閔海根 ，宋曉鵬，程超軼

（1.長安大學信息工程學院，西安 710064；2.“車聯(lián)網(wǎng)”教育部-中國移動聯(lián)合實驗室，西安 710021； 3.浙江省交通規(guī)劃設(shè)計研究院有限公司，杭州 310017）

1 引 言

近年來，全球關(guān)于智能交通系統(tǒng)應用的研究取得了迅速發(fā)展，其目標是利用計算機、通信、傳感等技術(shù)的進步實現(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)，如導航、各種駕駛輔助技術(shù)、車路協(xié)同乃至自動駕駛等[1-2]。這些技術(shù)的實現(xiàn)往往需要某種定位手段來獲得車輛的位置[3]。獲取實時、準確的車輛位置信息（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)智能車輛的不同應用，對位置信息精度要求進行了分類。其中，導航、地圖定位等對位置精度要求較低，誤差在10～20 m 范圍內(nèi)即可；協(xié)同自適應巡航、協(xié)同路口安全、車輛隊列行駛等技術(shù)對位置精度要求中等，一般要求誤差在1～5 m 范圍內(nèi)；車輛碰撞預警、視覺增強、自動泊車等技術(shù)對位置精度要求高，要求誤差在1 m 以內(nèi)；當今無人駕駛技術(shù)的迅速發(fā)展對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)展和普及的過程對車輛定位的準確性、穩(wěn)定性和廣泛的可達性提出了更高的要求。更好的車輛定位服務已經(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雜環(huán)境的車輛全尺度定位問題。本文首先分析了當前單車自主定位方法及其應用，然后深入研究了多車協(xié)同定位中的協(xié)同定位框架、目標關(guān)聯(lián)算法及多車協(xié)同融合算法，并對協(xié)同定位研究的難點和未來發(fā)展趨勢進行了分析與展望。

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，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，中國北斗三號系統(tǒng)最后一顆組網(wǎng)衛(wèi)星發(fā)射成功，標志著北斗全球?qū)Ш较到y(tǒng)星座部署完成，共有55 顆導航衛(wèi)星在軌提供定位授時服務[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前自動駕駛或其他許多智能交通應用；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]推動了室內(nèi)移動機器人、封閉園區(qū)低速物流配送車和無人駕駛觀光車應用的發(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)境中實時運行。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間段內(nèi)從某個方向接收的光度值來計算相機的移動，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，當前有許多實際產(chǎn)品基于激光SLAM 來實現(xiàn)定位和導航。Zhang 等人[12]利用曲率值來區(qū)分激光數(shù)據(jù)的邊緣點和平面點，對提取的激光特征點進行匹配和篩選，通過正態(tài)分布變換（Normal Distribution Transform, NDT）[13]算法來尋找點云之間的最佳匹配關(guān)系并計算運動信息，但是該方法累積誤差較大，對環(huán)境要求較為嚴格。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，得到了在劇烈運動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（Light Detection and Ranging, LiDAR）和慣性測量單元（Inertial Measurement Unit, IMU）緊耦合融合方法，即使在快速運動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]提出了一種輕量級的SLAM 方法，可以在低功耗嵌入式系統(tǒng)上實現(xiàn)實時姿態(tài)估計。隨著計算機視覺中深度學習（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，如文獻所提到的系統(tǒng)所示[17-18]。基于SLAM 技術(shù)的定位，要求環(huán)境中要有豐富的可檢測特征。對于空曠的環(huán)境，如空曠的廣場，會因為缺少有效特征而出現(xiàn)匹配失??；對于高度重復單一的環(huán)境，如長隧道，會出現(xiàn)匹配錯誤。

研究者認識到，單一的傳感器無法克服復雜環(huán)境下定位不穩(wěn)定和精度差的問題，引入性能互補的GPS、IMU、輪速、相機、激光雷達等多模態(tài)傳感器的融合[19-21]，用低精度的傳感器實現(xiàn)了厘米級定位，且在沒有GPS 信號的隧道、地庫等場所，定位系統(tǒng)也能正常運行，擺脫了對RTK 的依賴，如圖1 所示。面向自動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的特點，按照數(shù)據(jù)采集、數(shù)據(jù)處理、元素識別和人工驗證的流程進行制作[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充的特性，實現(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，實現(xiàn)高動態(tài)、復雜環(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）可實現(xiàn)車-車和車-路V2X 通信[25]。5G 基站建設(shè)的完善，推動了下一代移動通信技術(shù)在智能交通中的應用。利用5G 低延時、大帶寬的通信特點，可實現(xiàn)車聯(lián)網(wǎng)環(huán)境下大數(shù)據(jù)量的即時傳輸。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、慣性導航系統(tǒng)、激光雷達、毫米波雷達、相機和輪速傳感器。GNSS用于獲得車輛的絕對位置坐標，利用慣性導航系統(tǒng)彌補衛(wèi)星信號短時間內(nèi)不可用的缺點，在特征豐富的環(huán)境下基于激光雷達、相機、毫米波雷達進行相對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)送本車的絕對位置和本車車載傳感器測量得到的環(huán)境車輛相對位置信息；通過車-路通信接收到路側(cè)分享的絕對位置和路側(cè)傳感器檢測的車輛目標相對位置信息。

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與車載傳感器探測到的車輛目標之間的對應關(guān)系[29-30]。在關(guān)聯(lián)過程中，一方面可以利用檢測的目標特征，另一方面可以結(jié)合目標自身的位置、航向等屬性。根據(jù)車輛周圍環(huán)境，自適應調(diào)整參與數(shù)據(jù)共享的鄰居車輛或路側(cè)節(jié)點數(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位置和相對位置信息，融合估計出更加準確的本車和環(huán)境車輛絕對位置[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定關(guān)鍵問題。數(shù)據(jù)時間不同步問題會影響每一級信息融合結(jié)果的精度，從而影響車輛定位的可信度。傳感器標定是融合的基礎(chǔ)，實現(xiàn)各傳感器坐標系之間的快速轉(zhuǎn)換，統(tǒng)一描述。

3.2 目標關(guān)聯(lián)算法研究

在目標關(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），基于深度學習的數(shù)據(jù)驅(qū)動目標關(guān)聯(lián)算法在近幾年也被廣泛關(guān)注。目標關(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)目標匹配這兩個問題，關(guān)聯(lián)門就是以上一幀的跟蹤目標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)門中心最近的目標作為匹配，其他所有的目標都不予考慮，把它們當作其他跟蹤目標的匹配。PDAF[35]的主要思想是將關(guān)聯(lián)門中所有量測進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單個目標進行關(guān)聯(lián)。JPDAF[36]在關(guān)聯(lián)概率的計算過程中考慮到了因噪聲引起的誤檢、虛檢等因素，因此目標跟蹤的準確度有所提升，但是當場景中需要關(guān)聯(lián)的目標數(shù)量較多時，該算法計算量呈指數(shù)增長。近年來，出現(xiàn)了基于深度學習方法的目標關(guān)聯(lián)方法研究。Li 等人[37]推廣的網(wǎng)絡(luò)流方法從深度學習的角度重新審視目標關(guān)聯(lián)問題。通過深度神經(jīng)網(wǎng)絡(luò)，可以有效地學習一元和成對鏈路代價的參數(shù)，將原線性規(guī)劃轉(zhuǎn)化成兩級優(yōu)化問題。Philippe 等人[38]通過深度匹配算法獲得特征，通過邏輯回歸學習邊緣成本，深度匹配使用經(jīng)過訓練的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）來提取關(guān)聯(lián)特征，在DeepFlow[38]算法中得到了應用，用于學習大位移光流，計算輸入特征之間的時間相關(guān)性。

圖3 目標關(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

利用融合算法實現(xiàn)多傳感器信息互補，從而實現(xiàn)高精度和穩(wěn)定的定位系統(tǒng)。Li 等人[39]對路側(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現(xiàn)相對定位，結(jié)合實時動態(tài)載波相位差分技術(shù)（Real Time Kinematic, RTK）提出了一種相對定位聯(lián)合絕對定位的融合定位方案。文獻[41]和[42]中引入了基于EKF 的協(xié)同定位算法，當環(huán)境中節(jié)點數(shù)目較多時，對于每個獲取數(shù)據(jù)的時間點，每個節(jié)點測量值數(shù)量高達N(N- 1)，其中N是環(huán)境中的節(jié)點數(shù)目，集中式協(xié)同定位方法數(shù)據(jù)處理的計算復雜度可達到O(n4)。Zhou 等人[43]表明，通過使用Householder QR 算法的改進版本，基于EKF 的協(xié)同定位的計算復雜度可以從O(n4)降低到O(n3)。分散式系統(tǒng)將數(shù)據(jù)處理的任務分配給多個系統(tǒng)節(jié)點，以減少系統(tǒng)融合中心的壓力。文獻[44]在[41]的基礎(chǔ)上給出了同步的分布式擴展方法。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)估計的一致性融合。

融合定位系統(tǒng)不是簡單地對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

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

4 結(jié) 論

在城市環(huán)境下，建筑物、立交橋的遮擋會產(chǎn)生多徑信號，影響衛(wèi)星信號直射徑的提取精度，從而影響定位的準確性。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)傳感器融合可實現(xiàn)一般場景下的高精度定位，協(xié)同定位為復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)的通信管道和平臺優(yōu)勢，融合多種異構(gòu)定位技術(shù)，實現(xiàn)多模態(tài)信息優(yōu)勢互補，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、傳感器故障診斷和容錯控制等對系統(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)境中采用多徑信號輔助的AI 建圖與定位，從多徑信號中提取環(huán)境靜態(tài)特征為定位提供更多的參考基準點，或者利用多車協(xié)同進一步提高靜態(tài)特征的提取精度，從而提高定位精度。