1 引言

近年來，無人駕駛技術得到了迅猛的發展。如何實現高精度行車定位是實現大規模無人駕駛的一大障礙。目前，全球定位系統（GPS）的定位技術是使用最廣泛的車輛定位手段，然而無人車在城市環境中， GPS多路徑反射的問題會很明顯。這樣得到的GPS定位信息很容易就有誤差。對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致交通事故。差分GPS（DGPS）利用GPS偽距碼可以達到1-2米的精度，但這還遠遠的精度要求。慣性導航系統（INS）在GPS信號衰減或信號丟失時經常被用來定位車輛，但極易產生累積誤差。為了實現無人駕駛車道級的定位需求，利用多定位源進行輔助定位是研究熱點。本文從車載傳感器和射頻信號等定位源，綜述了現有滿足車道級定位需求的各種定位手段，指出了各種定位源優缺點，并討論了無人車高精度定位的未來發展。

2 無人車高精度定位現狀

目前，主要使用有GNSS信號、車載傳感器信號和射頻信號等定位信號源。GPS能提供全局環境的定位，是具有當前無人車定位不可或缺的技術。INS具有短期定位精度與數據采樣頻率較高的特點，為GPS系統提供相關輔助信息。然而由于無人駕駛對可靠性和安全性要求非常高，在復雜的環境中，基于GPS和慣性傳感器的定位并不能實現車道級的高精度定位，因此常常需要結合其他定位方式。

2.1 基于RTK的定位方法

RTK是利用載波相位差分進行實時動態相對定位的技術。基準站將觀測數據通過通信鏈路傳送到附近的若干移動站接收機。移動站通過接收的數據、基準站的位置和采集的GPS觀測數據進行載波相位差分定位。從而求得精確的位置信息。當基準站只有一個時為單基站差分GPS系統。當有多個基準站時，即為多基準站差分GPS系統，也稱為網絡RTK（NRTK，Network RTK）。

2016年5月，基于我國自主建設的北斗衛星導航系統（BeiDou Navigation Satellite System，BDS）的千尋北斗地基增強網絡開始向用戶提供高精度定位服務。該服務基于RTK的差分定位原理，依托遍布全國的衛星定位地基增強站，融合各類定位技術，以互聯網的方式提供全天候高可用的差分播發服務。黃永帥等人在武漢、重慶兩地分別對千尋北斗地基增強網絡的RTK定位服務進行了性能測試。結果表明，其定位性能能夠達到實時RTK厘米級。

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、相機和微波雷達。

2.2.1 基于視覺定位方法

Julius Ziegler等人利用視覺檢測車道線和類似道路，然后再基于精確的地圖進行相對定位。 他們開發的無人車Bertha經過實測，在精度方面能與能實現車道級的定位精度。 Gerrit Bagschik等人也提出了使用車道級地圖進行地圖相對定位的方法。這些方法均需要預先建立精準的地圖，同時地圖還需不斷的更新。Dayang Nur等人利用傳統的單目視覺測距系統與GPS融合結合Open Street Map地圖提供的道路信息確定每個車道的概率因子，從而實現了車道級的定位。

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

圖1 雙目視覺里程計的具體計算流程

張高明采用SURF特征描述子，基于快速近似最近鄰（FLANN）算法進行前后幀的匹配,基于RANSAC算法對匹配對集合進行有效性篩選，并依據三角化方法估計匹配點對的三維坐標，最后，基于P3P算法由匹配對估計前后幀的相對運動。從而實現了基于視覺里程計的自定位。

SLAM起源于機器人領域，SLAM問題可以描述為：機器人在未知的環境中進行移動，在移動的過程中根據位置估計和傳感器數據進行定位，同時創建增量式的地圖，目前，基于視覺的同時定位與地圖構建技術（V-SLAM）迅速發展。同時也為無人車利用視覺同時定位與地圖構建奠定了基礎。

2.2.2 基于激光雷達點云數據與高精地圖匹配方法

激光雷達（LiDAR）一般由激光光源發射機、光學接收設備、信息處理系統等部分組成。電脈沖通過激光光源發射器轉變為光脈沖發射，光學接收設備將目標反射來的光波信息轉變為電脈量。通過從接收到反射的時間差來測量距離目標的距離，在結合激光發射的角度推導出位置信息。在無人車行車的過程中，激光雷達以一定的頻率勻速轉動，在這個過程中不斷地發出激光并收集反射點的信息，每旋轉一周收集到的所有反射點坐標的集合就稱為點云（point cloud），點云信息就反映了車輛的全方位的環境信息。預先通過激光雷達采集點云信息，制作成高精地圖，當無人車再次進入該環境時，通過點云信息的分析和匹配，即可實現高精度的定位。

王靜等人結合具有三維激光掃描和全景數據采集功能的移動測量車采集的相關道路數據，從這些數據中提取了車道數、車道寬等屬性數據，制作了基于點云的車道級道路電子地圖。Markus Schreier通過使用64線激光雷達和廣角攝像頭結合的方法提取道路信息加上配備的高精度GNSS能夠達到10cm精度。

2.3 基于射頻信號定位方法

射頻識別（Radio Frequency Identification, RFID），是一種利用射頻信號自動識別目標對象并獲取相關信息的技術。RFID具有的非接觸、非視距和成本低等優點。RFID主要包括標簽、讀寫器和天線等部分。將RFID技術應用到定位系統中，可以顯著提高定位系統的精度。加利福尼亞大學的Eun-Kyu Lee等人提出了一個采用RFID技術的定位系統RF-GPS，該系統采用差分GPS和路邊單元上的RFID標簽獲得車道級精度的位置數據，當GPS不可用或非GPS車輛遇到具有準確位置數據的車輛時，它們通過RFID和無線網路交換位置和行駛信息，來獲取準確的位置信息。湖南大學的C. Zheng等人提出了一種基于RFID和視覺的新型定位系統。在這個系統中，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通信和測距實現車道級定位。

2.4 多源融合定位方法

上述的各種定位方法雖各有優勢，但也存在各自的局限。基于射頻信號的定位方式中，信號受多徑效應和定位環境的影響而產生誤差，區域布置RFID參考標簽的拓撲結構及密度也直接影響了定位的精度。實時動態（RTK）載波相位信息在復雜的動態環境中容易信號退化或信號丟失，只能在很短的時間內達到高精度。基于視覺的定位方式易受光照環境和運動速度影響。基于激光雷達的定位方式價格較為昂貴，成本較高。為了滿足無人駕駛對可靠性和安全性的高要求，多源融合定位成為了現在研究的熱點。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果，然后對各定位結果進行信息融合。緊耦合是根據各類傳感器得到的不同類型的觀測參量進行融合。多源融合定位于其精度上優于單一定位源，具備更好的魯棒性以及可靠性。為了實現車道級的定位精度，通常在無人車行車環境中，尋求多定位源并進行多源融合。 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展趨勢

目前，Google公司的無人駕駛汽車已經進行了上路測試， Baidu公司也于2017年4月開放了自動駕駛平臺Apollo，同時百度將與金龍汽車合作生產一款無人駕駛小巴車，在2018年7月份左右量產。無人車的高精度定位作為無人駕駛技術核心技術之一，已經日趨成熟。在無人車行車環境中，探索新的定位源是未來發展方向之一。