基于差分定位的LBS 服務在智能網聯汽車測試評價中的應用及優化

甘正男

（中電海康集團有限公司，杭州 浙江 310013）

0 引 言

智能網聯汽車測試和評價的目標，就是在以不降低汽車行駛安全性為前提條件下，全面評價智能網聯汽車的各項性能[1]。 現有的測試評價體系將智能網聯汽車測試評價方法和汽車整車的產品開發過程融為一體，按照產品開發過程的模型，在不同階段分別使用不同的測試評價方法，從而可以指導整個產品從開發階段到設計階段的測試評價過程。現有測試評價體系的內容包括： 感知數據的采集、測試平臺搭建及仿真模型 （包括模型在環MIL 階段、軟件在環SIL 階段、硬件在環HIL 階段）的驗證、受控測試、實證試驗等[1]。 從國際上對測試評價體系內容分級的要求來看，目前對感知數據的采集大多停留在保證仿真模擬中的感知場景各類數據的被動采集的過程， 無論是通過現場駕駛環境采集、權威機構發布數據還是自動駕駛安全性分析數據， 通常針對車輛本身在測試評價中的數據上傳，來被動地將數據進行上報和采集。但缺乏針對現場測試環境和車輛本身的交互數據，例如車輛在現場駕駛環境中的相對位置、行駛軌跡等相關的基于位置的交互型動態數據。

自動駕駛全新評估和測試方法（New Assessment/Test Method for Automated Driving，NATM）自聯合國車輛法規協調論壇自動駕駛與網聯汽車工作組自動駕駛測試評價方法非正式工作組VMAD 第五次會議提出以來， 已通過意見征集和會議討論等形式形成“場景目錄（SG 1a）”、“測試場景研究、審核評估、仿真測試與使用監管（SG 2a）”、“封閉場地與開放道路測試（SG 2b）”以及“測試方法之間相互關系”等相關內容和研究方向的確立。 在測試場景方面，與會專家就測試場景與車輛設計運行范圍關系、場景在測試過程中的應用這兩點問題發表了相關觀點。 專家指出，在道路數據感知采集和測試道路鋪設的過程中，不能僅僅有被動數據的采集，更需要全方位的環境因素感知和數據上報。 在審核評估、仿真測試與使用監督方面，專家重點討論了高精度定位的實施方法及在用車管理環節使用報告的必要性。

2020 年7 月10 日，聯合國車輛法規協調論壇自動駕駛與網聯汽車工作組自動駕駛測試評價方法非正式工作組（WP29/GRVA/VMAD）第八次會議以網絡會議的形式召開，中國代表全程參與并分享了中國在自動駕駛測試領域的現狀和研究成果，指出了高精度定位服務在測試評價體系中的重要作用和實際應用中可視化平臺的優秀表現，以此共同推動自動駕駛技術的發展和應用。 2020 年9 月15日，由全國汽車標準化技術委員會主辦、汽標委智能網聯汽車分技術委員會承辦的第六屆智能網聯汽車技術及標準法規國際交流會（ICV 2020）中，明確提出了需要討論自動駕駛測試場景研究與車輛測試評價辦法研究中基于地理位置信息服務的應用，并進一步提出在地理位置數據服務下對自動駕駛公共道路測試、應用示范及商業化運行的相關標準的確立。 本文將以差分定位技術為核心實現的LBS 服務來對以上測試評價過程中凸顯的問題進行解決。

1 LBS 服務在智能網聯車輛測試評價中的應用

1.1 差分定位技術

差分GPS 定位通常使用一臺GPS 基準接收機（通常稱之為基準站）和一臺用戶接收機（通常稱之為移動站），利用實時或事后處理技術，就可以使用戶測量相對位置時消去公共的誤差源，如衛星軌道誤差、衛星鐘差、大氣延時導致的誤差、多路徑效應產生的誤差等。

通常根據差分GPS 基準站所發送信息的方式可以將差分定位分為三類，即：位置差分、偽距差分和載波相位差分。這三類差分定位的工作原理是類似的，即都是通過基準站發送修正數據，并由用戶站接收并對其測量結果進行修正，從而獲得精確的定位結果。三種方式的差異在于發送修正數據的具體內容有所區別，直接導致了其差分定位精度各有不同。

1.1.1 位置差分

位置差分是最簡單的差分方法，任何一種GPS接收機都可以改裝和組成這種差分定位系統。其原理是通過安裝在基準站上的GPS 接收機觀測4 顆衛星的實時位置進行三維定位，并解算出基準站的坐標。 但由于存在著軌道誤差、時鐘誤差、SA（Selective Arailability） 影響誤差、 大氣影響產生的誤差、多徑效應以及其他誤差的影響，解算出來的坐標與基準站的確定坐標是不同的， 存在一定的偏差。 我們可以通過基準站，利用數據鏈將這個改正數據發送出去，由用戶站接收收據，并對其解算的用戶站坐標進行修正。最終在用戶站得到修正后的用戶坐標已經消去了基準站和用戶站的共同誤差。但位置差分需要修正誤差的前提是基準站和用戶站觀測的是同一組衛星。 因此，位置差分定位法通常只適用于用戶與基準站之間的距離在100km 之內的情況，否則可能會存在誤差無法修正而導致的位置偏移。

1.1.2 偽距差分

偽距差分是目前應用最廣泛的一種差分定位技術，基本上大部分的差分定位技術服務提供商都用的是這種技術。目前利用偽距差分定位法定位的精度可以達到亞米級別。 同時，偽距差分也是國際海事無線電委員會RTCM SC-104 標準推薦的定位數據格式。

偽距差分定位技術的本質是在基準站上的接收機通過計算被測量目標到其可見衛星的距離，并將這個計算出來的距離與含有誤差的測量值進行比較， 利用一個α-β 濾波器將這個差值進行濾波并計算出相應的偏差值，然后將所有衛星的測距誤差傳輸給用戶本身，通過這個測距誤差來對測量的偽距進行修正。最終用戶將利用修正后的偽距來解出本身的位置，以此來消去公共誤差，從而提高定位的精度。

與位置差分定位原理相似的是，偽距差分技術能夠消除兩個基站之間的公共誤差，但隨著用戶到基準站距離的增加， 又會導致系統誤差的增加，而這種系統誤差是無法被技術抵消或糾正的。 因此，用戶和基準站之間的距離對最終結果的精度有決定性的影響。

1.1.3 載波相位差分（RTK）

載波相位差分技術又被稱為RTK 技術（Real Time Kinematic），是在能夠及時處理兩個測距站的載波相位的基礎上建立的。載波相位差分定位技術能夠實時提供觀測點的三維坐標，并達到厘米級的高精度水準。

和偽距差分定位原理類似，基準站通過數據鏈的格式及時地將其載波觀測值以及基準站坐標信息一同傳送給用戶站， 用戶站通過接收GPS 衛星的載波相位和來自基準站的載波相位，組成相位差分觀測值并進行處理，從而及時給出厘米級的定位結果。

目前實現載波相位差分GPS 的方法主要分為兩類：修正法和差分法。修正法和偽距差分相同，通過基準站把載波相位修正量發送給用戶站，從而改正其載波相位并求得相應坐標。差分法主要通過把基準站采集的載波相位發送給用戶站進行求差解算坐標。 前者是準RTK 技術， 后者是真正的RTK技術。

1.2 CORS 服務架構及在測試評價中的應用

1.2.1 CORS 服務架構

CORS 是 Continuously Operating Reference Stations 的英文縮寫，即“連續運行參考站”。 CORS是一種利用全球導航衛星系統、計算機技術、互聯網數據通信技術等，在一個區域、城市或國家按照需求， 根據一定距離建立長年連續運行的若干個固定GNSS 參考站組成的網絡系統，而這個連續運行的參考站是運用了網絡RTK 系統的一種基礎硬件設施。

目前國內比較知名的千尋CORS 服務主要分為三個精度， 分別是千尋跬步 （亞米級高精度CORS 服務）、 千尋知寸 （厘米級高精度CORS 服務）、千尋見微（靜態毫米級高精度CORS 服務）。依托于遍布全國的衛星地基增強站，該服務采用標準NTRIP 協議和RTCM 差分電文， 支持目前主流品牌的RTK，其作用相當于一個巨型基站，客戶僅需要一個移動站， 就可以開始測量工作。 目前千尋CORS 服務的覆蓋范圍廣，采用了分布式云計算技術，可以支持用戶大規模同時訪問請求，并且響應速度快、精度較高、硬件設備匹配度高、能夠提供多需求下的全國范圍內的高精度定位服務。如圖1 所示為CORS 系統服務的組成。

圖1 CORS 系統服務的組成Figure 1 The composition of CORS system services

1.2.2 CORS 服務在測試評價環境中的應用

筆者在2019 年12 月26 日15 時雪天定位時，測試環境中的CORS 網絡差分定位服務突然出現了異常的誤差波動，大幅降低了定位精度。 在事后通過對天氣條件（雪天天氣）的試驗數據分析發現，在剛下雪時，由于對流層的突然變化，導致對流層對衛星信號傳輸的延遲突然增高，從而導致定位精度產生了較大偏差，而這種異常的波動通常來說毫無規律性可言。因為CORS 網絡差分定位數據中接收到對流層突變信息，才能改變對流層延遲模型并進行差分數據調整，所以在調整對流層延遲模型這個延遲過程中， 會對定位服務的精度產生較大影響。這種不穩定的現象會對點定位精度產生較大影響，也會對由點形成的無人駕駛車輛行駛的軌跡產生較大影響，導致車輛偏離自己的行駛軌跡，轉向系統將會不停工作， 而不能保持一定的行駛路徑，會造成交通事故的發生。

我們都知道地球并不是一個規則的球體，但可以近似看作為一個橢球體。由于地球地平面的凹凸不平，利用北斗衛星測量得到的只是經緯度和高度坐標，對于智能網聯汽車并沒有直接的用途。 因此需要將大地坐標系中的經緯度和高度等值轉化為空間直角坐標系內的相對坐標值，從而獲得智能網聯汽車的相對位置。

我們通常用高斯投影公式將經緯度數值轉化為高斯直角坐標系來提供給車輛。高斯投影是假定有一個橢圓柱面橫套在地球橢球體外面，并與一條中央子午線相切， 橢圓柱的中心軸穿過橢球體中心，然后用一定的投影方法，將中央子午線兩側各一定經差范圍內的地區投影到橢圓柱面上，將此柱面展開就成為高斯直角坐標系[2]。

2 基于差分定位的LBS 服務誤差優化算法及路測應用優化

2.1 誤差優化算法分析

在實際的道路測試環境中，由于CORS 差分服務無法消除的誤差因素和實際道路環境的復雜性因素的共同影響下，仍然無法單純利用差分定位服務來對智能網聯汽車實現精確控制。而基于道路行駛安全性和智能網聯汽車發展可靠性要求來看，通常要求智能網聯汽車達到毫米級的精準控制，同時對數據上報的頻率和安全性也有相應要求。因此需要對現存的設備與應用在硬件和軟件上進行相應加裝及優化處理。

從硬件上來看，攝像頭、激光雷達、毫米波雷達和IMU（Inertial Measurement Unit）慣性測量單元的設備是自動駕駛車輛中常用到的一系列傳感器。其中攝像頭、激光雷達、毫米波雷達的數量和傳感及運算效果會直接影響自動駕駛的等級， 而IMU 慣性測量單元則主要用來提供相對精準的定位信息。IMU 慣性測量單元通常由陀螺儀、加速計和算法處理單元組成，通過對加速度和旋轉角度的測量得出自體的運動軌跡，擁有更高的更新頻率，而且不受信號影響。 通常將IMU 與GNSS 單元一起形成組合慣導的硬件單元。

GPS 是一個相對準確的定位用傳感器，也是網絡差分服務的主要數據傳輸中心，但是它的更新頻率過低，僅有10Hz，不足以提供實時的位置更新。IMU 有著GPS 所欠缺的實時性， 更新頻率可以達到100Hz 或者更高。IMU 傳感系統通過高達100Hz頻率的全球定位和慣性更新數據，目前應用在自動駕駛系統中，輔助完成定位。 通過整合CORS 網絡差分服務與GPS/IMU 的服務數據形成實時位置和慣性導航互相修正的定位結果，我們可以為車輛定位提供既準確又足夠實時的位置更新。

GPS 和IMU 組合， 就是為了融合IMU 的航向速度、角速度和加速度信息，來提高GPS 的精度和抗干擾能力。 IMU 相對GPS 來說， 能提供補全導航信息，因為GPS 本身只提供位置信息，IMU 還可以提供航向姿態信息， 這個是車輛控制里的基本信息。

從軟件算法上來看，目前定位服務產生的數據誤差主要來源于時鐘誤差、大氣誤差、環境誤差和網絡波動誤差等，特別是針對移動物體的高精度定位。 針對一些短時間內波動較大的誤差，我們可以通過航跡推算定位法來對其進行修正，但航跡推算定位法也只能在短時間內保持高精度，之后便會隨著時間的推移而產生越來越多的累積誤差，因此航跡推算定位法作為CORS 網絡差分服務中短時間內的輔助算法有很好的效果。

航跡推算（DR）是一種非常常見的定位優化算法， 也較廣泛地應用在智能網聯汽車的定位系統中。 CORS 網絡差分定位和DR 切換融合定位原理如圖2 所示。衛星定位系統首先根據接收機觀測到的衛星數量和幾何分布結構，確定衛星是否有效及定位精度波動情況。當衛星定位的誤差小于波動閾值時，利用CORS 網絡差分定位服務，同時輸出的定位數據更新DR 定位系統的初始值；但當衛星定位無效時，系統就會自動切換到DR 定位系統。 因為DR 傳感器會隨著時間的推移而產生誤差堆積，因此當CORS 差分服務再次滿足精度要求時，便會立即輸出衛星定位數據并同時更新DR 定位系統的初始值并消除誤差。

圖2 切換融合定位原理圖Figure2 Schematic diagram of handover fusion positioning

2.2 路測應用優化改進

在智能網聯汽車實際的道路測試評價中，通常會遇到一些隧道、高架橋遮蔽、基站信號交界處等CORS 服務不穩定或GPS 信號丟失的情況，而通過GNSS/IMU 的組合慣性導航的方法，可以提高傳感數據更新頻率，增加航向速度、角速度和加速度等位置方向信息， 并結合GPS 信號慣導推演等方式，對一些信號弱、受干擾嚴重的實際道路環境定位數據的誤差進行優化。 但由于目前GPS 波動的情況較為復雜繁多， 在實際應用中存在較長時間將IMU 慣導作為主要導航方法的情況， 這也導致了導航精度的迅速下降。 因此，考慮到實際應用情況， 我們應對IMU 慣導環境下的誤差修正方法進行優化。

我們根據IMU 傳感器數據特性， 建立了基于擴展卡爾曼濾波和無跡卡爾曼濾波的慣性導航系統（Inertial Navigation System， INS）模型，同時基于汽車行駛過程中高精度定位的要求，參考并應用了針對智能網聯汽車的基于非線性自適應回歸（nonlinear autoregressive exogenous， NARX）神經網絡的GPS/IMU 組合慣導算法[3]。 在GPS/INS 數據融合算法中，國內外應用最多的是卡爾曼濾波算法及其改進的非線性濾波算法，通過估計車輛動力學（側滑、航線、縱向速度）得出的仿真對比結果顯示，輪胎區域在線性區域內時，非線性卡爾曼濾波算法的狀態估計結果優于卡爾曼濾波結果。 同時研究結果表明， 一種基于加權的平方根容積卡爾曼濾波算法，能夠有效提高GPS/INS 組合慣導中導航系統對測量噪聲統計不確定的自適應能力與導航性能[4]。 而經過進一步的算法優化之后發現，改進徑向基神經網絡結合自適應濾波輔助的組合系統導航算法，能夠算出穩定的次優導航解，其定位精度明顯優于純INS 導航算法。 其中基于隨機森林回歸的GPS/INS集成定位法，可以提供連續、準確、可靠的導航方案解。 也正是NARX 神經網絡在非線性問題的時間序列預測方面有著很強的非線性動態描述能力，因此NARX 神經網絡常被用于解決非線性、 動態問題的預測上，而車輛精準定位導航也正是此類問題之一。

實際應用中的優化選用以擴展卡爾曼濾波器（extended Kalman filter， EKF） 為基礎并結合非線性自回歸網絡（NARX）神經網絡算法對車輛位置進行實時動態預測的組合慣導模型，能夠有效提升在GPS 信號不正常、波動幅度大、受干擾嚴重等情況下的定位精度，基本滿足道路實測中對智能網聯汽車的測試評價定位要求。

此外，在能夠獲取智能網聯汽車的精確定位之后， 我們還需要確保數據在本地完整存儲的條件下，能夠適時測試評價數據斷點續傳功能。 結合測試評價通常存在異地評價和多復雜道路環境評價的特點，數據必須具有實時性、適用性、可靠性和安全性。 在數據本地保存的冗余機制下，斷點續傳功能能夠更好地使數據獲得應用和展現。

3 結語

精準定位在自動駕駛車輛中的應用由來已久，從原有的GPS 導航到精確的差分定位技術， 在未來的自動駕駛和V2X 智能網聯汽車的概念中，車輛實時位置信息和軌跡信息勢必將成為所有服務的應用基礎。 也正是基于此，研究精確差分定位技術在智能網聯汽車中的不間斷應用意義重大。