感器的融合，如相机和激光雷达相对定位的算法等。 上一段的全球定位是我们比较通用的gps、imu，轮速得到一个位置，这个精确的位置新闻放在地图中会是相对的位置，相对于车道，相对于路边的位置。 将该相对位置与摄像机、adas、激光雷达进行匹配，最终得到更准确的相对位置并对域控制进行后续解决。

定位有三种思路，松散耦合、紧密耦合、深耦合，主要框架相似。 输入新闻的数据的采样频率不同。 例如，车辆新闻大致为20hz。 另外，imu新闻为200hz，gps新闻为10hz左右。 对导航定位的数据耦合来说，最重要的输出诉求是通过imu获得用于预测的消息，反馈到gps进行紧密耦合和深度耦合。 关于gps和车速，其中的作用首要是测量的作用，对imu新闻进行更新，所以我认为imu的数据是整个导航定位所需的新闻。 如果获得高精度的imu，则可以提供高精度、优质的定位输出结果。 紧密耦合、深耦合系统在进行gnss观测预测时需要ekf反馈的预测新闻，这一消息也通过高精度imu的数据反馈，因此imu高精度预测是紧密耦合和深耦合中非常重要的一点。

我们再详细分析一下严密结合和深度结合的区别吧。 严格耦合是指为跳频检测提供预测新闻，过滤出稍有错误的卫星信号，根据正确的卫星信号进行模糊固定。 这也会给模糊定位带来更有效率的结果。 如果是深耦合，基于insta提供的高精度位置新闻，不仅要进行周跳的检测，还要进行卫星跟踪和捕获，减少卫星的误跟踪，提供越来越多的有效新闻、模糊的固定解率。 在全网中，对于位置新闻和观测测量预测，我们都知道这是紧密耦合和深度耦合的重要之处，所以如果搞好这种预测，就可以进行紧密耦合和深度耦合。 如果我们使用比较差的imu，预测消息可能会略有下降，特别是这个imu的消息周跳的检测能力比较差，超过一周的长度，它可能会失去周跳的检测和跟踪捕获能力，达到的效果可能和松耦合一样。

这里，如果采用性能比高的imu，则可以将在全部开放场景中定位精度由gnss板的性能决定的对象作为对象。 在全遮挡的场景中，定位精度由imu的性能决定，这样和结合方法关系不大。 但是，大部分场景也有遮挡，半遮挡场景确实需要紧密结合，深入结合才能提供良好的提升。 因为它可以过滤内部许多干扰项目，包括错误的勘测消息，从而提高固定的检测率。

但是，在一种情况下，我们发现很多预测新闻被反馈到前端标题耦合和松散耦合滤波器中，包括周跳检测的副本。 如果反馈新闻有问题，那在更糟的情况下，rtk效果会下降。 这几个是我们必须考虑的地方。

对于紧密耦合和松散耦合，imu和gps新闻非常密切，它在相互反馈的过程中，如果一个电路有问题，整个反馈都会存在负反馈效应，整体效果会更差。 这里需要分解反馈电路。

这是我们进行的紧密耦合的实测验证。 这张图第一个表示的是固定解的情况下每个新闻的残差。 通常，大部分情况下小于0.3波长，但此时有效。 特别是在广阔的环境中，无论是只有rtk的效果，还是rtk加上低精度imu，还是rtk加上高精度imu，几乎没有残差。 没有区别。 这几个验证了刚才所述的观点，即在广阔的环境下，无论什么样的结合都是一样的。

当然在其他场景中，高精度imu扮演着它的角色。 由于在不宽敞的场景中是超过0.3波长的残差，从而证明了这些观测量中的数据存在一点问题，只采用rtk不能很好地进行滤波。 加上低精度imu确实会过滤这些新闻，但非常不干净。 在低精度imu上得到用于预测的反馈新闻是比较差的。 但是，如果换成更好的imu，这个预测会更准确。 这样，过滤任何残差大的新闻的可能性就会变高，最终的结果无论从rtk固定解率还是rtk固定精度都将提高。

通过高架桥的这个场景更多更复杂，过高架的时候，路上新闻少了，可以看到前后有很多密集的飞行点。 如果采用imu，特别是高精度imu将大大改善这个飞行点。 但是，在精度低的imu中，固定解的效果不是很好。 因为，无法去除100%的飞行点。 还有其他场景。 包括城市道路干线道路、双线六车道线在内，存在同样的飞行点，在不同的imu最终得到的结果有所不同。 这个结论和刚才的结论比较相似。 高架下面也有这种情况。

那么，紧耦合需要什么样的imu来保证好的效果，什么样的imu能给紧耦合带来好的效果呢？ 在这里说明一点原理。 基于rtk产生双重差，是在卫星到接收机的距离减去卫星到基站的距离的过程中，实现其模糊性的固定。 扣除后剩下的部分是右图，可以用三种方法表示。 第一个是从卫星到接收机的距离减去卫星到基站的距离(蓝线)，我们是预测方法，imu方法。 卫星接收机r-r是未知的，所以是我们想要追求的项目。 基于此，可以在imu中进行预测，得到接收机的位置，但这存在imu预测的误差。 是r-rimu的部分。

因为这个误差的一部分是由imu的预测能力决定的，所以这几个是今天重要的地方。 第三条线是观测测量，是通过卫星接收机得到的一点消息，希望得到第三条线中灰色的部分，也就是模糊度。 也就是说，只要正确估计模糊度的部分，最终位置就会变得正确。 我们得出这样的结论，模糊度的估计预测是由imu误差和观测噪声误差决定的。

如何得到更好的估计模糊误差，模糊估计误差需要小于0.2个波长，这可以比较有效地去除异常卫星信号。 但是，这里有三个频带。 是l1 19cm厘米、l2 24cm厘米、l3 26cm厘米。 如果选择最严格的l1频带，最终的定位精度将达到3.8cm。 将测量误差分开来看，平时做rtk时要求精度为1cm，因此得出结论，其中imu的预测误差需要小于2.8cm，这是imu对定位性能指标的要求。

我刚才提到gnss更新频率为10hz，对应的时间间隔为0.1秒，但问题是imu预测的难点是在0.1s经过时间内误差有多偏，这是我们必须分解的地方。 车速为120km/h时，行驶距离为3.3m。 这里涉及2.8cm的误差，该误差有可能被分解为前项的部分。 车走得快是前方误差，那部分与车的速度比例误差有关k。 关于第二部分，是俯仰角，是车头朝上还是朝下，朝下会产生重力方向的误差。 另一个误差是航向误差。 即使向左或向右偏移，也会发生航向误差。 这三个误差构成刚才提到的2.8厘米，所以最终的问题如下。 我们需要分解。 imu的航向误差是如何构成的？ 俯仰角误差由什么构成？

这三个误差其实是相互结合的过程，一个误差变坏，其他两个误差就需要有更高的精度。 例如速度误差为千分之一千分之二千分之三，相对于俯仰角和航向的误差不同。 这是因为，当密封高精度imu推测误差小于2.8cm、速度误差小于0.2%时，会得到航向角误差小于0.3deg、俯仰角误差小于0.36deg的结果。

通过建立yaw的误差方程，得到陀螺仪不稳定性、随机游走、全温零偏、尺度误差的性能诉求，航向角误差与陀螺仪不稳定性、全温零偏、尺度误差相关。 但是，这些误差和航向角的误差由什么决定？ 是提高我们平时说的平均水平的效果。 不管有没有rtk，我们的航向角总是有偏差。 即使rtk的更新频率从1hz变为10hz，该偏移也不会消失。

如果进一步分解俯仰角误差，其原理是通过加速度g测量重力方向来产生俯仰角，得出对于0.36度这样的俯仰角误差要求需要2mg的结论。 如果想要好的结合效果，就需要好的imu。 好的imu需要对陀螺仪上表的误差提出要求。

介绍一下产品情况，长途电子主要有ins组合定位组件和map-box地图定位组件，主机厂可以根据整车结构的要求，将地图数据放入哪个控制器，选择不同的产品。 组合位置总成从2019年开始，当时主机厂的要求是通过车规，但到了今年大部分主机厂的顾客逐渐需要满足功能安全的要求。 通过组合定位系统，可以提供准确的位置、可靠的位置和高性能的位置。

map-box地图定位组件在组合定位中添加了地图新闻，可以进行更高精度的定位。 通过增加视觉和激光雷达的新闻融合，可以提供更高精度的位置。

这是我们宣传的产品的测试结果。 包括俯仰角和航向偏差的统计值在内，可以看出我们宣传的产品满足了上述诉求。 包括0.3度航向角误差精度和0.36度俯仰角误差精度的要求。

介绍了导远电子密耦合的算法，在松耦合的基础上，制作了包括imu、车轮速度、对gnss的反馈在内的多种反馈电路，实现了密耦合的效果。 我们提供了位置总成和地图箱总成的组合，很多合作伙伴给了我们很多帮助。 例如千寻、六点科技、中海达、芯星通、司南导航等。 高精度地图中有百度阿波罗、四维图新、易图通等，和我们一起做了很多实质性的合作。

最后介绍企业，远程电子提供了战略级惯性器件，融合了高精度定位算法，具备了高安全、冗余、高精度融合定位处理方案的能力。 的规格资质齐全，具备aec-q100汽车级芯片认证、aspice汽车软件开发、iatf16949汽车体系认证、iso26262汽车功能安全。 目前我们为轿车客户提供10万套以上的高精度组合导航产品。 产品性能和质量都经过严格的车规测试和大客户的录用验证。

今天的共享到此为止。 谢谢你。