高精度地圖一定是匹配高精度定位來使用的，如果車輛定位本身精度不高，就類似于你獲得了碧血劍譜，但是沒有自宮，這個武功是沒有辦法學會的。

高精度定位與高精度地圖緊密聯系，為自動駕駛汽車路線規劃，道路感知，駕駛控制提供支持，首先，高精度地圖數據的采集、處理、以及地圖的建模都需要以高精度的位置坐標作為框架。高精度地圖中道路和場景是自動駕駛汽車感知和決策的數據基礎，若在制圖過程中位置標定出現誤差，就有可能造成自動駕駛系統的判斷失誤。

其次，以高精度地圖為基礎，結合感知匹配實現高精度的自主導航定位，在定位信號中斷或不穩定的情況下，保證自動駕駛汽車仍明確知曉車輛在當前環境中的準確位置。而高精度地圖與高精度定位相結合，車輛能夠提供了解當前位置可能的道路特征情況，調高傳感器的識別精度，降低對于傳感器的性能要求。

前面說了普通GPS的定位精度只能到5-10米左右的絕對精度，做的相對比較好的可以做到5米左右，但是無法充分滿足自動駕駛汽車對高精定位的要求，需要尋求其他輔助手段來提高定位精度。

RTK絕對位置高精度定位

RTK——“地面上的衛星定位系統”。RTK技術指實時動態載波相位差分技術， 通過地面基準站與流動站之間的觀測誤差，實現分米乃至厘米級的高精度定位。衛星定位的誤差難以避免，而地面上某些固定點位的絕對位置坐標是可以相對精確給定的——例如特定的地理坐標點、衛星接收站等，以該點位為中心的20-40km半徑范圍內，對流層、電離層等環境干擾對衛星信號的干擾方向和程度基本一致。

因此這類點位作為RTK中的“基準站”，協助附近的運動物體一一“流動站”矯正衛星定位的結果。簡要流程如下：

一、基準站將衛星定位結果與已有精確坐標比對，計算出此時該區域的衛星定位的綜合誤差；

二、基準站將該誤差數據發送給附近的流動終端；

三、流動站收到誤差數據，矯正自身衛星定位結果， 實現厘米至亞米量級定位精度。

簡單點理解，就是增加了一些基站，類似移動4G這樣的基站，這個基站是專門用來做高精度輔助定位的，此時就需要在車上增加RTK接收的天線，同時這個RTK類似于移動收費一樣，用戶需繳服務費獲得差分修正數據，這筆錢要交給地基增強網運營商。

從RTK原理可以看出，除了設備和技術本身，RTK定位精度還取決于基站絕對位置的精度，以及距基準站的距離。RTK的供應商國內第一的就是千尋，全國建立超過2600個地基增強站，這個可以在很多位置可以覆蓋高精度定位。

是不是看起來非常理想，通過RTK就可以解決高精度定位，還是太年輕，想想RTK的本質還是需要接收到GPS信號，同時結合接收RTK的基站信號，成本這里就不談了，需要增加接收差分信號接收天線和模塊，關鍵你怎么保障你車子行駛的位置都有GPS和RTK基站信號。

首先來看GPS信號接收比較困難，是因為衛星的發射功率并不大，信號到達地面時已經很弱。這種信號強度相當于1.6萬公里外一個25瓦的燈泡發出的光。再做個比喻，它比電視機天線所接收到的功率還要低10億倍，所以在隧道、樹木茂密、高樓林立的地方，雖然天空中有7-8顆衛星，但是至少需要接收到4顆衛星及以上才能定位。

此時經過信號的反射多路徑干擾，隧道的衰減等等，所以在這些天橋、隧道、樹木茂密等駕駛環境下GPS搜不到信號也是正常。

我們再來看看RTK的一個基站覆蓋的范圍是20-40KM，而且基站建立的成本也不低，主要在城市道路或者常用的高速道路附近有基站，所以不能完全保證在所有道路上都能定位，碰上GPS信號不好，而且RTK基站也不能覆蓋的地方，難道就繳械投降了？

不著急，我們還有一種方式定位，IMU慣性導航定位，專門就是用來應對這些場景的。

IMU實現不依賴外部信息的自主導航 慣性導航

IMU即慣性策略單元，是組成慣性導航系統的設備單元， 是組成慣性導航系統的設備單元，由陀螺儀、加速計、算法處理單元三部分組成。陀螺儀與加速計分別測量角度、加速度信息。不依靠外界的信息輸入，慣性導航系統可以向自動駕駛汽車提供航向、姿態、速度、位置等導航參數， 是高精定位不可或缺的一部分。IMU提供信息的維度稱為自由度(DOF) ， 三軸(x軸、y軸、z軸) 陀螺儀加三軸加速計， 組成六自由度IMU， 也稱六軸IMU。再加上用于測量相對于地球磁場方向的三軸磁強計組成九自由度IMU， 也稱九軸IMU。IMU提供的信息與汽車輪速記、方向盤轉角等信息有重疊， 為自動駕駛汽車感知方位與姿態提供冗余信息。

有點難懂，我們從網上找到比較簡單容易理解的方式；

當我們晚上回到家，發現家里停電時，眼睛在黑暗中什么都看不見的情況下，只能根據自己的經驗，極為謹慎地走小碎步，并不斷用手摸周圍的東西（比如冰箱），用以確定自己所在的位置。

IMU的原理和黑暗中走小碎步很相似。

在黑暗中，由于自己對步長的估計和實際走的距離存在誤差，走的步數越來越多時，自己估計的位置與實際的位置相差會越來越遠。

就像下圖所示。

走第一步時，估計位置（黑人所在位置）與實際位置（白人所在位置）還比較接近；但隨著步數增多，估計位置與實際位置的差別越來越大。

圖中的小人只朝一個方向移動，是一維的。根據此方法推廣到三維，就是慣性測量單元的原理。

學術上的語言是：以牛頓力學定律為基礎，通過測量載體在慣性參考系的加速度，將它對時間進行積分，且把它變換到導航坐標系中，就能夠得到在導航坐標系中的速度、偏航角和位置等信息。

所以看到這個慣性導航，實際就是根據牛頓力學，在GPS失去信號的時候，根據當前的位置，前進的速度，方向和角度，自己建立一個坐標系，算出一個預估的位置，輸出給導航地圖一個經緯度位置，實現自主導航，從圖片中也可以看到，這個有一個確定，這個可以短時間使用，如果長時間使用的話，這個位置累積偏移會非常嚴重。如果要測試一個IMU的自主導航的偏移度怎么樣，就應該長時間失去GPS信號的情況下去測試，此時最合適的就是長長的隧道，所以為什么臺北的雪山隧道，這么受到車廠的測試愛戴，因為它全長約12.9公里，完全有這么長的時間測試IMU的偏移度。

IMU在自動駕駛汽車高精定位中的作用：協助GPS定位與無外部信號自主導航。IMU在自動駕駛過程中時刻發揮著作用：GPS信號的更新頻率為10Hz——也就是每0.1秒更新一次GPS定位信息， 而IMU設備的更新頻率在100Hz以上， 在兩次GPS信號更新之間， 自動駕駛汽車可以結合IMU提供的車輛方位、姿態、速度等信息推算汽車的精確位置，實現高頻率高精度定位，滿足自動駕駛汽車對實時定位的要求。

而在無定位信號或弱定位信號區域， 自動駕駛汽車可以通過IMU實現短時間自主導航——這是IMU在自動駕駛高精定位環節發揮的另一重要作用。例如，當自動駕駛汽車駛入隧道、山路等信號較弱路段，或接收電磁波信號、光信號(用于攝像頭識別)受到強烈干擾導致設備無法正常工作時，汽車保留最后一次穩定接收到的定位數據， 基于IMU提供的參數信息計算汽車在弱信號路段的具體位置， 結合高精地圖數據實現自主導航。但IMU的計算誤差會隨時間增大， 因此強調是在一定時間范圍內的自主導航。

跑在控制器上的軟件對信息的處理流程在時間維度上類似下圖。在0~100ms的周期中，使用IMU進行9次位置的估計，待新的GPS定位數據進來時，則進行修正，以此實現高頻率的定位結果輸出。

就這樣，GPS與IMU便相輔相成地實現了無人車的穩定定位,就能解決我們前面提到的定位刷新頻率≥100HZ的問題。

到這里了，高精度定位絕對位置的倚天和屠龍都已經亮出來了，我們看看首先是RTK在GPS信號和基站信號的情況下可以實現2-30cm的高精度定位，而IMU慣性導航，可以彌補GPS定位缺陷，精確感應定位和車身姿態，IMU全天候工作，受外界干擾小，短期精度和穩定性好，數據更新頻率高，劣勢就是自動駕駛的IMU的成本需要非常高。

其實這里也可以看到RTK使用有很多痛點：

第一，用戶購買終端硬件貴，差分技術及元器件實際上過去是應用測繪行業，硬件成本高。

第二，用戶需繳服務費獲得差分修正數據，這筆錢要交給地基增強網運營商。

第三，用戶需繳通訊流量費用于用戶端與增強系統間的數據傳輸，這筆錢要交給4G運營商。

第四，數據保密問題，地基增強網是雙向數據，用戶位置數據會被運營方自動無償獲取。

第五，使用范圍有限制：只在差分站覆蓋范圍內，實際上有保障可用信號的范圍目前還非常有限。

第六，由于技術復雜，導致維權法律上取證難度大。出現事故后，在衛星網絡、地基增強網絡、3G/4G運營商、終端設備供應商之間難以鑒別劃分責任。

總結下來從車廠還有用戶角度出發的最關鍵痛點是：

用戶終端硬件貴

需繳服務費和通信費：獲得差分修正數據

使用范圍有限制：差分站和通訊網絡覆蓋范圍內

其實在這里除了RTK這樣的屠龍，還有一種葵花寶典的RAC技術。在最近的2020智能網聯汽車C-V2X“新四跨”暨大規模先導應用示范活動在上海國際汽車城測試場，本次“新四跨”大規模測試驗證的17個實現車路協同的場景，絕大多數都要求車輛具有高精度的實時定位能力。在不依賴車載雷達和視覺的條件下，高精度衛星定位已成為不可或缺的技術方案。

此次新四跨大規模實際道路測試和現場公開演示中，百度Apollo，PSA等多家廠商經過大規模測試選用搭載RAC，駕駛精度和駕駛體驗都優于RTK，得到體驗專家和媒體的高度評價。

RAC就是多陣列天線去接收GPS信號，通過算法來實現精度的提高。

可以看到用戶使用RAC的BOM成本低，無需差分修正數據支持，所以不需要流量費用，數據可以得到很好的保密，只為用戶和車廠所有，使用范圍也廣，在城市環境，樹木遮擋、高架橋下、RAC動態穩定性魯棒性比RTK好。

高精度定位相對定位

絕對位置定位是以地球為參考系，相對位置定位以當前駕駛場景為參考系，相對位置定位思路和人類駕駛過程更為類似：人類駕駛員在駕駛過程中，通過視覺觀察周圍場景中的物體，包括建筑、路緣、標志線等，經過對比判斷車輛在當前場景中的位置。

類似的，自動駕駛汽車通過高清攝像頭、激光雷達等感知設備獲取周圍場景內物體的圖像或反射信號，將其與事先采集的高精度地圖數據進行匹配，從而獲得車輛當前位置的精確估計。

相對位置定位可以分為（激光雷達）點云匹配和視覺定位兩大技術路線。點云匹配以激光雷達為核心；激光雷達向外發射激光脈沖，從地面或者物體表面發射形成多個回波返回進行匹配，實現汽車當前場景的高精度定位。目前主流的匹配算法包括概率地圖與NDT（正太分布變換）算法兩種，代表玩家如google、HERE、TomTom。

視覺定位以攝像頭為核心，分為兩種路徑：視覺匹配和視覺里程定位，視覺匹配通過提取圖像中的道路標識、車道線等參照物體與高精度地圖進行匹配，實現精準定位，代表玩家如特斯拉、Mobileye、英偉達。基于視覺里程算法的定位技術以雙目攝像頭為主，通過圖像識別以及前后兩幀圖像之間的特征關系來計算車輛當前的位置，但該方案依賴攝像頭的成像質量，在光線不佳、視線遮擋等環境下定位可靠性有待考量，一般不會單獨使用。

自動駕駛汽車是如何利用高精度地圖和高精度定位來進行“導航”的

當前自動駕駛導航過程可以簡要分為三個階段：路線級規劃、車道級規劃、自動駕駛控制。路線級規劃通過導航地圖確定具體行駛路線，考慮交通方式、路線距離、交通狀況、途徑地點等，是點到點的粗略規劃。車道級規劃依靠高精度地圖，根據給定的路線確定具體的形式方案，包括車輛起步和停止、速度限制、車道保持與變道、車道坡度等。在自動駕駛控制階段，系統依據具體的行駛方案控制汽車，實現自動駕駛。

具體到自動駕駛的控制，我們可以將自動駕駛流程分為“感知層-決策層-執行層”，高精地圖橫跨“感知層”和“決策層”。在感知層，車輛通過攝像頭、毫米波雷達、激光雷達等設備獲取周圍場景信息，實現周圍感知；將周圍場景信息與高精度地圖進行比對，確定車輛相對位置，并通過GNSS、RTK 定位、慣性導航系統確定自身姿態、速度和絕對位置，共同實現自我感知。感知信息進入決策層，算法將依據高精地圖、車聯網技術提供的多維度信息對具體駕駛問題做出判斷、輸出車輛控制信號并交給執行層執行。

①感知層首先要感知周圍環境，高精地圖用于環境感知，能夠與激光雷達、攝像頭等感知設備輸出結果形成冗余，提高識別的準確度。此外，高精地圖信息能夠為感知設備識別提供輔助信息。例如，通過高精度地圖，已知汽車在當前位置附近有紅綠燈，再通過攝像頭、雷達設備感知該紅綠燈存在的準確率能夠有所提升。

②除了感知周圍環境，自動駕駛的車輛同時要實現自我感知，即知道“我在哪”。利用高精度地圖&高精度定位（絕對位置+相對位置）是自動駕駛汽車定位解決方案的定位模式。

以激光雷達點云匹配的定位方案為例：一方面，車載激光雷達掃描獲得點云數據，并提取數據中包含的環境特征；另一方面，車輛從“ GNSS + RTK + IMU ”定位組合中獲得車輛位置的預測值，從高精地圖中獲取該位里附近的環境特征，之后將掃描識別的環境特征與高精地圖記述的環境特征做匹配融合，獲取車輛當前場景下精確的位置信息。高精定位方案中，共有三部分相互重盈的定位子系統：

一、衛星定位，包括RTK 定位技術、地基增強網絡等；

二、航位推算引擎，包括 IMU 、車身里程計、以及車輛控制系統的總線信息；

三、基于高精地圖的相對位置。

三部分之間信息相互藕合，結果相互冗余，從而保證定位的精度和可靠性。

我們來看看行業最具代表性的百度Apollo 2.0的多傳感器高精度定位的實現方式。

按照百度 APollo的劃分，適用于自動駕駛汽車的定位技術可由六部分組成，分別為：慣性導航（定位）、衛星定位、磁力導航（定位）、重力導航（定位）、激光點云定位、視覺定位。不同部分之間優勢互補，定位結果之間相互重疊以矯正誤差，提高定位精度和魯棒性。

以 Apollo2.O 多傳感器融合定位模塊為例，以IMU為基礎的慣性導航解算子模塊、以地面基站和車端天線為基礎的 GNSS 定位子模塊、以及以激光雷達、高精地圖為基礎的點云匹配子模塊相互融合，輸出一個 6 DOF（自由度）位置和姿態信息，并且融合結果反饋給 GNSS 定位和點云定位子模塊，提高兩定位模塊的精度。在該框架中， GNSS定位模塊向系統提供車輛絕對位置信息，而點云定位模塊向車輛提供相對距離、相對位置信息。

③感知完周邊環境和自我位置之后，高精度地圖接下來用于進行決策支持。在規劃與決策層面，高精地圖除了用于自動駕駛汽車車道級別的線路規劃外，還能夠為決策和識別算法提供支持。例如，當車輛駛近人行橫道——高精地圖上標注的“興趣區”時，識別算法將提前進行模型比較，提高對各類行人姿態的識別準確率，同時降低車速，避免事故的發生。

由于自動駕駛需要極高的安全性，因此系統的魯棒性非常重要，由于攝像頭、激光雷達、毫米波雷達、高精度地圖都有信息缺失或者不能及時獲取的可能，因此各種傳感器的信息相互補充，互為冗余就非常重要了。高精地圖和感知層（激光雷達、毫米波雷達、攝像頭）一起構成了信息冗余的組成環節，信息冗余確保自動駕駛的魯棒性。高精地圖提供的部分道路和環境信息，例如道路細節信息、交通標志等，與自動駕駛汽車通過攝像頭、激光雷達等感知設備獲取的信息存在重疊，達到“信息冗余”狀態。一方面，冗余信息確保車輛在遇到惡劣環境、信號不佳、識別錯誤等非常規狀況時能夠依靠多余信息實現正確駕駛決策，確保自動駕駛的“魯棒性”。另一方面，信息冗余為相對位置定位提供支持。通過將實時感知信息與高精地圖信息進行對比，汽車可以獲取當前行駛的相對位置，與基于GNSS 等技術手段的絕對位置定位互補，構成另一層次的“信息冗余”。

到這里為止，就講明白了高精度地圖，高精度定位，怎么通過傳感器的融合和冗余實現高精度地圖的感知、定位、決策的整套流程。

加入《阿寶說車》知識星球，可獲得這些模塊的相關學習資料，包括16大板塊，詳細清單如下：