高精定位的案例
國內首個L3級自動駕駛之城誕生，高精定位和高精地圖成為關鍵支撐
作為自動駕駛重要的感知傳感器，高精地圖和高精定位是L3級自動駕駛功能實現的關鍵支撐, 已基本成為L3車型的標配。
基于ADAS和Tbox領域積累的開發經驗，經緯恒潤自主研發的高精地圖及定位系統，集成實現了高精定位、高精地圖播發、時間同步、OTA等功能，能夠支持智能相機、激光雷達、輪速等信息輸入，能夠實現車道級定位，能夠支持HWP、ALC、NOP等L2以上智能駕駛功能的實現。
· 支持L2+及以上的智能駕駛功能
· 能夠精確提供前方道路的詳細信息，例如道路曲率、坡度、車道線、地理圍欄等
· 支持高精地圖數據OTA升級
· 支持車道級定位
· 支持感知信息擴展輸入（智能相機、激光雷達等）
· 支持高精時間同步（CAN、Ethernet）
經緯恒潤高精地圖及定位系統已于2019年搭載廣汽埃安AION LX成功量產，是國內較早實現量產落地的高精地圖及定位系統，目前還成功配套于紅旗、上汽、長城、江淮等主流客戶，產品性能得到了客戶們的廣泛認可。
科技發展日新月異，未來充滿未知與挑戰！經緯恒潤將繼續憑借優秀的技術團隊和持續創新的進取精神，與所有客戶一起攜手并進，砥礪前行，為汽車智能化的發展貢獻自己的一份力量！
經緯恒潤智能駕駛產品線涵蓋環境感知系統、決策規劃系統和控制執行系統，具備向上集成完整智能駕駛方案的軟硬件產品基礎，是目前國內少數能夠實現覆蓋智能駕駛電子產品、研發服務及解決方案、高級別智能駕駛整體解決方案，能夠提供智能駕駛全棧式解決方案的供應商。未來，經緯恒潤將緊跟汽車行業發展大勢，堅持自主創新，努力為國內外客戶提供優質的產品和服務，為汽車行業的發展貢獻自己的一份力量！
展開 高精定位模塊（LMU）
概述
經緯恒潤LMU（Location and HD-MAP Unit）高精定位系統，主要實現以下功能：實現道路級定位，能夠準確識別車輛是否在高速公路和城市快速路上；實現車道級定位，輸出自車所在車道，支持L2+及以上的自動駕駛功能；能夠準確持續提供前方道路的曲率、坡度、車道等信息；支持DOTA/FOTA升級。
產品功能
??車道級定位，為高度自動駕駛提供準確的車輛位置
??提供前方道路信息
道路信息，包括曲率和坡度等信息
車道線信息，包括車道數量、車道線類型等信息
交通標志等信息
??FOTA/DOTA
硬件方案
??核心芯片
NXP S32V
??通信接口
CAN-FD
Ethernet
??eMMC 16G及以上
??IMU
配套客戶
展開 高精定位如何破解其短板和困局
作者 | Aimee.彭祥旭
出品 | 焉知
在自動駕駛系統設計過程中，對于高精地圖定位而言需要采用GNSS/GPS來進行車輛位置定位。而GNSS/GPS對于自動駕駛定位精度要求來說存在如下差異或局限性：
1）GNSS/GPS需要持續的外部衛星信息才能定位，一般情況下，GPS相對于1-3米之間的定位精確度不足，而受到建筑物、高架、隧道、樹葉的遮擋定位信息卻更會出現中斷或削弱；
2）GNSS/GPS定位的頻率相對較低，測量采樣頻率又強受限于傳感器輸出頻率，故此GPS定位精度遠達不到對自動駕駛的需求；
一般的，定位誤差對于自動駕駛檢測性能來講在如下場景上問題顯現的尤為嚴重：
a）車輛換道超差
HWP的自動換道過程要求車輛對自車道及相鄰車道具備較高的定位精度，因為車輛定位錯誤可能導致車輛進入禁止換道車道，也可導致換道超調換入第三車道。
b) 擁堵跟車碰撞
當道路發生交通擁堵時，定位誤差可能導致前后車輛距離較近，參照當前跟隨控制算法時，可能導致前后輛車發生追尾、剮蹭等事故。
c) 故障停靠
當自動駕駛功能出現故障時，系統可能規劃自車軌跡到應急車道或在本車道進行安全停車。如定位出現較大誤差時，可能直接反方向停止到超車道上。
d) ODD發送錯誤
車輛實時定位不準確時，高精地圖發出的ODD和EHP信息將產生偏差，影響車輛控制決策，危及車輛安全。
如上所述，如果僅采用傳統高精度定位的方式，我們無法完全信任其檢測結果。這是就需要找到另一種方法來更加準確地確定車輛在地圖中的位置。
展開 戴世陸海峰：高精定位P-Box的發展趨勢
沒有高精度地圖自動駕駛很痛苦
新冠疫情以后，L2已成燎原之勢，像卡羅拉、飛渡這樣的車也有L2，L3也成為了一個大趨勢。
自動駕駛1到5級，一度大家對L3以上覺得是不切實際的概念。但是到今天行業各個領域的專家都對各類Pilot功能充滿了憧憬。所謂“脫手”，不管是在高速上，還是擁堵路況都非常有吸引力。
為什么需要使用“定位盒子”，不如問為什么需要高精度地圖？定位盒子就是為了高精地圖服務的支撐組件。就我個人而言，對我來說開車是一件沒太大樂趣的體力勞動。特別是有些時候駕駛很痛苦，對路況不熟悉經常開錯匝道，如果沒有高精度地圖，自動駕駛也是很痛苦的。
我體驗了不少沒有高精度地圖的高級輔助駕駛車輛，臨了發現這個道不能直走的時候，做了硬性變道，給乘員的感覺很突兀，也喪失了安全感。
所以，“電子地平線”是現在比較流行的概念，已提了很多年，至少向前3公里，向后1公里，這是自動駕駛給我們帶來的最大的可能性。
三大傳感器中目前用于定位的只有一個——攝像頭，說的是橫向車道保持。而自動駕駛發展非常快，很快要上激光雷達，毫米波點云也會上，到目前為止，像小鵬已經批產的高精度定位是三冗余系統。
GNSS是衛星系統，INS是慣性導航系統，CAM是攝像頭。三者在定位方面都各有優缺點，點越大，說明精度越差，達到一定程度就成為了紅色，是不可接受（NO GOOD）。
隨著時間推移這個點會變大，圈也在變大，INS密度非常高，刷新率是GNSS無法比擬的。
展開 
這家高精定位巨頭，為何拼命盤活「北斗＋」生態？
而高精度定位作為低速無人駕駛中智能感知的重要組成部分，基于GNSS和 IMU 技術，可為低速無人駕駛車輛、設備提供實時的高精度位置、速度、時間信息，能夠在全場景下幫助汽車實現精準定位，為智能駕駛決策提供可靠的依據。
例如，全球領先的高精度定位方案商千尋位置，則基于北斗衛星系統（兼容GPS、GLONASS、Galileo）基礎定位數據，利用遍布全球的3700多個地基增強站、自主研發的定位算法及大規模互聯網服務平臺，為用戶提供厘米級定位、毫米級感知、納秒級授時的時空智能服務。
但從當前整個北斗產業生態格局來看，如千尋位置一般，能夠打通北斗時空智能產業生態的業內玩家并不占多數，產業鏈上下游仍以中小企業為主。
伴隨著行業洗牌加速，擁有硬核技術實力、缺乏資金的中小企業，如何利用北斗上下游生態賦能，搶先落地、快速贏占份額，不僅是其在市場洪流中站穩腳跟的保障，亦是企業穩步發展的重要舉措。
北斗智能市場起跑，直擊生態痛點
據中國衛星導航定位協會發布的《2022中國衛星導航與位置服務產業發展白皮書》顯示，我國衛星導航與位置服務產業總體產值已達約4700億元，中國北斗所帶來的高精度位置服務，正在進一步深度融入各行各業。
有業內人士表示，北斗在大眾應用市場擁有廣闊的發展空間和巨大的商業潛力，但由于高精度定位相關產品價格偏高，在民用大眾化方面依舊缺位，其規模化應用亟需業界協同推進。
如何進一步完善北斗產業生態系統，凝聚生態集群力量，值得產業鏈上下游深思。
從行業現狀來看，一方面，業內中小微企業數量眾多，不少資金較為薄弱、缺乏客單的企業，通過線下獲取商機成本高、效率低；另一方面，單純的硬件售賣形式已無法滿足客戶需求，配套線上售前對接、售后服務成為剛需。
展開 高級別智能駕駛業務系列：自動駕駛系統
并且，會針對不同作業貝位，在滿足作業需求的前提下，優化路線，保證更高的行駛速度，提高生產作業效率。
高精定位系統
園區無人駕駛，尤其是港口場景，運輸設備的高精定位是一座必須逾越的高山。港口場景，面臨著多種復雜的工況環境，時而空曠無任何參照物，時而集裝箱、岸橋場橋鋪天蓋地的遮擋。這對于非磁釘類以衛星定位系統為主的高精定位方案，尤其是一種挑戰。經緯恒潤在港口不斷地挖掘解決方案，形成了一整套組合方案，完美地解決了港口場景下高精定位技術難題。經緯恒潤高精定位方案包含組合導航定位系統、特征匹配、車身信息、傳感信息、高精地圖、超寬帶UWB系統等。通過多種定位手段與多種傳感器數據融合技術，基于港口實際工況和已有的基建設施，在不同區域采用不同的定位思路構建了平滑切換的策略。高精定位技術解決了港區內因GNSS信號遮擋和多徑反射引起的無信號或信號漂移導致定位不準確的問題，滿足了自動駕駛水平運輸車輛運行全過程橫向和縱向定位準確以及在安全作業的精準停車需求。
自動駕駛感知算法
經緯恒潤感知算法基于激光雷達、攝像頭、4D毫米波雷達、角毫米波雷達等多種傳感器進行深度的人工智能感知和感知融合，對車輛周圍360°環境進行多重感知。感知方案不僅考慮了冗余性、容錯性、魯棒性，并能在惡劣天氣情況依舊給予無人駕駛系統必要的感知信息，從而保證車輛正常的安全運行。數據處理方面，采用多源傳感器融合方案并考慮時空同步，針對不同的需要識別的障礙物，結合各個傳感器的感知性能優勢特性，進行針對性的檢測，能提供雨、雪、大霧等多種環境下的高精度的感知方案。不同的傳感器探測范圍相互配合，可以提供冗余感知和相互校驗能力，提升最終的自動駕駛感知置信度和安全能力。
展開 高性能自動駕駛域控制器的關鍵要素設計
對于激光雷達而言采用以太網的傳輸方式，則需要充分考慮到原始數據源的數據量，目前看來，主流的百兆激光雷達能承載的數據量相對較少，而對于高線束的激光雷達則需要千兆以太網進行數據輸入。
而ethernet接口通常采用Broad-R-Reach能達到車規級，也可在量產開發中預留RJ45接口作為調試接口。
此外，自動駕駛中的通常會采用多路毫米波雷達介入相關感知數據。一般采用至少五組毫米波雷達進行感知輸入，正常情況下則至少需要5個以上的CANFD連接端。在一般的SOC芯片設計中不會設置如此多的CAN通道數，正常情況下設置4路CANFD是比較常見的。因此，毫米波雷達量產的時候可通過CAN ID號區分雷達的不同位置，因此只要帶寬足夠，多個雷達可以同時掛到一個CAN總線上，這樣可以節省不少CAN接口。
3、高精定位輸入及處理策略
對于高精定位輸入接口設計而言，在下一代自動駕駛系統的輸入接口也通常沿用當前的狀態，采用ethernet進行輸入，而原始地圖眾包或點云數據通常出現較大的數據量，這就要求以太網升級為至少1000M/s以太網，以確保數據量的無疏漏且實時的傳輸。同時高精定位源會實時接入外圍感知定位數據端，包括IMU、RTK甚至輪速信息等，因此設計過程中需要預留更多的以太網接口。
而在高精定位處理策略中，則是將原始的分布式數據處理方式變更為集中式數據處理方式。即，原始地圖定位端只提供地圖眾包數據，上層ADS域控制器處理的信息則更多的需要融合IMU、輪速、RTK等數據信息。這使得整個定位融合算法會較多的占用MCU芯片的算力，一般情況下這種數據融合會放置到SOC中進行，這樣可以再確認定位信息無疏漏的情況下，大大減少MCU的算力負擔。
展開 自動駕駛汽車是如何利用高精度地圖和高精度定位來進行“導航”的
高精定位方案中，共有三部分相互重盈的定位子系統：
一、衛星定位，包括RTK 定位技術、地基增強網絡等；
二、航位推算引擎，包括 IMU 、車身里程計、以及車輛控制系統的總線信息；
三、基于高精地圖的相對位置。
三部分之間信息相互藕合，結果相互冗余，從而保證定位的精度和可靠性。
我們來看看行業最具代表性的百度Apollo 2.0的多傳感器高精度定位的實現方式。
按照百度 APollo的劃分，適用于自動駕駛汽車的定位技術可由六部分組成，分別為：
慣性導航（定位）、衛星定位、磁力導航（定位）、重力導航（定位）、激光點云定位、視覺定位。
不同部分之間優勢互補，定位結果之間相互重疊以矯正誤差，提高定位精度和魯棒性。
以 Apollo2.O 多傳感器融合定位模塊為例，以IMU為基礎的慣性導航解算子模塊、以地面基站和車端天線為基礎的 GNSS 定位子模塊、以及以激光雷達、高精地圖為基礎的點云匹配子模塊相互融合，輸出一個 6 DOF（自由度）位置和姿態信息，并且融合結果反饋給 GNSS 定位和點云定位子模塊，提高兩定位模塊的精度。在該框架中， GNSS定位模塊向系統提供車輛絕對位置信息，而點云定位模塊向車輛提供相對距離、相對位置信息。
③感知完周邊環境和自我位置之后，高精度地圖接下來用于進行決策支持。在規劃與決策層面，高精地圖除了用于自動駕駛汽車車道級別的線路規劃外，還能夠為決策和識別算法提供支持。例如，當車輛駛近人行橫道——高精地圖上標注的“興趣區”時，識別算法將提前進行模型比較，提高對各類行人姿態的識別準確率，同時降低車速，避免事故的發生。
展開 集中式自動駕駛控制域中的高精地圖數據解析算法
由此，我們在前期設計域控制器時，就需要從算力（包含AI算力以及邏輯算力）、帶寬、DDR、eMMC、接口資源需求以及功能安全需求等幾個方面充分考慮其是否能夠完全滿足高精定位系統的需求。
小米收購深動科技：5 億人民幣，買了什么技術？
而深度科技表示，像素級別感知系統可以識別樹木、柵欄、馬路牙子、綠化帶等，而 3D 場景重建最大的作用就是讓車輛可以知道自己與道路中其他交通參與的運動關系，CEO 蔡銳則表示，目前公司的技術已能實現前后 30 - 40cm、左右 10 - 20cm 的定位精度。
這套系統的另一個功能以及優勢，則是其能夠采集高精地圖并幫助車輛實現高精定位。
硬件上，采集高精地圖依靠的是三個攝像頭、GPS 與 IMU 模塊。攝像頭拍攝到道路畫面后，設計好的軟件會從畫面中提取出車道線、路牌、道路邊界等關鍵信息。而融合了視覺、GPS 信號和 IMU 慣導輸出的 SLAM 算法，則負責提供構建地圖必須的精確的位置信息。
有高精地圖后，無人車在行駛時可以將采集到的圖像與高精地圖中的輔助定位信息進行比對，再結合著 GPS 與 IMU 慣導模塊，來確定車輛的的精確位置，例如在道路的哪條車道里面，從而實現高精定位。
綜上所述，深動科技雖然成立時間不上，但在自動駕駛核心技術方面已經有了非常強的深入，而小米要做自動駕駛顯然繞不開感知、定位相關的技術，而高精地圖是否自建雖然還不一定，但技術掌握在自己手里永遠不會過時。
深動科技這個建圖的方式其實與特斯拉比較類似，都是用 SLAM 算法生成，雖然特斯拉不叫它為高精地圖，而這種方式的優勢是，可以快速普及所有車輛實現單車建圖能力。
小米 + 深動科技 = 雙贏
從收購這件是本身上，肯定是雙贏的結果，資本不會做無利的交易，這是定律。
對于小米而言，造車除了三電系統、工廠等，最最重要的就是自動駕駛能力，這是小米車輛在量產后活下去的根本。
展開 BEV圖像處理對自動駕駛系統的性能優化
BEV的定位建圖
此外，BEV圖像可以很好的實現地平面估計、道路分割和3D目標檢測，生成質量較高的車道級Layout。這一過程主要依靠端到端深度學習架構直接從視覺圖像、激光點云、毫米波點云中進行估計，估計的過程會充分考慮到三者各自所具備的優勢，進行權重分配，實現有效的前融合和后融合。
如上圖所示，在視覺處理端口，整個傳感器數據融合過程接收輸入端的各個方向的攝像頭感知結果，生成視覺多任務模型，這些任務包含2D感知、深度和路面高程、動態目標3D檢測，生成多攝像頭融合模型，該模型用于俯視動態目標3D檢測實現道路俯視圖語義分割。
而在整個雷達處理端口，接收整個激光雷達和毫米波雷達輸入，再進行點云拼接，然后利用點云朵人物模型進行3D檢測和語義分割，結果輸入視覺和點云融合模型進行增強的道路俯視圖語義分割并生成動態目標3D檢測，最后生成語義預測模型。
BEV的這種道路布置輸出對于自動駕駛開發來說是非常好的一種檢測能力，基本可以看成一種偽高精地圖，甚至可以實現車道級的定位和預測，并且實時性相對于眾包建立的高精地圖高很多，這就不僅能夠很好地解決高精地圖所能解決的很多定位問題，可以很好的幫助解決一些定位相關的邊緣極端場景。
比如高精定位的更新速度往往是按照月級進行更新，這就意味著，當由于道路施工等場景下，高精定位并不能進行有效的實時更新，其更新速度和能力的短板導致自動駕駛系統往往不能將實時道路信息納入到態勢評估的考慮范圍，這就導致在自車的軌跡規劃中不能充分進行風險規避。而BEV圖像由于是實時生成的“地圖信息”，這就能夠很好的解決對于環境實時性定位的問題。
展開 
面向未來的智能駕駛關鍵設計要素：融合定位
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。
除開地圖整體架構設置外，對于其數據發布模式也要求具備最小流量成本來完成高精度地圖更新，支持流式增量發布。這一過程包括流式發布適量瓦片、增量更新數據，瀏覽豐富數據集并區分目錄、層級、瓦片，做到能夠分層查詢。最后按需檢索云端歷史數據，隨時追溯到任意版本信息。
地圖分發與地圖縱包
高精地圖最重要的過程是包含地圖眾包的采集與分發。關于眾包式地圖數據的采集，實際上可以理解為用戶通過自動駕駛車輛自身的傳感器，或其他低成本的傳感器硬件，收集的道路數據傳到云端進行數據融合，并通過數據聚合的方式提高數據精度，來完成高精地圖的制作。整個眾包流程實際是包括物理傳感器報告、地圖場景匹配、場景聚類、改變檢測與更新。
基于地圖開發的自動駕駛的全新架構將面向何方？
當前自動駕駛系統的高精地圖架構仍然面向分布式方式，其重點關注項包含地圖眾包采集，地圖盒子對于高精地圖原始信息的解析，地圖如何對其他傳感器輸入數據進行融合等方面。這里我們注意一點，未來的自動駕駛系統架構中將不斷的從分布式的開發方式進化為集中式。
展開 續航超400km 純電動車不用擔心長途旅行路上沒電
“雅典娜”自動駕駛軟件由武漢環宇智行研發團隊自主開發而成，包含高精地圖引擎、多傳感器融合方案的高精定位、云端車輛控制、車輛平臺適配和控制、基于深度學習的車輛行人識別、自動駕駛路徑規劃軟件等一系列開發套件。這套軟件可幫助廣大自動駕駛行業的開發者、車企、科技企業，快速驗證無人駕駛技術，同時適合在自動駕駛網約出租車、重卡編隊等場景進行商業化開發。
來源：中國新聞網
智能座艙全艙感知系統SCSS
智能座艙系統級解決方案具備感知能力、呈現能力和處理能力，包含攝像頭模組、麥克風、 氛圍燈、流媒體后視鏡、增強現實抬頭顯示、智能座椅、域控制器等部件，可深度融合 ADAS、TBOX、車身、高精地圖等信息，打造一體化智能座艙解決方案。
系統解決方案
基本功能
經緯恒潤智能座艙方案具備駕駛員監控系統（疲勞檢測、抽煙檢測、打電話檢測、注意力檢測）、FaceID認證、、自動座椅調節、情緒氛圍燈、智能提神模式、智能天窗、AR-HUD 融合顯示等組合功能。
艙內攝像頭
經緯恒潤具備成熟的艙內攝像頭產線和開發布置能力，可針對用戶需求進行適配。兩百萬像素高清攝像頭滿足艙內精確識別需求，超大視場角實現座艙全覆蓋（DMS 視場角：H:58° ,V:47.6°；OMS 視場角，H:110° ,V:68°）。
左：DMS 右：OMS
圖示 SCP控制器ECU
圖示 安裝位置
產品優勢
具備駕駛員及乘客視覺檢測功能，支持多模語音輸入，深度融合車內車窗、車門、座椅、高精定位模塊、AR-HUD、氛圍燈， 具備系統級解決方案能力
成熟的攝像頭模組開發經驗以及控制系統集成能力
專業的整車布置支持團隊
擁有自主完整的 AA 組裝、標定以及 EOL 的生產制造工藝流程
完備的供應鏈體系
系統級、車規級解決方案
產品定制化開發服務
配套客戶
展開 自動駕駛關鍵技術淺析
高精地圖
多傳感器融合建立高精地圖。融合激光雷達、相機和毫米波雷達等多種傳感器，通過卡爾曼濾波、擴展卡爾曼濾波等融合算法以及激光雷達、相機的坐標轉換算法（激光雷達—相機聯合標定），建立高精地圖。
不僅提升車端感知性能、拓展自動駕駛新功能、動態建圖等相關應用。
1）地圖匹配。高精地圖有著更多維度的數據，比如道路形狀、坡度、曲率、航向、橫坡角等。通過更高維數的數據結合高效率的匹配算法，高精度地圖能夠實現更高尺度的定位與匹配。
2）輔助環境感知。對傳感器無法探測的部分進行補充，進行實時狀況的監測及外部信息的反饋 ：傳感器作為無人駕駛的眼睛，有其局限所在，如易受惡劣天氣的影響，此時可以使用高精度地圖來獲取當前位置精準的交通狀況。
3）路徑規劃。對于提前規劃好的最優路徑，由于實時更新的交通信息，最優路徑可能也在隨時會發生變化。此時高精度地圖在云計算的輔助下，能有效地為無人車提供最新的路況，幫助無人車重新制定最優路徑。
高精定位
把自動駕駛汽車上傳感器感知到的環境信息與高精地圖對比，得到車輛在地圖中的精確位置。高精度地圖起到了高精定位、輔助環境感知、規劃與決策等功能。
自動駕駛通過人工智能算法決策做出車道及路徑規劃，給制動、轉向、加速等控制器下達指令，控制車輛開往目的地。
規劃決策
自動駕駛決策系統分為任務規劃、行為規劃、動作規劃三個部分。決策層主要負責路線規劃和實時導航。規劃和實時導航不僅高精地圖，還要V2X通信網絡技術的支持。無人車為了某一目標而作出一些有目的性的決策過程。
展開 