多源融合定位的案例
基于圖優化的GNSS/慣性/視覺/激光雷達多源融合導航定位
來源 |
衛星導航國際期刊
多種定位技術融合，破局室內外高精度定位
UWB 定位導航技術已經相當成熟，具有穿透力強、抗多徑效果好、安全性高、定位準確性高等優點。但是，由于它的覆蓋范圍有限、芯片供應商少、系統建設成本偏高等原因，因此在消費市場上難以大規模鋪開。此外，并不是每臺手機都裝有 UWB，這也是限制其發展的因素之一。
綜上所述，融合北斗高精度定位、Wi-Fi、UWB、藍牙定位技術，可提供高中低全場景、室內外全覆蓋、主被動全兼容的定位服務。
上千尋位置官網，查看更多北斗資訊、產品、解決方案。
多傳感器融合定位是否足夠安全？
意味著即使感知模塊運行正常，也無法阻止由于定位模塊錯誤而造成車道偏離的危險，例如偏離后撞到路邊，跌落懸崖或被其他的車輛撞到，特別是當AV行駛方向相反時。但是，許多學者對于AD系統中的安全性研究集中于AD感知，例如，交通標志上的惡意標簽，這使AD定位的安全性成為一個懸而未決的問題。
一般而言，對于室外定位，GPS是最直接的數據來源，因此對GPS的直接威脅是GPS欺騙，它是一個長期存在但仍未解決的安全性問題。幸運的是，為了實現可靠的定位，當前許多主機廠的AD系統主要使用多傳感器融合（MSF）算法，該算法將GPS輸入與其他傳感器的位置輸入相結合，通常是IMU（慣性測量單元）和LiDAR（光學雷達）。在這種算法中，僅靠GPS數據不能決定具體定位位置，因此主流觀點認為MSF是防止GPS欺騙的最佳解決方案。但是，實際上MSF算法主要是為了提高定位的準確性和魯棒性，而不是為了安全性而設計的。鑒于其在自動駕駛汽車中的廣泛使用以及對道路安全的高度重視，因此必須盡早系統地理解這一點。
為了填補這一關鍵的研究空白，本文中，我們首次對AV中基于MSF的定位的安全性進行了研究。作為此方向上的第一個研究，我們將GPS欺騙作為攻擊媒介，因為它是MSF輸入源中最成熟的攻擊媒介之一。我們專注于生產級MSF實施，即百度Apollo MSF（BA-MSF）。我們認為攻擊目標是使用GPS欺騙引起MSF輸出的較大橫向偏差，即向左或向右偏斜。這可能會導致AV偏離道路或駛入錯誤的道路，我們分別將其稱為偏離攻擊和逆向攻擊。
為了系統地了解安全性，由于BA-MSF以二進制形式發布，因此我們首先通過動態黑盒分析來分析上限攻擊的效果。
展開 面向未來的智能駕駛關鍵設計要素：融合定位
應用到車端時，要求在分包數據融合、V2X場景還原、高精地圖引擎也隨之更新。
地圖的如上迭代更新過程可應用于實現L4/L5級無人駕駛功能，生成相關的機器人控制模式，也可在商用車的實現中發力，最終實現無人駕駛甚至遠程駕駛。
面向量產的高精度融合定位解決方案
很顯然，高精地圖要實現精準定位和不斷向前延展提升其功能性能就必須通過不斷的優化自身的融合定位方案來獲得。這一過程包含兩個主要的軟件算法。其一是通過全狀態-擴展卡爾曼濾波進行車輛位姿的動態最優估計；其二是使用視覺傳感器獲取道路環境的語義信息，通過精確地圖匹配算法獲取精確位置。此外，需要提高經濟性、適配度及整體性能。通過選擇配置工業級車載終端RTK：采用高性能工業級32位處理器，內置高精度RTK板卡；通過3G/4G/5G與千尋平臺建立通道，把GGA信息發給差分服務器，同時接收差分信息后，再通過 RS232輸出精準位置信息。
通過選擇消費級傳感器，即已經在車上搭載完成的傳感器（如適用于智能駕駛系統的攝像頭、激光雷達雷達等信息）用于定位融合（如視覺SLAM、激光SLAM）提升定位性能。對于高適配性方案主要采用了獨有硬件適配層（如獨立的域控制器系統）及軟件適配層（如標準的C語言接口）避免對于平臺的依賴性。在高性能的需求中主要涉及對于橫向、縱向兩者定位的需求結果輸出。一般的，橫向定位誤差要求為20cm，縱向定位誤差要求為1m，航向角定位誤差為0.5°。同時，對于GNSS在縱向定位誤差上的信號丟失率應該小于0.3%。此外，還需要支持1000Hz的外置IMU及50Hz頻率的攝像頭輸入方案。
展開 
自動泊車技術分析
車端智能化主要依賴于融合式全自動泊車的傳感器配置，外加前視攝像頭、V2X設備等實現特定區域內的點到點自動駕駛、自動車位掃描、自動泊入泊出等功能。車輛自身具備車輛、行人等動態障礙物檢測和識別功能，可實現自動緊急制動、避障等決策規劃。場端智能化主要依托攝像頭檢測技術，實現停車場車位占用情況檢測，并上傳至停車場服務器，并實現為自主泊車車輛提前分配車位信息。
圖11
障礙物坐標檢測及多目標識別，超聲波傳感器單純的距離檢測能力在泊車預警輔助場景已可滿足使用要求，但是在智能化泊車應用場景、及多傳感器融合應用中還遠遠不夠。為此開發了障礙物坐標檢測技術及多目標識別技術，如圖12和圖13所示：
圖12
圖13
高精度車位檢測及車位融合基于超聲波傳感器可實現空間車位的探測、360環視攝像頭可實現線車位的檢測。同時結合超聲波傳感器及環視攝像頭的障礙物信息檢測，對車位進行多層次的融合，實現泊車位的高精度檢測，大大提升了泊車場景的覆蓋范圍。如圖14所示：
圖14
軌跡動態規劃技術泊車過程中有諸多不可控因素，如轉向系統執行速度與精度問題、參考障礙物位置變動問題等，導致在泊車過程中出現泊車軌跡偏離路徑規劃軌跡現象。為此開發了泊車軌跡動態規劃技術，可實現泊車過程中的軌跡實時修正甚至軌跡重規劃，如圖15所示：
圖15
室內定位技術如圖16所示，通過采用視覺SLAM+標簽輔助定位方式，解決地下停車場無GPS的問題，同時通過多源信息融合，提升定位精度。
展開 低速自動駕駛技術：APA
為此開發了泊車軌跡動態規劃技術，可實現泊車過程中的軌跡實時修正甚至軌跡重規劃，如圖15所示：
圖15
▲室內定位技術
如圖16所示，通過采用視覺SLAM+標簽輔助定位方式，解決地下停車場無GPS的問題，同時通過多源信息融合，提升定位精度。（劃重點，做筆記。）
圖16
▲基于視覺的停車場車位狀態檢測技術
如圖17所示，通過停車場安裝的監控攝像頭，基于深度學習算法，實現車位占用狀態的實時檢測，并將此信息上傳至停車場車位管理后臺服務器，為自主泊車車輛提供可泊車位信息。
圖17
▲全局與局部路徑規劃技術
如圖18所示，基于A*算法實現任意兩點間的全局路徑規劃，支持路徑規劃重置、選路以及速度規劃功能，同時結合實時環境感知狀態，進行局部路徑規劃，實現緊急制動、 跟車巡航以及換道避讓、 換道超車等自主決策。
展開 