1 引言

近年來，無人駕駛技術(shù)得到了迅猛的發(fā)展。如何實(shí)現(xiàn)高精度行車定位是實(shí)現(xiàn)大規(guī)模無人駕駛的一大障礙。目前，全球定位系統(tǒng)（GPS）的定位技術(shù)是使用最廣泛的車輛定位手段，然而無人車在城市環(huán)境中， GPS多路徑反射的問題會(huì)很明顯。這樣得到的GPS定位信息很容易就有誤差。對(duì)于在有限寬度高速行駛的汽車來說，這樣的誤差很有可能導(dǎo)致交通事故。差分GPS（DGPS）利用GPS偽距碼可以達(dá)到1-2米的精度，但這還遠(yuǎn)遠(yuǎn)的精度要求。慣性導(dǎo)航系統(tǒng)（INS）在GPS信號(hào)衰減或信號(hào)丟失時(shí)經(jīng)常被用來定位車輛，但極易產(chǎn)生累積誤差。為了實(shí)現(xiàn)無人駕駛車道級(jí)的定位需求，利用多定位源進(jìn)行輔助定位是研究熱點(diǎn)。本文從車載傳感器和射頻信號(hào)等定位源，綜述了現(xiàn)有滿足車道級(jí)定位需求的各種定位手段，指出了各種定位源優(yōu)缺點(diǎn)，并討論了無人車高精度定位的未來發(fā)展。

2 無人車高精度定位現(xiàn)狀

目前，主要使用有GNSS信號(hào)、車載傳感器信號(hào)和射頻信號(hào)等定位信號(hào)源。GPS能提供全局環(huán)境的定位，是具有當(dāng)前無人車定位不可或缺的技術(shù)。INS具有短期定位精度與數(shù)據(jù)采樣頻率較高的特點(diǎn)，為GPS系統(tǒng)提供相關(guān)輔助信息。然而由于無人駕駛對(duì)可靠性和安全性要求非常高，在復(fù)雜的環(huán)境中，基于GPS和慣性傳感器的定位并不能實(shí)現(xiàn)車道級(jí)的高精度定位，因此常常需要結(jié)合其他定位方式。

2.1 基于RTK的定位方法

RTK是利用載波相位差分進(jìn)行實(shí)時(shí)動(dòng)態(tài)相對(duì)定位的技術(shù)?；鶞?zhǔn)站將觀測(cè)數(shù)據(jù)通過通信鏈路傳送到附近的若干移動(dòng)站接收機(jī)。移動(dòng)站通過接收的數(shù)據(jù)、基準(zhǔn)站的位置和采集的GPS觀測(cè)數(shù)據(jù)進(jìn)行載波相位差分定位。從而求得精確的位置信息。當(dāng)基準(zhǔn)站只有一個(gè)時(shí)為單基站差分GPS系統(tǒng)。當(dāng)有多個(gè)基準(zhǔn)站時(shí)，即為多基準(zhǔn)站差分GPS系統(tǒng)，也稱為網(wǎng)絡(luò)RTK（NRTK，Network RTK）。

2016年5月，基于我國(guó)自主建設(shè)的北斗衛(wèi)星導(dǎo)航系統(tǒng)（BeiDou Navigation Satellite System，BDS）的千尋北斗地基增強(qiáng)網(wǎng)絡(luò)開始向用戶提供高精度定位服務(wù)。該服務(wù)基于RTK的差分定位原理，依托遍布全國(guó)的衛(wèi)星定位地基增強(qiáng)站，融合各類定位技術(shù)，以互聯(lián)網(wǎng)的方式提供全天候高可用的差分播發(fā)服務(wù)。黃永帥等人在武漢、重慶兩地分別對(duì)千尋北斗地基增強(qiáng)網(wǎng)絡(luò)的RTK定位服務(wù)進(jìn)行了性能測(cè)試。結(jié)果表明，其定位性能能夠達(dá)到實(shí)時(shí)RTK厘米級(jí)。

2.2 基于車載傳感器的定位方法

車載傳感器一般包括GPS/IMU、激光雷達(dá)、相機(jī)和微波雷達(dá)。

2.2.1 基于視覺定位方法

Julius Ziegler等人利用視覺檢測(cè)車道線和類似道路，然后再基于精確的地圖進(jìn)行相對(duì)定位。 他們開發(fā)的無人車Bertha經(jīng)過實(shí)測(cè)，在精度方面能與能實(shí)現(xiàn)車道級(jí)的定位精度。 Gerrit Bagschik等人也提出了使用車道級(jí)地圖進(jìn)行地圖相對(duì)定位的方法。這些方法均需要預(yù)先建立精準(zhǔn)的地圖，同時(shí)地圖還需不斷的更新。Dayang Nur等人利用傳統(tǒng)的單目視覺測(cè)距系統(tǒng)與GPS融合結(jié)合Open Street Map地圖提供的道路信息確定每個(gè)車道的概率因子，從而實(shí)現(xiàn)了車道級(jí)的定位。

在無地圖的定位方案方面中，視覺里程計(jì)（visual odometry）是目前研究的熱點(diǎn)。視覺里程計(jì)是以單個(gè)或多個(gè)攝像機(jī)在運(yùn)動(dòng)過程中釆集的圖像為輸入信息來估計(jì)攝像機(jī)旋轉(zhuǎn)和平移運(yùn)動(dòng)的定位方法。視覺里程計(jì)分為雙目和單目這兩種。單目視覺里程計(jì)自身由于無法推算出所觀察物體的尺度信息，而需借助先驗(yàn)信息或來自其他傳感器的的結(jié)合去進(jìn)行準(zhǔn)確的定位。雙目視覺里程計(jì)通過左右圖像的三角化計(jì)算出特征點(diǎn)的深度值，然后從深度信息中推算出物體的大小。雙目視覺里程計(jì)的具體計(jì)算流程如圖1。

圖1 雙目視覺里程計(jì)的具體計(jì)算流程

張高明采用SURF特征描述子，基于快速近似最近鄰（FLANN）算法進(jìn)行前后幀的匹配,基于RANSAC算法對(duì)匹配對(duì)集合進(jìn)行有效性篩選，并依據(jù)三角化方法估計(jì)匹配點(diǎn)對(duì)的三維坐標(biāo)，最后，基于P3P算法由匹配對(duì)估計(jì)前后幀的相對(duì)運(yùn)動(dòng)。從而實(shí)現(xiàn)了基于視覺里程計(jì)的自定位。

SLAM起源于機(jī)器人領(lǐng)域，SLAM問題可以描述為：機(jī)器人在未知的環(huán)境中進(jìn)行移動(dòng)，在移動(dòng)的過程中根據(jù)位置估計(jì)和傳感器數(shù)據(jù)進(jìn)行定位，同時(shí)創(chuàng)建增量式的地圖，目前，基于視覺的同時(shí)定位與地圖構(gòu)建技術(shù)（V-SLAM）迅速發(fā)展。同時(shí)也為無人車?yán)靡曈X同時(shí)定位與地圖構(gòu)建奠定了基礎(chǔ)。

2.2.2 基于激光雷達(dá)點(diǎn)云數(shù)據(jù)與高精地圖匹配方法

激光雷達(dá)（LiDAR）一般由激光光源發(fā)射機(jī)、光學(xué)接收設(shè)備、信息處理系統(tǒng)等部分組成。電脈沖通過激光光源發(fā)射器轉(zhuǎn)變?yōu)楣饷}沖發(fā)射，光學(xué)接收設(shè)備將目標(biāo)反射來的光波信息轉(zhuǎn)變?yōu)殡娒}量。通過從接收到反射的時(shí)間差來測(cè)量距離目標(biāo)的距離，在結(jié)合激光發(fā)射的角度推導(dǎo)出位置信息。在無人車行車的過程中，激光雷達(dá)以一定的頻率勻速轉(zhuǎn)動(dòng)，在這個(gè)過程中不斷地發(fā)出激光并收集反射點(diǎn)的信息，每旋轉(zhuǎn)一周收集到的所有反射點(diǎn)坐標(biāo)的集合就稱為點(diǎn)云（point cloud），點(diǎn)云信息就反映了車輛的全方位的環(huán)境信息。預(yù)先通過激光雷達(dá)采集點(diǎn)云信息，制作成高精地圖，當(dāng)無人車再次進(jìn)入該環(huán)境時(shí)，通過點(diǎn)云信息的分析和匹配，即可實(shí)現(xiàn)高精度的定位。

王靜等人結(jié)合具有三維激光掃描和全景數(shù)據(jù)采集功能的移動(dòng)測(cè)量車采集的相關(guān)道路數(shù)據(jù)，從這些數(shù)據(jù)中提取了車道數(shù)、車道寬等屬性數(shù)據(jù)，制作了基于點(diǎn)云的車道級(jí)道路電子地圖。Markus Schreier通過使用64線激光雷達(dá)和廣角攝像頭結(jié)合的方法提取道路信息加上配備的高精度GNSS能夠達(dá)到10cm精度。

2.3 基于射頻信號(hào)定位方法

射頻識(shí)別（Radio Frequency Identification, RFID），是一種利用射頻信號(hào)自動(dòng)識(shí)別目標(biāo)對(duì)象并獲取相關(guān)信息的技術(shù)。RFID具有的非接觸、非視距和成本低等優(yōu)點(diǎn)。RFID主要包括標(biāo)簽、讀寫器和天線等部分。將RFID技術(shù)應(yīng)用到定位系統(tǒng)中，可以顯著提高定位系統(tǒng)的精度。加利福尼亞大學(xué)的Eun-Kyu Lee等人提出了一個(gè)采用RFID技術(shù)的定位系統(tǒng)RF-GPS，該系統(tǒng)采用差分GPS和路邊單元上的RFID標(biāo)簽獲得車道級(jí)精度的位置數(shù)據(jù)，當(dāng)GPS不可用或非GPS車輛遇到具有準(zhǔn)確位置數(shù)據(jù)的車輛時(shí)，它們通過RFID和無線網(wǎng)路交換位置和行駛信息，來獲取準(zhǔn)確的位置信息。湖南大學(xué)的C. Zheng等人提出了一種基于RFID和視覺的新型定位系統(tǒng)。在這個(gè)系統(tǒng)中，通過基于RFID與視覺的車道判斷的方法判斷車輛占用的特定車道（即橫向位置），在車道判斷的支持下，可以通過GPS / DGPS或V-I通信和測(cè)距實(shí)現(xiàn)車道級(jí)定位。

2.4 多源融合定位方法

上述的各種定位方法雖各有優(yōu)勢(shì)，但也存在各自的局限?；谏漕l信號(hào)的定位方式中，信號(hào)受多徑效應(yīng)和定位環(huán)境的影響而產(chǎn)生誤差，區(qū)域布置RFID參考標(biāo)簽的拓?fù)浣Y(jié)構(gòu)及密度也直接影響了定位的精度。實(shí)時(shí)動(dòng)態(tài)（RTK）載波相位信息在復(fù)雜的動(dòng)態(tài)環(huán)境中容易信號(hào)退化或信號(hào)丟失，只能在很短的時(shí)間內(nèi)達(dá)到高精度。基于視覺的定位方式易受光照環(huán)境和運(yùn)動(dòng)速度影響?；诩す饫走_(dá)的定位方式價(jià)格較為昂貴，成本較高。為了滿足無人駕駛對(duì)可靠性和安全性的高要求，多源融合定位成為了現(xiàn)在研究的熱點(diǎn)。目前，融合方法主要分為松耦合和緊耦合。其中松耦合常用的方法是先由各自不同的傳感器得到定位結(jié)果，然后對(duì)各定位結(jié)果進(jìn)行信息融合。緊耦合是根據(jù)各類傳感器得到的不同類型的觀測(cè)參量進(jìn)行融合。多源融合定位于其精度上優(yōu)于單一定位源，具備更好的魯棒性以及可靠性。為了實(shí)現(xiàn)車道級(jí)的定位精度，通常在無人車行車環(huán)境中，尋求多定位源并進(jìn)行多源融合。 目前主流的無人車融合定位方案如圖2。

圖2 無人車融合定位方案

3 無人車高精度定位發(fā)展趨勢(shì)

目前，Google公司的無人駕駛汽車已經(jīng)進(jìn)行了上路測(cè)試， Baidu公司也于2017年4月開放了自動(dòng)駕駛平臺(tái)Apollo，同時(shí)百度將與金龍汽車合作生產(chǎn)一款無人駕駛小巴車，在2018年7月份左右量產(chǎn)。無人車的高精度定位作為無人駕駛技術(shù)核心技術(shù)之一，已經(jīng)日趨成熟。在無人車行車環(huán)境中，探索新的定位源是未來發(fā)展方向之一。