日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

高德在提升定位精度方面的探索和實(shí)踐

2019-10-23 23:22:34·  來源：高德技術(shù)  作者：方興  
　
2019杭州云棲大會上，高德地圖技術(shù)團(tuán)隊(duì)向與會者分享了包括視覺與機(jī)器智能、路線規(guī)劃、場景化/精細(xì)化定位時空數(shù)據(jù)應(yīng)用、億級流量架構(gòu)演進(jìn)等多個出行技術(shù)領(lǐng)域的熱
2019杭州云棲大會上，高德地圖技術(shù)團(tuán)隊(duì)向與會者分享了包括視覺與機(jī)器智能、路線規(guī)劃、場景化/精細(xì)化定位時空數(shù)據(jù)應(yīng)用、億級流量架構(gòu)演進(jìn)等多個出行技術(shù)領(lǐng)域的熱門話題?，F(xiàn)場火爆，聽眾反響強(qiáng)烈。我們把其中的優(yōu)秀演講內(nèi)容整理成文并陸續(xù)發(fā)布在「高德技術(shù)」公眾號上，本文為其中一篇。
 
阿里巴巴高級地圖技術(shù)專家方興在高德技術(shù)專場做了題為《向場景化、精細(xì)化演進(jìn)的定位技術(shù)》的演講，主要分享了高德在提升定位精度方面的探索和實(shí)踐，本文根據(jù)現(xiàn)場內(nèi)容整理而成（在不影響原意的情況下對文字略作編輯），更多定位技術(shù)的實(shí)現(xiàn)細(xì)節(jié)請關(guān)注本微信號的后續(xù)系列文章。
 
相關(guān)文章：《高德地圖首席科學(xué)家任小楓：視覺智能在高德地圖的應(yīng)用》
 
以下為方興演講內(nèi)容的簡版實(shí)錄：
 

 
今天要分享的主題是關(guān)于定位的場景化、精細(xì)化。高德定位，并不只是服務(wù)于高德地圖本身，而是面向所有的應(yīng)用開發(fā)者和手機(jī)設(shè)備廠商提供定位服務(wù)。目前已有30萬以上的APP在使用高德的定位服務(wù)。
 
用戶每天會大量使用定位服務(wù)，比如看新聞、打車、訂外賣，甚至是購物，首先都是要獲得位置信息，有了更精準(zhǔn)的位置信息，才可能獲得更好的服務(wù)體驗(yàn)。
 
高德地圖有超過1億的日活用戶，但是使用定位的有好幾個億，每天的定位請求數(shù)量有一千億次。如此大的數(shù)據(jù)量，高德定位服務(wù)可以保持毫秒級的響應(yīng)速度，我們在這里面做了很多工作。此外，我們還提供全場景的定位能力，不管為手機(jī)、車機(jī)還是任何廠家，都能提供位置服務(wù)。
 
我今天從四個方面介紹，分別是：

- 定位面臨的挑戰(zhàn)

- 高德地圖全場景定位

- 分場景提升定位精度

- 未來機(jī)遇

定位面臨的挑戰(zhàn)

大家可能都知道GPS，GPS在大部分情況下可以提供很好的精度，但是對于某些場景還是不夠，比如駕車，GPS給出的精度大概是10米，如果僅靠GPS定位甚至無法區(qū)分出在馬路的哪一側(cè)。

第二個場景是在室內(nèi)，室內(nèi)收不到GPS信號，這樣的場景下如何實(shí)現(xiàn)比較準(zhǔn)確的定位？第三個場景是如何在精度和成本之間取得平衡，因?yàn)椴豢赡転榱俗非笠粋€很好的精度去無限投入成本。只有通過海量大數(shù)據(jù)挖掘，算法和數(shù)據(jù)質(zhì)量的提升，達(dá)到效果的持續(xù)優(yōu)化，才能達(dá)到最終對各種場景的全覆蓋。

有很多技術(shù)可以選擇，除了GPS定位，還有基于網(wǎng)絡(luò)定位、Wifi基站，原理就是通過掃描到的Wifi和基站列表、信號強(qiáng)度，進(jìn)行數(shù)據(jù)庫查找，找到Wifi位置，定位。

除此之外還有慣性導(dǎo)航定位，慣性導(dǎo)航是一種相對定位的方式，可以不斷計(jì)算跟上次定位的偏移量，有了初始定位之后，根據(jù)連續(xù)計(jì)算可以獲得最終的位置。

還有根據(jù)地圖匹配定位，比如GPS的點(diǎn)落在一個湖里，顯然是有問題的，可以通過地圖匹配，找到最近的一條路，這時候精度就得到了提升。

還有一些定位方式最近幾年變得很熱門，例如視覺、雷達(dá)、激光，自動駕駛的概念推動了這些技術(shù)的發(fā)展，這些方式各有各的定位精度和差異性。例如視覺，在實(shí)踐中往往需要大量計(jì)算和存儲的開銷。

很多時候，還是要基于Wifi的定位，獲得初始定位，然后在不同場景下不斷的優(yōu)化，通過不同的數(shù)據(jù)源提升精度。

高德地圖如何實(shí)現(xiàn)全場景定位

高德主要分為兩個業(yè)務(wù)場景，手機(jī)和車機(jī)。在手機(jī)上主要是GPS+網(wǎng)絡(luò)定位。駕車的場景下，我們還會做一些根據(jù)地圖的匹配，實(shí)現(xiàn)對特殊道路的支持。

以往，很多用戶會反饋說會遇到GPS信號不好，導(dǎo)致無法定位、無法導(dǎo)航的情形。約有60%的情況是因?yàn)橛脩粑挥诘叵峦＼噲龌蛘咴谒淼览?，約30%的情況是附近有嚴(yán)重的遮擋，比如在高架橋下，或者在很高的高樓旁。這些都會造成對GPS比較嚴(yán)重的遮擋。

我們打電話的時候，連接的基站可能就在一公里范圍內(nèi)，這樣短的距離傳輸信號還時常會出現(xiàn)信號中斷，如果GPS信號距離兩萬多米的高度，出現(xiàn)問題的可能性還是存在的。所以必須通過其他方式，例如地圖匹配或者慣性導(dǎo)航來對GPS進(jìn)行補(bǔ)充。

在室內(nèi)的場景，需要解決的是如何去挖掘Wifi基站的位置，提升精度。

在車機(jī)的場景，我們會結(jié)合更多來自于汽車的數(shù)據(jù)輸入來幫助我們。

定位的基礎(chǔ)能力


網(wǎng)絡(luò)定位本質(zhì)上是一個數(shù)據(jù)閉環(huán)，每個人在定位的時候，實(shí)際上是發(fā)送了本身的基站和Wifi列表，發(fā)送的數(shù)據(jù)一方面可以用來定位，另一方面也可以用做數(shù)據(jù)訓(xùn)練。數(shù)據(jù)訓(xùn)練主要產(chǎn)出兩種數(shù)據(jù)，一個是Wifi基站的位置，通過數(shù)據(jù)挖掘，我們就可以獲得大概的位置（初始定位），但是精度比較差。第二個是產(chǎn)生更詳細(xì)的空間信號強(qiáng)度分布圖。有了這個圖以后，就可以進(jìn)行比較精準(zhǔn)的定位了，根據(jù)信號強(qiáng)度判斷我距離這個基站和Wifi有多遠(yuǎn)，從而對精度進(jìn)行改進(jìn)。

數(shù)據(jù)閉環(huán)完成以后，就是一個正向的反饋，數(shù)據(jù)越多，訓(xùn)練結(jié)果越多，定位結(jié)果就越準(zhǔn)確，從而吸引更多的用戶來使用（產(chǎn)生數(shù)據(jù)）。這就是通過數(shù)據(jù)挖掘，不斷提升精度的閉環(huán)。

算法部分，我們也經(jīng)過了不斷的迭代。最早是基于經(jīng)典的聚類模型，就是掃描基站W(wǎng)ifi列表，聚類以后選擇其中一處作為我的位置，這個方法效率比較高，很快可以得到結(jié)果，但是精度很差。

第二步，我們把空間進(jìn)行了精細(xì)的劃分，在每個網(wǎng)格內(nèi)統(tǒng)計(jì)一些基礎(chǔ)的特征，比如歷史上的點(diǎn)定位的數(shù)量、定位的次數(shù)、Wifi的數(shù)量等等，計(jì)算出一個網(wǎng)格的打分，再對網(wǎng)格進(jìn)行排序，最后你的定位點(diǎn)就是這個網(wǎng)格。通過這種方法，30米精度的占比提升了15%。

這種方法也有局限性，人工調(diào)參帶來的收益是有限的，調(diào)到一定程度就沒辦法再提升了。所以，第三步就是把機(jī)器學(xué)習(xí)算法引入這個過程，利用監(jiān)督的學(xué)習(xí)提升到最佳的模型和參數(shù)，這樣可以在特定場景下獲得顯著提升。主要的場景就是解決大誤差的Case。

一個比較典型的問題就是，掃描到的基站W(wǎng)ifi可能只有一個基站、一個Wifi，沒有別的信息了。這個基站W(wǎng)ifi又離的特別遠(yuǎn)，無論選擇基站還是Wifi，都有50%的概率是算錯了。有監(jiān)督學(xué)習(xí)，就可以把海量的配送拿出來，精細(xì)化的挖掘細(xì)微的差異，達(dá)到全局最優(yōu)的效果，在某一情況下選基站，某一情況下選Wifi。把犯錯的比例降低了50%。


上圖就是我們的線上神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)用于在線服務(wù)現(xiàn)在是比較流行的方式，我們在這里實(shí)際上是利用基站和Wifi的信號強(qiáng)度和混合特征作為特征輸入，同時把歷史位置也作為序列放進(jìn)來，這個歷史位置特征會放入一個RNN模型，預(yù)測現(xiàn)在的位置，使用預(yù)測的結(jié)果和基站W(wǎng)ifi列表特征，再往下預(yù)測，最后是網(wǎng)格的打分。最終輸出一個概率最高的網(wǎng)格作為輸出。

這個方法最大的挑戰(zhàn)并不是在算法，而是算法效果和工程上的可實(shí)現(xiàn)性，如何能夠達(dá)到最優(yōu)。高德每天有上千億次的調(diào)用，延時要在10毫秒以內(nèi)。


另外，數(shù)據(jù)量很大，所有的數(shù)據(jù)，每條都有很多特征，在線的數(shù)據(jù)存儲大概有幾十個TB，這個數(shù)據(jù)量也不可能放在在線服務(wù)里做，所以要做相應(yīng)的優(yōu)化。

我們做了三個方面的優(yōu)化，第一是分級排序。把定位過程變成一個顯微鏡步驟，先做一個很粗略的定位，然后逐步收斂到很精確的位置。粗略定位的時候可以用很大的網(wǎng)格，用很少的特征，快速過濾掉一些不可能的位置。

然后，在很精細(xì)的網(wǎng)格里，用更多的特征、更多的網(wǎng)格進(jìn)行排序。通過這種方法，就可以極大提升計(jì)算的效率，把一些不必要的計(jì)算過濾掉。

第二是模型簡化。雖然深度學(xué)習(xí)的效果很好，但是不可能在線上用很復(fù)雜的模型，我們通過減少層數(shù)和節(jié)點(diǎn)數(shù)，把浮點(diǎn)數(shù)精度降低。

第三是特征壓縮。這里面有特色的一點(diǎn)是我們根據(jù)模型進(jìn)行的壓縮，原始特征的輸入的數(shù)量是很大的，我們增加一個編碼層，輸入的特征經(jīng)過編碼層以后，只輸出兩個字節(jié)的特征。我們把在線、離線的數(shù)據(jù)處理好以后，最后在線只存儲兩個字節(jié)。通過這種方法，在線特征的數(shù)據(jù)量降低了10倍，降低到1個TB以內(nèi)。以上是解決的幾個主要問題。

不同場景下的精度提升

在室內(nèi)場景，經(jīng)常會定位到室外去，這跟剛才介紹的序列流程是有關(guān)系的，因?yàn)椴杉^程更大概率是在室外，序列后的Wifi位置都在馬路上，所以定位最后的概率也是在馬路上，但是這對用戶體驗(yàn)是很差的。比如打車，可能在室內(nèi)叫車，定位在對面的馬路上，但這條馬路可能是不對的，需要找到我在哪個樓里，離哪個道路比較近。

怎么解決這個問題？一種方法是通過數(shù)據(jù)采集，就是在室內(nèi)進(jìn)行人工的采集，使訓(xùn)練數(shù)據(jù)的數(shù)據(jù)分布跟實(shí)際的預(yù)測數(shù)據(jù)分布保持一致，這種方法當(dāng)然精度比較好，但是主要缺陷是成本非常高，目前也只是在熱門商場和交通樞紐進(jìn)行這樣的數(shù)據(jù)采集，這肯定不是一個可擴(kuò)展的方法。

我們的方法是想通過引入更多的數(shù)據(jù)優(yōu)化定位過程。如果能基于地圖數(shù)據(jù)挖掘出Wifi和POI的關(guān)系，就可以用數(shù)據(jù)關(guān)聯(lián)提升精度。比如掃到一個Wifi，名字叫KFC，有一個可能就是你在肯德基里，這個方法比較簡單。實(shí)際用的方法會更加復(fù)雜。


我們是利用Wifi信號的分布反向挖掘出位置，上圖里藍(lán)色的部分就是樓塊的位置，紅色的點(diǎn)是Wifi的真實(shí)位置，綠色的點(diǎn)是采集到Wifi的位置，綠色越亮，代表這個地方的信號強(qiáng)度越強(qiáng)，通過這個圖放入圖像學(xué)習(xí)，比如用CNN挖掘出它的位置以后，我們就可以建立一個Wifi跟樓塊或者跟POI的關(guān)聯(lián)，通過這個方法可以使全量Wifi的30%都能關(guān)聯(lián)上相應(yīng)的POI或者樓塊。

在線的時候需要知道用戶什么時候在室內(nèi)，什么時候在室外。我們用的是利用信號強(qiáng)度特征做區(qū)分的算法，在室內(nèi)室外掃描到的Wifi列表和強(qiáng)度會有很大差別，通過這個差別可以訓(xùn)練出模型。綠色的點(diǎn)預(yù)測為室內(nèi)的點(diǎn)，藍(lán)色的點(diǎn)是室外的點(diǎn)。通過這種方法，定位精度提升了15%。

駕車場景，導(dǎo)航過程中可能會遇到的常見問題。第一個問題是無法定位，開到停車場或者有遮擋的地方，第二個場景是點(diǎn)會有漂移，因?yàn)镚PS受到建筑或者其他遮擋的時候，會產(chǎn)生精度下降的情況。第三種情況是無法區(qū)分主路，可能會錯過路口。

對于以上問題，我們采用的是“軟+硬”融合定位，軟的部分包括兩部分，一個是基于移動定位，第二個是根據(jù)地圖匹配。經(jīng)過兩個“軟+硬”結(jié)合之后，我們在GPS 10米精度做到90%以上，可以實(shí)現(xiàn)高架主路和停車場的持續(xù)導(dǎo)航。

這里面關(guān)鍵的就是如何實(shí)現(xiàn)融合定位，比較有特色的一點(diǎn)就是我們做車機(jī)的傳感器模塊是低成本的，成本不到100元，其他類似產(chǎn)品成本是比較高的，可能需要幾千塊錢。使用低成本的器件，能夠更容易得到普及。缺點(diǎn)是精度比較差，定位準(zhǔn)確性差一些。要通過軟件的方法彌補(bǔ)硬件上的缺點(diǎn)。


我們的解決辦法分成三個步驟，首先是航向融合。陀螺儀有相對的角度可以算出來，加速器可以算出地球引力的方向，這兩個結(jié)合以后就可以建立一個濾波方程，把真實(shí)的方向持續(xù)不斷的輸出。第二，把三維的方向和GPS的結(jié)果進(jìn)行一次融合，就可以計(jì)算出修正后的位置。第三步，再和地圖匹配做對比，因?yàn)槲覀冎浪姆较?、位置以后，就知道它是在上坡還是下坡，是在高架上還是高架下。還有一點(diǎn)，匹配后的位置跟GPS原始位置做對比，如果差別很大，GPS可能發(fā)生了偏移，我們就把GPS舍棄掉，只用慣性導(dǎo)航推算。

這里面有三個特點(diǎn)，第一，參數(shù)動態(tài)標(biāo)定，不需要對器件有初始的標(biāo)的，我們通過三維的計(jì)算出方向，用地圖匹配反饋。關(guān)于地圖匹配的部分，核心是我們利用HMM的算法進(jìn)行位置的匹配，推算每個點(diǎn)的道路。這里面比較關(guān)鍵的概率，一個是發(fā)射概率，一個是位置轉(zhuǎn)移概率。

第二，我們把角度也考慮進(jìn)來，角度的變化同樣用于決策轉(zhuǎn)移概率，這里面跟位置轉(zhuǎn)移概率的區(qū)別就是引入了速度做變量，不同的速度下，發(fā)生轉(zhuǎn)角的概率是不一樣的，速度慢了可能會轉(zhuǎn)向，速度快也可能轉(zhuǎn)向，所以我們針對每個速率都有一個曲線。


上圖是定位效果，紅色的點(diǎn)是實(shí)際修正后的軌跡，藍(lán)色的點(diǎn)是原始的GPS點(diǎn)，下面是在高架下的效果，可以看到高架下GPS點(diǎn)已經(jīng)非常發(fā)散了，飄的到處都是，但是修正之后跟綠色的點(diǎn)是重疊的。下面的圖是在停車場里，在停車場進(jìn)去的時候，藍(lán)色的點(diǎn)就已經(jīng)消失了，但是紅色的點(diǎn)可以很好的還原出用戶在停車場里持續(xù)的軌跡。

高精定位方面，高德主要建立兩種定位能力，一種是基于圖像定位，一種是基于融合定位。圖像定位是只用圖像就可以形成比較好的分米級精度，融合定位主要是引入了兩個新的定位技術(shù)，一個是VSLAM，一個是差分GPS。這兩個方法分別應(yīng)用于有GPS和沒有GPS的情況，可以提供很好的精度。VSLAM可以做到誤差很小，因?yàn)榭梢杂袌D像的方法進(jìn)行修正。

自動駕駛是一個方向，并且需要從輔助駕駛過渡到自動駕駛，但系統(tǒng)性變化到來之前會有階段性的變化，就是服務(wù)于人的導(dǎo)航服務(wù)的精細(xì)化，即車道級導(dǎo)航。車道級導(dǎo)航需要高精地圖，至少是分米級的精度。

對未來定位技術(shù)發(fā)展的理解?；A(chǔ)能力部分，我們認(rèn)為5G的出現(xiàn)會為定位提供一種新的可能性，因?yàn)?G的頻率比4G更高，波長會更短。它可以測距，以前基于基站和Wifi的定位都是基于信號強(qiáng)度的。但是5G支持了測距以后，它就可以提供一個很好的精度，所以可能會出現(xiàn)一種方式，基于5G的定位可以達(dá)到類似GPS的效果。


第二是融合定位，隨著各種新的數(shù)據(jù)源不斷出現(xiàn)，用新的算法去發(fā)揮不同數(shù)據(jù)源的特點(diǎn)，從而達(dá)到整體效果的提升。駕車部分，視覺定位和差分GPS技術(shù)的逐漸普及。室內(nèi)部分，有超寬帶的定位，除此之外還有藍(lán)牙和Wifi的精準(zhǔn)定位。在最新的技術(shù)標(biāo)準(zhǔn)里，也都支持了測距和測角的技術(shù)，也就是未來新的藍(lán)牙或者Wifi的APP，可能就能提供一部分的定位能力。

所以，未來10年內(nèi)，我們可能會看到這幾種方式相互融合，精度會得到質(zhì)的改變。以上就是我介紹的內(nèi)容，謝謝大家！
 
 
分享到：
 
反對 0 舉報(bào) 0 收藏 0 評論 0
滬ICP備11026917號-25