自动驾驶系列—自动驾驶如何实现厘米级定位？深入解读GPS/RTK技术与应用

自动驾驶系列—自动驾驶如何实现厘米级定位？深入解读GPS/RTK技术与应用

引用

CSDN

1.

https://blog.csdn.net/u013889591/article/details/143657684

随着自动驾驶技术的快速发展，高精度定位已成为实现自动驾驶的关键技术之一。本文将深入探讨自动驾驶中GPS/RTK数据的结构、预处理、质量评估、算法应用及其应用场景，帮助读者全面了解自动驾驶中的厘米级定位技术。

1. 背景介绍

随着自动驾驶技术的发展，车辆的高精度定位需求变得愈发重要。自动驾驶系统中，定位是最为关键的模块之一，直接影响到车辆的路径规划、环境感知以及决策控制。

GPS（全球定位系统）和RTK（实时动态差分）技术提供了车辆精确的地理位置信息，特别是在厘米级精度的需求下，RTK成为了自动驾驶定位系统的核心技术之一。

在本文中，我们将深入探讨自动驾驶中GPS/RTK数据的结构、预处理、质量评估、算法应用及其应用场景。

2. 技术原理

2.1 GPS原理

GPS（Global Positioning System，全球定位系统）是一种利用地球轨道卫星来提供地理位置和时间信息的系统。其工作原理基于卫星信号的传播时间差，通过三角测量法定位。具体过程如下：

• 卫星信号传输：GPS系统由至少24颗卫星组成，这些卫星按照特定的轨道绕地球运转，每颗卫星都会定期发送包含其位置和时间戳的数据。
• 信号接收与时间差计算：地面上的GPS接收器能够接收到来自多颗卫星的信号。每个卫星信号携带精确的时间信息。接收器通过计算接收信号的时间差（即信号从卫星传到接收器的时间），得到接收器与卫星之间的距离。
• 三角测量法定位：当接收到至少四颗卫星的信号时，GPS接收器可以利用三角测量法确定自身的三维坐标。具体而言，接收器通过求解多颗卫星信号的距离方程，从而得出自身的经纬度和海拔高度。
• 误差修正：由于大气延迟、卫星轨道误差等因素，GPS数据通常会有一定误差，通常在3-10米范围内。通过差分GPS（DGPS）或其他增强技术可以进一步提高定位精度。

2.2 RTK原理

RTK（Real-Time Kinematic，实时动态定位）是一种高精度的卫星定位技术，能够达到厘米级的定位精度。RTK通过基准站和移动站之间的载波相位差分技术实现高精度定位。具体过程如下：

• 基准站设定：RTK系统中，基准站被固定在已知位置，基准站接收来自卫星的信号，并测量这些信号的载波相位。
• 差分校正数据计算：基准站根据自身的已知坐标，计算出每个卫星的真实位置和观测到的位置差异，从而得出差分校正数据。
• 移动站接收差分数据：基准站将差分校正数据通过无线通信传输给移动站（也就是车辆上的RTK接收机）。移动站在接收到基准站的校正数据后，与自身接收到的卫星信号相结合进行实时校正。
• 实时解算位置：移动站利用基准站提供的差分校正数据，结合自己的卫星观测数据，进行相位差分解算，从而获得厘米级精度的实时位置坐标。
• 网络RTK：在广域覆盖的情况下，可以使用多个基准站组成的基站网络，提供更大区域范围内的高精度定位数据。移动站根据周围多个基准站的数据，通过插值计算获得校正信息，实现跨区域的高精度定位。

RTK技术能够有效地消除由大气层、卫星轨道误差等引起的定位误差，常用于需要高精度定位的自动驾驶、测绘等领域。

3. 数据格式和预处理

3.1 GPS/RTK数据格式

GPS/RTK数据通常包含以下信息：

• 时间戳：数据采集的时间，用于同步多传感器数据。
• 经纬度：车辆当前位置的地理坐标，表示为纬度和经度。
• 海拔高度：相对于平均海平面的高度值。
• 航向角：车辆的行驶方向，通常以角度表示。
• 速度：车辆的行驶速度。
• 精度信息：数据的置信度，通常包含水平精度和垂直精度。

3.2 数据预处理

在实际应用中，GPS/RTK数据的预处理至关重要。以下是常用的预处理步骤：

• 数据滤波：去除噪声数据，例如异常偏差或信号跳动的情况。
• 插值与对齐：对GPS数据进行时间插值，确保与其他传感器数据同步对齐。
• 坐标转换：将地理坐标转换为地图坐标或局部坐标系，以便与环境感知和路径规划模块的坐标系保持一致。
• 数据融合：与IMU数据进行融合，提升短时间内的定位精度。

3. 质量评估

高质量的GPS/RTK数据对于自动驾驶系统的安全和稳定性至关重要。在数据质量评估中，常见的指标包括：

• 定位精度：评估定位误差，确保在可接受的范围内。
• 信号质量：观察信噪比及卫星数量，确保数据的可靠性。
• 稳定性：评估位置数据的连续性，避免突发的偏移或信号丢失。
• 时延：确保数据采集和传输的时延低于系统的响应要求。

4. 算法应用

4.1 坐标转换

GPS/RTK提供的地理坐标通常需要转换为车载坐标系。常见的坐标转换算法包括：

• ECEF坐标系转换：将经纬度转换为地心地固坐标系。
• 本地坐标系转换：根据车辆的当前位置构建本地坐标系，使得定位数据与其他感知数据保持一致。

4.2 数据融合

GPS/RTK数据通常与IMU等其他传感器数据进行融合，提升定位的精度与鲁棒性。常见的数据融合算法包括：

• 卡尔曼滤波：将GPS与IMU数据融合，以减少噪声对定位结果的影响。
• 扩展卡尔曼滤波（EKF）：适用于非线性系统的传感器数据融合，提高复杂场景下的定位精度。
• 粒子滤波：在复杂环境下，通过大量粒子实现更稳定的定位结果。

4.3 误差校正

RTK通过基准站提供的修正数据来提高定位精度。在自动驾驶中，误差校正算法主要包括：

• 实时差分校正：通过基准站的修正数据，消除因电离层延迟、对流层延迟等因素导致的误差。
• 动态误差补偿：基于历史数据的误差分析，利用补偿模型减少短时间内的定位漂移。

5. 应用场景

5.1 路径规划与跟踪

GPS/RTK数据为自动驾驶车辆的路径规划和跟踪提供了精确的位置信息。在高速公路、城市道路等不同场景下，系统能够根据车辆的精确位置进行合理的路径规划与调整。

5.2 精确停车

在自动泊车场景中，RTK提供的厘米级定位精度可以帮助车辆在狭小空间内完成停车操作，并与车位线准确对齐。

5.3 高精地图匹配

GPS/RTK数据可以与高精地图匹配，帮助车辆了解其在道路上的具体位置，从而提高导航的准确性，尤其在复杂的城市环境中。

5.4 车辆编队与协同驾驶

在车队行驶或协同驾驶场景中，RTK精确的位置信息能够支持车辆之间的相对位置保持，提升协同驾驶的安全性和稳定性。

6. 代码实现

import numpy as np
from scipy.spatial.distance import euclidean
from geopy.distance import geodesic

# 示例的基准站坐标（已知坐标），用作RTK修正
BASE_STATION_COORDINATES = (37.7749, -122.4194)  # 示例坐标（纬度，经度）

# 假设的移动站坐标，用于进行RTK修正
MOVING_STATION_COORDINATES = (37.7740, -122.4190)  # 示例坐标（纬度，经度）

def haversine_distance(coord1, coord2):
    """
    计算两个GPS坐标之间的距离，使用Haversine公式。
    """
    R = 6371000  # 地球半径，单位：米
    lat1, lon1 = np.radians(coord1)
    lat2, lon2 = np.radians(coord2)
    
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    
    a = np.sin(dlat / 2)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon / 2)**2
    c = 2 * np.arctan2(np.sqrt(a), np.sqrt(1 - a))
    distance = R * c
    return distance

# GPS数据预处理
def preprocess_gps_data(data):
    """
    对GPS数据进行预处理，例如消除异常值，平滑数据等。
    """
    processed_data = []
    for coord in data:
        # 这里可以添加异常值检测、平滑滤波等预处理逻辑
        processed_data.append(coord)
    return processed_data

def calculate_rtk_correction(base_coord, moving_coord):
    """
    计算RTK校正的差分，返回误差向量。
    """
    # 使用基准站的坐标计算偏移量
    base_distance = haversine_distance(base_coord, moving_coord)
    correction = np.array([moving_coord[0] - base_coord[0], moving_coord[1] - base_coord[1]])
    return base_distance, correction

def apply_rtk_correction(raw_gps_data, base_station):
    """
    应用RTK校正，使用基准站数据提高GPS数据精度。
    """
    corrected_positions = []
    for coord in raw_gps_data:
        _, correction = calculate_rtk_correction(base_station, coord)
        corrected_coord = (coord[0] + correction[0], coord[1] + correction[1])
        corrected_positions.append(corrected_coord)
    return corrected_positions

# 示例GPS数据集
raw_gps_data = [
    (37.7741, -122.4189),
    (37.7742, -122.4190),
    (37.7743, -122.4191)
]

# 预处理数据
processed_data = preprocess_gps_data(raw_gps_data)

# 应用RTK校正
corrected_positions = apply_rtk_correction(processed_data, BASE_STATION_COORDINATES)

# 显示结果
print("原始GPS数据:", raw_gps_data)
print("校正后的GPS数据:", corrected_positions)

代码说明：

• haversine_distance：使用Haversine公式计算两个地理坐标之间的距离，适合GPS数据。
• preprocess_gps_data：对GPS数据进行预处理，包括去噪和异常值检测。在实际项目中，这一步可能会使用滤波算法（如卡尔曼滤波）来平滑数据。
• calculate_rtk_correction：计算基准站与移动站之间的偏移量，作为RTK差分。
• apply_rtk_correction：使用基准站的数据修正移动站的GPS数据，提高定位精度。

7. 总结与讨论

GPS/RTK技术为自动驾驶系统提供了高精度、低延迟的定位数据，使得自动驾驶车辆在复杂路况中能够精准定位。然而，GPS/RTK也存在一些挑战，例如信号易受遮挡、误差随环境变化等。因此，在自动驾驶系统中，通常还需要将GPS/RTK与其他传感器（如IMU）进行数据融合，以实现更稳定的定位效果。

在未来的发展中，如何进一步提升GPS/RTK数据的稳定性、实现更高效的算法融合，将是自动驾驶技术持续改进的重要方向。