请选择 进入手机版 | 继续访问电脑版

马上加入IBC程序猿 各种源码随意下,各种教程随便看! 注册 每日签到 加入编程讨论群

C#教程 ASP.NET教程 C#视频教程程序源码享受不尽 C#问题入口 ASP.NET问题入口

【C#问题提交】 社群合作 申请版主 程序开发 【远程协助】 每天乐一乐 每日签到 【承接毕业设计】 面试-葵花宝典下载

官方一群:

官方二群:

查看: 73|回复: 0

高德在提升定位精度方面的探索和实践

[复制链接]
  • TA的每日心情
    开心
    8 小时前
  • 签到天数: 1510 天

    [LV.Master]伴坛终老

    2424

    主题

    4342

    帖子

    9万

    积分

    管理员

    IBC编程社区-原道楠

    Rank: 9Rank: 9Rank: 9

    积分
    99845

    推广达人突出贡献优秀版主荣誉管理论坛元老

    发表于 2019-10-24 09:51:10 | 显示全部楼层 |阅读模式

    马上加入IBC,查看更多教程

    您需要 登录 才可以下载或查看,没有帐号?立即注册

    x

    2019杭州云栖大会上,高德舆图技能团队向与会者分享了包罗视觉与机器智能、门路规划、场景化/精细化定位时空数据应用、亿级流量架构演进等多个出行技能范畴的热门话题。现场火爆,听众反响猛烈。我们把此中的优秀演讲内容整理成文并陆续发布出来,本文为此中一篇。

    阿里巴巴高级舆图技能专家方兴在高德技能专场做了题为《向场景化、精细化演进的定位技能》的演讲,重要分享了高德在提升定位精度方面的探索和实践,本文根据现场内容整理而成(在不影响原意的环境下对笔墨略作编辑),更多定位技能的实现细节请关注后续系列文章。

    以下为方兴演讲内容的简版实录:

    095110sd09c9999oitocfd.jpg

    本日要分享的主题是关于定位的场景化、精细化。高德定位,并不只是服务于高德舆图自己,而是面向全部的应用开辟者和手机装备厂商提供定位服务。目前已有30万以上的APP在利用高德的定位服务。

    用户天天会大量利用定位服务,比如看新闻、打车、订外卖,乃至是购物,起首都是要获得位置信息,有了更精准的位置信息,才大概获得更好的服务体验。

    高德舆图有凌驾1亿的日活用户,但是利用定位的有好几个亿,天天的定位请求数目有一千亿次。云云大的数据量,高德定位服务可以保持毫秒级的相应速度,我们在这里面做了很多工作。此外,我们还提供全场景的定位本事,不管为手机、车机还是任何厂家,都能提供位置服务。

    我本日从四个方面介绍,分别是:

    • 定位面临的挑战
    • 高德舆图全场景定位
    • 分场景提升定位精度
    • 将来机遇

    定位面临的挑战

    大家大概都知道GPS,GPS在大部门环境下可以提供很好的精度,但是对于某些场景还是不敷,比如驾车,GPS给出的精度大概是10米,假如仅靠GPS定位乃至无法区分出在马路的哪一侧。

    第二个场景是在室内,室内收不到GPS信号,这样的场景下怎样实现比较正确的定位?第三个场景是怎样在精度和成本之间取得平衡,因为不大概为了寻求一个很好的精度去无限投入成本。只有通过海量大数据挖掘,算法和数据质量的提升,达到效果的连续优化,才华达到最终对各种场景的全覆盖。

    有很多技能可以选择,除了GPS定位,尚有基于网络定位、Wifi基站,原理就是通过扫描到的Wifi和基站列表、信号强度,举行数据库查找,找到Wifi位置,定位。

    除此之外尚有惯性导航定位,惯性导航是一种相对定位的方式,可以不绝盘算跟上次定位的偏移量,有了初始定位之后,根据一连盘算可以获得最终的位置。

    尚有根据舆图匹配定位,比如GPS的点落在一个湖里,显然是有题目的,可以通过舆图匹配,找到迩来的一条路,这时候精度就得到了提升。

    尚有一些定位方式迩来几年变得很热门,比方视觉、雷达、激光,自动驾驶的概念推动了这些技能的发展,这些方式各有各的定位精度和差异性。比方视觉,在实践中往往必要大量盘算和存储的开销。

    很多时候,还是要基于Wifi的定位,获得初始定位,然后在差别场景下不绝的优化,通过差别的数据源提升精度。

    高德舆图怎样实现全场景定位

    高德重要分为两个业务场景,手机和车机。在手机上重要是GPS+网络定位。驾车的场景下,我们还会做一些根据舆图的匹配,实现对特殊道路的支持。

    以往,很多用户会反馈说会遇到GPS信号欠好,导致无法定位、无法导航的情形。约有60%的环境是因为用户位于地下停车场大概在隧道里,约30%的环境是附近有严重的遮挡,比如在高架桥下,大概在很高的高楼旁。这些都会造成对GPS比较严重的遮挡。

    我们打电话的时候,毗连的基站大概就在一公里范围内,这样短的距离传输信号还时常会出现信号中断,假如GPS信号距离两万多米的高度,出现题目的大概性还是存在的。所以必须通过其他方式,比方舆图匹配大概惯性导航来对GPS举行增补。

    在室内的场景,必要解决的是怎样去挖掘Wifi基站的位置,提升精度。

    在车机的场景,我们会结合更多来自于汽车的数据输入来资助我们。

    定位的底子本事

    095111z2mczoag3aowayzm.png

    网络定位本质上是一个数据闭环,每个人在定位的时候,实际上是发送了自己的基站和Wifi列表,发送的数据一方面可以用来定位,另一方面也可以用做数据练习。数据练习重要产出两种数据,一个是Wifi基站的位置,通过数据挖掘,我们就可以获得大概的位置(初始定位),但是精度比较差。第二个是产生更详细的空间信号强度分布图。有了这个图以后,就可以举行比较精准的定位了,根据信号强度判定我距离这个基站和Wifi有多远,从而对精度举行改进。

    数据闭环完成以后,就是一个正向的反馈,数据越多,练习结果越多,定位结果就越正确,从而吸引更多的用户来利用(产生数据)。这就是通过数据挖掘,不绝提升精度的闭环。

    算法部门,我们也颠末了不绝的迭代。最早是基于经典的聚类模子,就是扫描基站Wifi列表,聚类以后选择此中一处作为我的位置,这个方法服从比较高,很快可以得到结果,但是精度很差。

    第二步,我们把空间举行了精细的划分,在每个网格内统计一些底子的特征,比如汗青上的点定位的数目、定位的次数、Wifi的数目等等,盘算出一个网格的打分,再对网格举行排序,最后你的定位点就是这个网格。通过这种方法,30米精度的占比提升了15%。

    这种方法也有局限性,人工调参带来的收益是有限的,调到肯定水平就没办法再提升了。所以,第三步就是把机器学习算法引入这个过程,利用监视的学习提升到最佳的模子和参数,这样可以在特定场景下获得显着提升。重要的场景就是解决大偏差的Case。

    一个比较典范的题目就是,扫描到的基站Wifi大概只有一个基站、一个Wifi,没有别的信息了。这个基站Wifi又离的特殊远,无论选择基站还是Wifi,都有50%的概率是算错了。有监视学习,就可以把海量的配送拿出来,精细化的挖掘细微的差异,达到全局最优的效果,在某一环境下选基站,某一环境下选Wifi。把犯错的比例低沉了50%。

    095112ib9xzp950ggwjxg2.png

    上图就是我们的线上神经网络的模子,神经网络用于在线服务现在是比较流行的方式,我们在这里实际上是利用基站和Wifi的信号强度和肴杂特征作为特征输入,同时把汗青位置也作为序列放进来,这个汗青位置特征会放入一个RNN模子,预测现在的位置,利用预测的结果和基站Wifi列表特征,再往下预测,最后是网格的打分。最终输出一个概率最高的网格作为输出。

    这个方法最大的挑战并不是在算法,而是算法效果和工程上的可实现性,怎样能够达到最优。高德天天有上千亿次的调用,延时要在10毫秒以内。

    095112prsgimi5slrq3m0w.png

    另外,数据量很大,全部的数据,每条都有很多特征,在线的数据存储大概有几十个TB,这个数据量也不大概放在在线服务里做,所以要做相应的优化。

    我们做了三个方面的优化,第一是分级排序。把定位过程变成一个显微镜步调,先做一个很粗略的定位,然后渐渐收敛到很精确的位置。粗略定位的时候可以用很大的网格,用很少的特征,快速过滤掉一些不大概的位置。

    然后,在很精细的网格里,用更多的特征、更多的网格举行排序。通过这种方法,就可以极大提升盘算的服从,把一些不必要的盘算过滤掉。

    第二是模子简化。虽然深度学习的效果很好,但是不大概在线上用很复杂的模子,我们通过减少层数和节点数,把浮点数精度低沉。

    第三是特征压缩。这里面有特色的一点是我们根据模子举行的压缩,原始特征的输入的数目是很大的,我们增长一个编码层,输入的特征颠末编码层以后,只输出两个字节的特征。我妹浇橼线、离线的数据处理处罚好以后,最后在线只存储两个字节。通过这种方法,在线特征的数据量低沉了10倍,低沉到1个TB以内。以上是解决的几个重要题目。

    差别场景下的精度提升

    在室内场景,常常会定位到室外去,这跟刚才介绍的序列流程是有关系的,因为收罗过程更大概率是在室外,序列后的Wifi位置都在马路上,所以定位最后的概率也是在马路上,但是这对用户体验是很差的。比如打车,大概在室内叫车,定位在对面的马路上,但这条马路大概是不对的,必要找到我在哪个楼里,离哪个道路比较近。

    怎么解决这个题目?一种方法是通过数据收罗,就是在室内举行人工的收罗,使练习数据的数据分布跟实际的预测数据分布保持同等,这种方法固然精度比较好,但是重要缺陷是成本非常高,目前也执偾在热门阛阓和交通枢纽举行这样的数据收罗,这肯定不是一个可扩展的方法。

    我们的方法是想通过引入更多的数据优化定位过程。假如能基于舆图数据挖掘出Wifi和POI的关系,就可以用数据关联提升精度。比如扫到一个Wifi,名字叫KFC,有一个大概就是你在肯德基里,这个方法比较简朴。实际用的方法会更加复杂。

    095113rpar512pyutzwow8.png

    我们是利用Wifi信号的分布反向挖掘出位置,上图里蓝色的部门就是楼块的位置,赤色的点是Wifi的真实位置,绿色的点是收罗到Wifi的位置,绿色越亮,代表这个地方的信号强度越强,通过这个图放入图像学习,比如用CNN挖掘出它的位置以后,我们就可以建立一个Wifi跟楼块大概跟POI的关联,通过这个方法可以使全量Wifi的30%都能关联上相应的POI大概楼块。

    在线的时候必要知道用户什么时候在室内,什么时候在室外。我们用的是利用信号强度特征做区分的算法,在室内室外扫描到的Wifi列表和强度会有很大差异,通过这个差异可以练习出模子。绿色的点预测为室内的点,蓝色的点是室外的点。通过这种方法,定位精度提升了15%。

    驾车场景,导航过程中大概会遇到的常见题目。第一个题目是无法定位,开到停车场大概有遮挡的地方,第二个场景是点会有漂移,因为GPS受到修建大概其他遮挡的时候,会产生精度降落的环境。第三种环境是无法区分主路,大概会错过路口。

    对于以上题目,我们采用的是“软+硬”融合定位,软的部门包罗两部门,一个是基于移动定位,第二个是根据舆图匹配。颠末两个“软+硬”结合之后,我们在GPS 10米精度做到90%以上,可以实现高架主路和停车场的连续导航。

    这里面关键的就是怎样实现融合定位,比较有特色的一点就是我们做车机的传感器模块是低成本的,成本不到100元,其他雷同产物成本是比较高的,大概必要几千块钱。利用低成本的器件,能够更容易得到遍及。缺点是精度比较差,定位正确性差一些。要通过软件的方法增补硬件上的缺点。

    095114tcs9fmfxccfq9xmm.png

    我们的解决办法分成三个步调,起首是航向融合。陀螺仪有相对的角度可以算出来,加速器可以算出地球引力的方向,这两个结合以后就可以建立一个滤波方程,把真实的方向连续不绝的输出。第二,把三维的方向和GPS的结果举行一次融合,就可以盘算出修正后的位置。第三步,再和舆图匹配做对比,因为我们知道它的方向、位置以后,就知道它是在上坡还是下坡,是在高架上还是高架下。尚有一点,匹配后的位置跟GPS原始位置做对比,假如差异很大,GPS大概发生了偏移,我们就把GPS舍弃掉,只用惯性导航推算。

    这里面有三个特点,第一,参数动态标定,不必要对器件有初始的标的,我们通过三维的盘算出方向,用舆图匹配反馈。关于舆图匹配的部门,焦点是我们利用HMM的算法举行位置的匹配,推算每个点的道路。这里面比较关键的概率,一个是发射概率,一个是位置转移概率。

    第二,我们把角度也思量进来,角度的变化同样用于决策转移概率,这里面跟位置转移概率的区别就是引入了速度做变量,差别的速度下,发生转角的概率是不一样的,速度慢了大概会转向,速度快也大概转向,所以我们针对每个速率都有一个曲线。

    095115znmn79loebxbbi1i.png

    上图是定位效果,赤色的点是实际修正后的轨迹,蓝色的点是原始的GPS点,下面是在高架下的效果,可以看到高架下GPS点已经非常发散了,飘的到处都是,但是修正之后跟绿色的点是重叠的。下面的图是在停车场里,在停车场进去的时候,蓝色的点就已经消散了,但是赤色的点可以很好的还原出用户在停车场里连续的轨迹。

    高精定位方面,高德重要建立两种定位本事,一种是基于图像定位,一种是基于融合定位。图像定位是只用图像就可以形成比较好的分米级精度,融合定位重要是引入了两个新的定位技能,一个是VSLAM,一个是差分GPS。这两个方法分别应用于有GPS和没有GPS的环境,可以提供很好的精度。VSLAM可以做到偏差很小,因为可以有图像的方法举行修正。

    自动驾驶是一个方向,而且必要从辅助驾驶过渡到自动驾驶,但系统性变化到来之前会有阶段性的变化,就是服务于人的导航服务的精细化,即车道级导航。车道级导航必要高精舆图,至少是分米级的精度。

    对将来定位技能发展的明白。底子本事部门,我们以为5G的出现会为定位提供一种新的大概性,因为5G的频率比4G更高,波长会更短。它可以测距,以前基于基站和Wifi的定位都是基于信号强度的。但是5G支持了测距以后,它就可以提供一个很好的精度,所以大概会出现一种方式,基于5G的定位可以达到雷同GPS的效果。

    095117qbwprhetrrwbt388.png

    第二是融合定位,随着各种新的数据源不绝出现,用新的算法去发挥差别数据源的特点,从而达到整体效果的提升。驾车部门,视觉定位和差分GPS技能的渐渐遍及。室内部门,有超宽带的定位,除此之外尚有蓝牙和Wifi的精准定位。在最新的技能尺度里,也都支持了测距和测角的技能,也就是将来新的蓝牙大概Wifi的APP,大概就能提供一部门的定位本事。

    所以,将来10年内,我们大概会看到这几种方式相互融合,精度会得到质的改变。以上就是我介绍的内容,谢谢大家!

    095117rhe6xlvzpkrep3p3.jpg

    1. <code>关注高德技能,找到更多出行技能范畴专业内容</code>
    复制代码






    来源:https://www.cnblogs.com/amap_tech/p/11725449.html
    C#论坛 www.ibcibc.com IBC编程社区
    C#
    C#论坛
    IBC编程社区
    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则