大家好，我是美行科技的胡晨曦，很榮幸跟大家分享一下關于自動駕駛定位的相關觀點。

首先簡單介紹一下美行科技，美行科技成立于2008年，研發總部在沈陽，同時在深圳佛山、上海、北京、廣州有公司，公司的主營業務車聯網服務、車載網聯導航等。網聯導航領域，是國內最大的獨立車的導航軟件提供商，在前端導航軟件市場占有率高達43%。

今天跟大家分享的題目是“定位技術是自動駕駛的關鍵核心”，這個題目有三個關鍵要素，對自動駕駛技術框架進行分析，分為感知層、決策層、控制層，感知層是由電子地圖和傳感器信息組成，電子地圖包含傳統的導航、導航電子地圖數據和高精度電子地圖數據。決策層通過傳感器的數據和傳感器信息，對車輛進行定位，對路徑進行規劃，環境進行理解，對車的行為進行預測。針對車的行動進行規劃，從而代替駕駛員通過控制層的電子驅動，對車輛進行控制，從而逐步實現自動駕駛。

精準的定位是自動駕駛的基礎也是核心，缺少精準的定位，自動駕駛可能會出現失誤。從定位的技術發展來看，分為三代，第一是GNSS定位，基于衛星定位技術，提供10米精度的定位能力；第二慣導定位，目前前裝導航采用慣導定位的技術；第三高精度定位，基于視覺傳感器，毫米波雷達，激光雷達等等，提供亞米級到厘米級定位能力。

從上面分析可以看出自動駕駛需要第三代高精度定位，為什么第三代高精度定位仍然需要慣導定位呢？關于這個問題我從美行科技在第三代高精度定位的應用實踐以及高精度定位關鍵場景談談我的觀點，基于視覺傳感器、車道定位，毫米波雷達、激光雷達、高精度數據定位，從運動慣性擴展開來，考慮用戶行為慣性的預測定位圖側實現，另外和大家分享一下慣導在AR導航中的價值。

美行的車道定位識別，上方是車身，拍攝車前方的實際路況，下面是車在路上的實際定位表現，從視頻中可以看出美行的定位能將車定位到車道上，并且能識別連續變道等等。這是通過大量路測，目前在車道定位精度和車道變道識別，目前能達到95%，這項技術已經處于量產級別，預計在今年9月份投入市場。

車道級定位和傳統定位主要區別在于道路的橫向精度，傳統導航在道路的橫向精度上基本上沒有的，車道級定位是在道路方向上，從線擴展到面。如圖是美行車道級定位的技術框架，左側是慣導定位的技術實現，慣導的匹配結果，中間是車道識別，有車載攝像頭，車載攝像頭輸出相對信息，如車前方的車道數，車的顏色，相對橫向距離，車間縱向距離，用相對信息是無法定位的，必須得結合慣導輸出的位置，利用車道定位識別出車輛位置，車道變化等等，來實現車道的定位。

從上述分析可以看出車道定位站在慣導定位肩膀上更進一步的應用和實踐。提供決策位置為什么需要慣導提供？因為能為車道定位提供全天候無差別的基礎位置，另外在攝像頭實效為車道定位提供變道識別能力。為什么慣導實現全天候無差別變道能力，隧道、高速橋、地下停車場這樣的場景，由于被遮擋，無信號，會發出信號漂移，甚至收不到任何信號。這些場景是慣導擅長的場景。

以地下停車場慣導為例，信號完全被遮擋，在地下停車場是完全的慣導場景，實現原理很簡單，就是勻速直線運動。我們把車運動在足夠的時間內，可以看作是勻速直線運動。按照時間，就可以推出慣導，理論是很簡單的，但是現實世界不是純理論，絕大部分數據都會有誤差，車的脈沖和車速大小和車速方向組成的，車速大小是由車速脈沖算出來的，車輪大小的變化對車的脈沖，計算車的大小也會有影響，在現實世界中，車的輪胎大小變化，會很常遇到，輪胎磨損，胎壓變化等等。

在車輛行駛過程中，需要對車輛脈沖系數不斷進行校準，讓脈沖系數誤差變小，車的方向進行積分，角速度是波動的情況，車輛靜止不動的時候應該是一條水平直線，我們采集的車輛在靜止五分鐘左右，這是波動情況，在不斷的波動。車輛運行過程中，首先要消除波動誤差，并且對投影儀的系數不斷進行校準，而且需要在合適的時間對車輛方向，消除測算方向的誤差。

美行科技在消除誤差方面有比較多的經驗，目前在完全慣導的情況下，車輛自由行駛40多分鐘，誤差仍然是很小的。如圖是美行在地下停車場的軌跡回放，藍色線是慣導的軌跡，在地下停車場進進出出兩次，我們可以看到軌跡，吻合度是比較好的，并且能夠在出停車場的時候仍然比較正確的定位在出停車場的道路上。地下停車場因為是收不到GPS信號，是完全慣導，地下停車場的定位表現就是慣導精度的直觀體現。

只有有足夠精度的慣導前提下，才能為車道導航以及自動駕駛其他的定位提供比較準確的基礎位置。我們再看一下慣導的高架上下坡定位，3D加速傳感器原因利用3D加速傳感器轉化為車身，找出吻合的道路，誤差來源于牛頓第二定律測算會有誤差，需要時間累積，一般的車輛角度會有滯后。存儲會有誤差，所以需要對哪個角度不斷進行前后移動，來消除誤差。

我們再看高度傳感器，原因是基于基準點，用高速傳感器測量出相對高度，來進行匹配，找出相對高度，就是最吻合的，從而實現坡度定位。誤差來源利用測量車身，測量的數據會有滯后。利用ADAS系統計算道路相對高度會有誤差，需要不斷進行前后比對，找出相對高度最吻合的消除誤差。

上海是國內最復雜的地方，我們在上海進行了測試，高架定位識別率高達95%，這項技術在去年已經投入市場了。如果說采取積壓測試定位，在上述場景是不能滿足需求的。我們再看看攝像頭失效的場景，比如車被前車遮擋，有霧天，雨天，光線明暗變化。

我們先看看路口場景，描述的是車道數據在路口，選取了右側路口連接方式，在最右側只跟最右側的車道相連和相對的車道相連，和執行的換車道，是沒有連接關系的。在路口行駛，會有三種方式，向右行駛，直行不換道，然后直行換道，在地面上沒有車輛信息，如果說利用車道的攝像頭和車道數據，在路口失效，這個時候可以利用慣導，足夠能識別出來向右行駛還是直行不換道還是直行換道。

我們看車道被前車遮擋的場景，會繼續跟在前車的后面或者換道或者變道，具體分析第一個一直跟在車道后面，第二個換一個車道，第三個換兩個車道甚至三個車道，第四個要換過去，旁邊有車換不過去，又回來了，第五個換了車道，并且對前面的車進行超車。那么對于前車遮擋的時候，攝像頭所拍攝的車輛信息有可能無效，對這種情況，在比較短的時間內，慣導比較精準能識別出來換道情況。把慣導的位置通過建立坐標系，推斷出換不換道，換哪個車道，從而解決車道定位被前車遮擋的時候。

前面是慣導在車道級的價值，再看看地標定位，通過攝像頭、激光雷達、毫米雷達等等，以高精度地圖數據存儲的地標進行匹配，從而實現地標定位。與車道極定位一樣，慣導需要提供基礎配置，同時也需要在地標定位失效時，能為地標定位提供定位能力。另外地標定位和慣導能起到相互校準的作用。前面分析可以看出慣導位置基于時間的基準，時間越長，誤差越來越大，一般校準方法采集比較準確的GPS信息，或者采集跟慣導軌跡比較相似的路進行校準，采集比較準確的GPS信息或者與慣導軌跡比較相似的路，能準確的提供車輛的位置。

前面看到慣導的運動關系，除了運動關系，我們利用了用戶的行為關系來提高定位能力，什么意思？相當于圖1如果是一個用戶，經常路過的路口，有道路A和道路B，在路口附近，定位模塊不能很快區分出來車輛定位在A還是B上，用戶實際走的是B，但是定位模塊在附近的時候可能會匹配在路A上，行駛一小段時間之后會到路B上，會有少時間的跳躍，用戶體驗不好，我們可以獲取用戶的軌跡，從而很清楚的知道在這個路口，這個用戶是從路B上行駛的。針對這個用戶進行預測定位圖紙，當用戶再次走到這兒的時候，車輛在附近會定位在路B上，提高用戶體驗。

另外，AR導航是ADAS時代重要應用場景，首先看看AR導航本身的價值，車主開車的時候會有一個痛點，如果想察看地圖信息的時候不得不將視線從路面移開，AR導航的優勢是仍然能看到車前方的路面信息，避免視線的割裂。增強現實的方式，呈現在路面上，減少圖像的成本，數據傳遞更加高校，從功能來看，AR導航能為用戶提供豐富的車道引導信息，能將ADAS預警信息與圖像結合起來，能提高車輛行駛安全性。在未來，也可以通過后市場運營的方式，將信息推薦給用戶，如果說在車前方，根據用戶之前的習慣，那個地方有一個用戶經常去的品牌店，將這些信息直接在AR導航上推送給用戶。

后面看看慣導在AR導航上的價值，如圖是美行AR導航的試點，我們想看到這是車道保持功能，這是車道換線功能，用到車道的定位能力。這是高速上提醒用戶下高速，這是利用慣導和車道定位，為用戶提供車道偏離預警。這是車輛碰撞預警，慣導在AR導航的價值為AR導航更加穩定，左邊的圖沒有使用慣導定位，所以引導的畫面會左右晃動，右側的圖是使用了慣導，畫面更好，慣導在我們前面的介紹，位置精準，在一定的時間內，慣導位置誤差和角度誤差非常小，所以能為AR導航提供穩定的基礎位置，AR導航使用慣導，能引導信息和畫面貼合更好，避免畫面的晃動。

慣導和車道級定位，能讓AR導航的表現效果更好，左側是沒有使用車道級慣導定位，右側是使用慣導和車道級定位，能提示更加真實。在AR導航中使用慣導和車道級定位，能夠讓引導提示與實際更加吻合，避免出現問題。

總結來說，慣導定位是自動駕駛的核心之一，我們也認為多元融合定位技術是定位技術的未來，美行作為車載行業成員之一，作為定位行業之一，以更開放的心態與各位進行合作，共同推動定位技術的進步，愿意與大家有更多的交流和觀點碰撞，謝謝大家。