車聯(lián)網(wǎng)環(huán)境下車輛協(xié)同高精度定位研究進(jìn)展

閔海根 ，宋曉鵬，程超軼

（1.長安大學(xué)信息工程學(xué)院，西安 710064；2.“車聯(lián)網(wǎng)”教育部-中國移動(dòng)聯(lián)合實(shí)驗(yàn)室，西安 710021； 3.浙江省交通規(guī)劃設(shè)計(jì)研究院有限公司，杭州 310017）

1 引 言

近年來，全球關(guān)于智能交通系統(tǒng)應(yīng)用的研究取得了迅速發(fā)展，其目標(biāo)是利用計(jì)算機(jī)、通信、傳感等技術(shù)的進(jìn)步實(shí)現(xiàn)更加安全、高效、節(jié)約能源、環(huán)境友好和舒適的交通系統(tǒng)。由此涌現(xiàn)了一系列新的技術(shù)，如導(dǎo)航、各種駕駛輔助技術(shù)、車路協(xié)同乃至自動(dòng)駕駛等[1-2]。這些技術(shù)的實(shí)現(xiàn)往往需要某種定位手段來獲得車輛的位置[3]。獲取實(shí)時(shí)、準(zhǔn)確的車輛位置信息（如經(jīng)度、緯度、高度等）是許多智能交通技術(shù)的重要組成部分。根據(jù)智能車輛的不同應(yīng)用，對(duì)位置信息精度要求進(jìn)行了分類。其中，導(dǎo)航、地圖定位等對(duì)位置精度要求較低，誤差在10～20 m 范圍內(nèi)即可；協(xié)同自適應(yīng)巡航、協(xié)同路口安全、車輛隊(duì)列行駛等技術(shù)對(duì)位置精度要求中等，一般要求誤差在1～5 m 范圍內(nèi)；車輛碰撞預(yù)警、視覺增強(qiáng)、自動(dòng)泊車等技術(shù)對(duì)位置精度要求高，要求誤差在1 m 以內(nèi)；當(dāng)今無人駕駛技術(shù)的迅速發(fā)展對(duì)車輛的定位需求則更高，誤差一般要控制在20 cm 以內(nèi)[4]。這些技術(shù)日漸發(fā)展和普及的過程對(duì)車輛定位的準(zhǔn)確性、穩(wěn)定性和廣泛的可達(dá)性提出了更高的要求。更好的車輛定位服務(wù)已經(jīng)成為智能交通系統(tǒng)飛速發(fā)展大背景下的迫切需求。

隨著車載測量傳感器的種類不斷豐富，基于多源傳感器融合的車輛自主定位方法已經(jīng)有許多研究和相關(guān)成果。僅依靠單車自主定位方法仍然無法有效解決城市峽谷和長隧道等復(fù)雜環(huán)境的車輛全尺度定位問題。本文首先分析了當(dāng)前單車自主定位方法及其應(yīng)用，然后深入研究了多車協(xié)同定位中的協(xié)同定位框架、目標(biāo)關(guān)聯(lián)算法及多車協(xié)同融合算法，并對(duì)協(xié)同定位研究的難點(diǎn)和未來發(fā)展趨勢進(jìn)行了分析與展望。

2 車輛自主定位研究方法現(xiàn)狀

目前全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System, GNSS）已經(jīng)普及并且廣泛用于為車輛提供位置服務(wù)，如美國的全球定位系統(tǒng)（GPS）、歐洲伽利略（GALILEO）、俄羅斯格洛納斯（GLONASS）和中國的北斗[5]。在2020年6月，中國北斗三號(hào)系統(tǒng)最后一顆組網(wǎng)衛(wèi)星發(fā)射成功，標(biāo)志著北斗全球?qū)Ш较到y(tǒng)星座部署完成，共有55 顆導(dǎo)航衛(wèi)星在軌提供定位授時(shí)服務(wù)[6]。GNSS定位是一種便捷和成本低廉的定位方式，但具有諸多的局限性：一方面，它的誤差水平一般在10 m 左右，該定位精度不能滿足當(dāng)前自動(dòng)駕駛或其他許多智能交通應(yīng)用；另一方面，其受環(huán)境因素影響大，比如建筑物遮擋、大氣層干擾等因素都會(huì)使得GNSS 定位的可靠性和穩(wěn)定性下降。因此，需要更多的定位手段來彌補(bǔ)GNSS 定位的不足。

在車輛自主定位方法中，基于視覺和激光的即時(shí)定位與地圖構(gòu)建（Simultaneous Localization and Mapping, SLAM）技術(shù)的研究和發(fā)展[7-8]推動(dòng)了室內(nèi)移動(dòng)機(jī)器人、封閉園區(qū)低速物流配送車和無人駕駛觀光車應(yīng)用的發(fā)展和產(chǎn)業(yè)化落地。在視覺SLAM 研究領(lǐng)域，出現(xiàn)了許多杰出的工作。Mur- Artal 等人[9]提出了一種基于特征的單目 ORB- SLAM 系統(tǒng)，該系統(tǒng)選擇特征點(diǎn)和關(guān)鍵幀并獲得良好的性能，該系統(tǒng)可在小型和大型室內(nèi)和室外環(huán)境中實(shí)時(shí)運(yùn)行。LSD-SLAM[10]和DSO[11]放棄使用圖像特征檢測過程，而直接使用傳感器在特定時(shí)間段內(nèi)從某個(gè)方向接收的光度值來計(jì)算相機(jī)的移動(dòng)，依靠圖像像素的一致性，包括角落、邊緣和高紋理區(qū)域，利用光照不變性方法消除了亮度變化的影響。激光測量具有更好的穩(wěn)定性和精確性，當(dāng)前有許多實(shí)際產(chǎn)品基于激光SLAM 來實(shí)現(xiàn)定位和導(dǎo)航。Zhang 等人[12]利用曲率值來區(qū)分激光數(shù)據(jù)的邊緣點(diǎn)和平面點(diǎn)，對(duì)提取的激光特征點(diǎn)進(jìn)行匹配和篩選，通過正態(tài)分布變換（Normal Distribution Transform, NDT）[13]算法來尋找點(diǎn)云之間的最佳匹配關(guān)系并計(jì)算運(yùn)動(dòng)信息，但是該方法累積誤差較大，對(duì)環(huán)境要求較為嚴(yán)格。在前期工作的基礎(chǔ)上，Zhang 等人[14]融合圖像和激光數(shù)據(jù)構(gòu)建環(huán)境地圖，得到了在劇烈運(yùn)動(dòng)情況下仍可以高精度定位的結(jié)果。Ye 等人[15]提出了一種激光雷達(dá)（Light Detection and Ranging, LiDAR）和慣性測量單元（Inertial Measurement Unit, IMU）緊耦合融合方法，即使在快速運(yùn)動(dòng)或特征不足的情況下，該方法也能獲得很好的表現(xiàn)。Shan 等人[16]提出了一種輕量級(jí)的SLAM 方法，可以在低功耗嵌入式系統(tǒng)上實(shí)現(xiàn)實(shí)時(shí)姿態(tài)估計(jì)。隨著計(jì)算機(jī)視覺中深度學(xué)習(xí)（Deep Learning, DL）的發(fā)展，一些研究人員已將DL 引入SLAM 系統(tǒng)中用來完成語義分析、重定位或深度特征檢測等工作，如文獻(xiàn)所提到的系統(tǒng)所示[17-18]?；赟LAM 技術(shù)的定位，要求環(huán)境中要有豐富的可檢測特征。對(duì)于空曠的環(huán)境，如空曠的廣場，會(huì)因?yàn)槿鄙儆行卣鞫霈F(xiàn)匹配失??；對(duì)于高度重復(fù)單一的環(huán)境，如長隧道，會(huì)出現(xiàn)匹配錯(cuò)誤。

研究者認(rèn)識(shí)到，單一的傳感器無法克服復(fù)雜環(huán)境下定位不穩(wěn)定和精度差的問題，引入性能互補(bǔ)的GPS、IMU、輪速、相機(jī)、激光雷達(dá)等多模態(tài)傳感器的融合[19-21]，用低精度的傳感器實(shí)現(xiàn)了厘米級(jí)定位，且在沒有GPS 信號(hào)的隧道、地庫等場所，定位系統(tǒng)也能正常運(yùn)行，擺脫了對(duì)RTK 的依賴，如圖1 所示。面向自動(dòng)駕駛的高精度地圖采集與制作，正是利用了多傳感器性能互補(bǔ)的特點(diǎn)，按照數(shù)據(jù)采集、數(shù)據(jù)處理、元素識(shí)別和人工驗(yàn)證的流程進(jìn)行制作[22]?；诟呔鹊貓D的車輛定位，結(jié)合衛(wèi)星定位和特征定位互為冗余與補(bǔ)充的特性，實(shí)現(xiàn)車輛高精度高可靠定位[23-24]。

3 車輛協(xié)同定位技術(shù)研究現(xiàn)狀

車輛自主定位方法僅依靠單車車載傳感器有限的觀測信息，實(shí)現(xiàn)高動(dòng)態(tài)、復(fù)雜環(huán)境下的車輛高精度定位仍存在挑戰(zhàn)。隨著無線通信技術(shù)的發(fā)展，利用長期演進(jìn)技術(shù)-車輛（Long Term Evolution-Vehicle, LTE-V）通信或?qū)Ｓ枚坛掏ㄐ牛―edicated Short Range Communication, DSRC）可實(shí)現(xiàn)車-車和車-路V2X 通信[25]。5G 基站建設(shè)的完善，推動(dòng)了下一代移動(dòng)通信技術(shù)在智能交通中的應(yīng)用。利用5G 低延時(shí)、大帶寬的通信特點(diǎn)，可實(shí)現(xiàn)車聯(lián)網(wǎng)環(huán)境下大數(shù)據(jù)量的即時(shí)傳輸。這些無線通信技術(shù)為車輛協(xié)同定位提供了信息交互管道，更多的觀測信息量有助于提高車輛定位精度。

3.1 協(xié)同定位框架研究

車輛協(xié)同定位系統(tǒng)主要由傳感器數(shù)據(jù)獲取、車-車/車-路通信、測量目標(biāo)關(guān)聯(lián)和協(xié)同數(shù)據(jù)融合四大模塊組成。協(xié)同定位框架如圖2 所示。

（1）傳感器數(shù)據(jù)獲取模塊：目前用于車輛定位的傳感器主要有GNSS、慣性導(dǎo)航系統(tǒng)、激光雷達(dá)、毫米波雷達(dá)、相機(jī)和輪速傳感器。GNSS用于獲得車輛的絕對(duì)位置坐標(biāo)，利用慣性導(dǎo)航系統(tǒng)彌補(bǔ)衛(wèi)星信號(hào)短時(shí)間內(nèi)不可用的缺點(diǎn)，在特征豐富的環(huán)境下基于激光雷達(dá)、相機(jī)、毫米波雷達(dá)進(jìn)行相對(duì)定位可以獲得較高的定位精度，輪速傳感器提供輔助定位信息可提高系統(tǒng)穩(wěn)定性[20,26]。

（2）車-車無線通信系統(tǒng)：通過 LTE-V、DSRC 或第五代無線通信系統(tǒng)（5G），車輛之間可以進(jìn)行信息的傳遞[27-28]，通過車-車通信向附近環(huán)境車輛發(fā)送本車的絕對(duì)位置和本車車載傳感器測量得到的環(huán)境車輛相對(duì)位置信息；通過車-路通信接收到路側(cè)分享的絕對(duì)位置和路側(cè)傳感器檢測的車輛目標(biāo)相對(duì)位置信息。

圖2 協(xié)同定位總體框架圖Fig.2 Cooperative localization framework

（3）測量目標(biāo)關(guān)聯(lián)模塊：該部分主要解決的問題是確定通信接收到的車輛目標(biāo)與車載傳感器探測到的車輛目標(biāo)之間的對(duì)應(yīng)關(guān)系[29-30]。在關(guān)聯(lián)過程中，一方面可以利用檢測的目標(biāo)特征，另一方面可以結(jié)合目標(biāo)自身的位置、航向等屬性。根據(jù)車輛周圍環(huán)境，自適應(yīng)調(diào)整參與數(shù)據(jù)共享的鄰居車輛或路側(cè)節(jié)點(diǎn)數(shù)。

（4）協(xié)同數(shù)據(jù)融合算法：在協(xié)同定位中，融合結(jié)合多車間帶噪聲的絕對(duì)位置和相對(duì)位置信息，融合估計(jì)出更加準(zhǔn)確的本車和環(huán)境車輛絕對(duì)位置[31-32]。在數(shù)據(jù)融合中，需要考慮多模態(tài)傳感器同步問題和傳感器標(biāo)定關(guān)鍵問題。數(shù)據(jù)時(shí)間不同步問題會(huì)影響每一級(jí)信息融合結(jié)果的精度，從而影響車輛定位的可信度。傳感器標(biāo)定是融合的基礎(chǔ)，實(shí)現(xiàn)各傳感器坐標(biāo)系之間的快速轉(zhuǎn)換，統(tǒng)一描述。

3.2 目標(biāo)關(guān)聯(lián)算法研究

在目標(biāo)關(guān)聯(lián)算法研究方面，已經(jīng)有許多成熟的算法可以利用，如最近鄰數(shù)據(jù)關(guān)聯(lián)算法（NNDA）、概率數(shù)據(jù)關(guān)聯(lián)算法（PDAF）、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法（JPDAF），基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)目標(biāo)關(guān)聯(lián)算法在近幾年也被廣泛關(guān)注。目標(biāo)關(guān)聯(lián)算法流程如圖3 所示。

NNDA[33]主要解決關(guān)聯(lián)門[34]的大小和關(guān)聯(lián)門內(nèi)目標(biāo)匹配這兩個(gè)問題，關(guān)聯(lián)門就是以上一幀的跟蹤目標(biāo)為中心劃分的空間區(qū)域。最近鄰數(shù)據(jù)關(guān)聯(lián)的基本思想是把關(guān)聯(lián)門作為圖像搜索空間的子空間，在關(guān)聯(lián)門內(nèi)選用與關(guān)聯(lián)門中心最近的目標(biāo)作為匹配，其他所有的目標(biāo)都不予考慮，把它們當(dāng)作其他跟蹤目標(biāo)的匹配。PDAF[35]的主要思想是將關(guān)聯(lián)門中所有量測進(jìn)行概率意義上的加權(quán)平均作為濾波輸出，主要限制在于只能對(duì)單個(gè)目標(biāo)進(jìn)行關(guān)聯(lián)。JPDAF[36]在關(guān)聯(lián)概率的計(jì)算過程中考慮到了因噪聲引起的誤檢、虛檢等因素，因此目標(biāo)跟蹤的準(zhǔn)確度有所提升，但是當(dāng)場景中需要關(guān)聯(lián)的目標(biāo)數(shù)量較多時(shí)，該算法計(jì)算量呈指數(shù)增長。近年來，出現(xiàn)了基于深度學(xué)習(xí)方法的目標(biāo)關(guān)聯(lián)方法研究。Li 等人[37]推廣的網(wǎng)絡(luò)流方法從深度學(xué)習(xí)的角度重新審視目標(biāo)關(guān)聯(lián)問題。通過深度神經(jīng)網(wǎng)絡(luò)，可以有效地學(xué)習(xí)一元和成對(duì)鏈路代價(jià)的參數(shù)，將原線性規(guī)劃轉(zhuǎn)化成兩級(jí)優(yōu)化問題。Philippe 等人[38]通過深度匹配算法獲得特征，通過邏輯回歸學(xué)習(xí)邊緣成本，深度匹配使用經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）來提取關(guān)聯(lián)特征，在DeepFlow[38]算法中得到了應(yīng)用，用于學(xué)習(xí)大位移光流，計(jì)算輸入特征之間的時(shí)間相關(guān)性。

圖3 目標(biāo)關(guān)聯(lián)算法流程Fig.3 Data association algorithm flowchart

3.3 多車協(xié)同融合算法研究

利用融合算法實(shí)現(xiàn)多傳感器信息互補(bǔ)，從而實(shí)現(xiàn)高精度和穩(wěn)定的定位系統(tǒng)。Li 等人[39]對(duì)路側(cè)單元（Road Side Unit, RSU）通過Wi-Fi 發(fā)布局部地圖信息，配備GPS 接收器的車載單元（On Board Unit, OBU）和Wi-Fi 設(shè)備接收地圖，并利用地圖匹配算法在地圖上進(jìn)行定位，得到精確的位置信息。Qian 等人[40]使用掃描柵格地圖的方法實(shí)現(xiàn)相對(duì)定位，結(jié)合實(shí)時(shí)動(dòng)態(tài)載波相位差分技術(shù)（Real Time Kinematic, RTK）提出了一種相對(duì)定位聯(lián)合絕對(duì)定位的融合定位方案。文獻(xiàn)[41]和[42]中引入了基于EKF 的協(xié)同定位算法，當(dāng)環(huán)境中節(jié)點(diǎn)數(shù)目較多時(shí)，對(duì)于每個(gè)獲取數(shù)據(jù)的時(shí)間點(diǎn)，每個(gè)節(jié)點(diǎn)測量值數(shù)量高達(dá)N(N- 1)，其中N是環(huán)境中的節(jié)點(diǎn)數(shù)目，集中式協(xié)同定位方法數(shù)據(jù)處理的計(jì)算復(fù)雜度可達(dá)到O(n4)。Zhou 等人[43]表明，通過使用Householder QR 算法的改進(jìn)版本，基于EKF 的協(xié)同定位的計(jì)算復(fù)雜度可以從O(n4)降低到O(n3)。分散式系統(tǒng)將數(shù)據(jù)處理的任務(wù)分配給多個(gè)系統(tǒng)節(jié)點(diǎn)，以減少系統(tǒng)融合中心的壓力。文獻(xiàn)[44]在[41]的基礎(chǔ)上給出了同步的分布式擴(kuò)展方法。Arambel等人[45]提出了一種基于協(xié)方差交集的同步多中心算法，用于未知相關(guān)估計(jì)的一致性融合。

融合定位系統(tǒng)不是簡單地對(duì)各種定位傳感器輸出疊加，需要深入研究智能融合技術(shù)，綜合實(shí)現(xiàn)最優(yōu)的定位性能。圖4 展示了基于卡爾曼濾波的多源信息融合框架。

圖4 基于卡爾曼濾波的多源信息融合框架Fig.4 Multi-source data fusion based on Kalman filter

在實(shí)際融合方案中，可以將位置估計(jì)分為兩個(gè)階段。首先進(jìn)行基于本車位置信息的粗估計(jì)，將粗估計(jì)的結(jié)果通過車-車通信進(jìn)行分享，然后進(jìn)行綜合多車位置信息的融合估計(jì)。相比于直接通過車-車通信分享觀測信息，在通信前先進(jìn)行粗估計(jì)（預(yù)處理）的方法有利于提高通信獲得的他車信息準(zhǔn)確性，進(jìn)而也有利于改善融合估計(jì)的效果。

4 結(jié) 論

在城市環(huán)境下，建筑物、立交橋的遮擋會(huì)產(chǎn)生多徑信號(hào)，影響衛(wèi)星信號(hào)直射徑的提取精度，從而影響定位的準(zhǔn)確性。車輛高精度高可靠定位是智能汽車發(fā)展的核心關(guān)鍵技術(shù)，利用多模態(tài)傳感器融合可實(shí)現(xiàn)一般場景下的高精度定位，協(xié)同定位為復(fù)雜場景下的車輛定位提供了技術(shù)支撐。 隨著通信技術(shù)的快速發(fā)展，5G 憑借其大通信帶寬、高數(shù)據(jù)傳輸速率的特點(diǎn)得到關(guān)注和研究。5G不僅可為車輛協(xié)同定位提供了數(shù)據(jù)交互的通道，其本身還具有定位能力。隨著5G 基站建設(shè)的加快，可充分利用5G 網(wǎng)絡(luò)的通信管道和平臺(tái)優(yōu)勢，融合多種異構(gòu)定位技術(shù)，實(shí)現(xiàn)多模態(tài)信息優(yōu)勢互補(bǔ)，完成通信和定位一體化。

在協(xié)同定位系統(tǒng)中，除了本文中所述的目標(biāo)關(guān)聯(lián)和數(shù)據(jù)融合算法關(guān)鍵技術(shù)外，還需要考慮諸如傳感器測量不確定性、通信延時(shí)、傳感器故障診斷和容錯(cuò)控制等對(duì)系統(tǒng)精度和穩(wěn)定性的影響[46]。還可以結(jié)合人工智能（AI）技術(shù)，在協(xié)同網(wǎng)絡(luò)環(huán)境中采用多徑信號(hào)輔助的AI 建圖與定位，從多徑信號(hào)中提取環(huán)境靜態(tài)特征為定位提供更多的參考基準(zhǔn)點(diǎn)，或者利用多車協(xié)同進(jìn)一步提高靜態(tài)特征的提取精度，從而提高定位精度。