你最后一次從手套箱里拿出地圖來弄清楚如何從一個地方到另一個地方是什么時候？您上一次訪問 Mapquest.com 打印前往新地點的路線是什么時候？

由于技術和精確導航的進步，我們不再依賴于地圖導航的“舊方式”。這些進步來自全球定位系統 (GPS)、慣性測量單元 (IMU) 和全球連接技術的革命性改進，可為您的智能手機提供您的位置和方向，以便導航到您的目的地。

話雖如此，仍然需要使用傳感器組合來定位我們所在位置的更高精度的導航系統。今天，我們在智能手機和汽車中看到了這種精確需求，因為我們看到我們的位置在地圖上跳躍，同時穿過隧道或高速公路立交橋。解決實現真正精確導航的挑戰被認為非常重要，以至于DARPA一直在積極開發改進導航的工作——它被認為是“圣杯”，能夠在有限或沒有 GPS/GNSS 覆蓋的情況下確定精確位置。

什么是精準導航？在當今許多應用的背景下，精確導航是車輛和操作員以高精度、可重復性和可信度持續了解其在 3D 空間中的絕對和相對位置的能力。為了安全高效地運行，精確的位置數據還需要快速、經濟高效且不受地理位置限制。

許多行業的重要應用都需要可靠的精確導航、定位和微定位方法。智能農業越來越需要使用自主或半自主設備來提高種植和收獲世界糧食供應的超精確度和生產力。在全球大流行期間，物流效率對倉儲和運輸/交付行業的影響變得顯而易見——倉庫和貨運機器人的有效性取決于它們的定位和導航能力。遠程和最后一英里交付的自主能力也需要精確導航。

今天確實存在高精度解決方案，并用于衛星導航、商用飛機和潛艇等應用。然而，這些解決方案的成本很高（數十萬美元）并且尺寸很大（一條面包）。這些慣性導航系統 (INS) 成本和尺寸高的原因主要在于所需的高性能 IMU 的成本和尺寸，其中陀螺儀性能最為關鍵。

IMU 技術逐漸提高了硬件的尺寸和成本，從笨重的萬向陀螺儀到光纖陀螺儀，再到今天的微型微機電系統 (MEMS) 傳感器。另一個需要考慮的方面是 INS 軟件開發和集成的成本，因為現代應用程序的復雜性和復雜性增加，結合人工智能和機器學習來改進決策和安全性。

慣性導航系統和傳感器的性能、尺寸和成本各不相同。盡管最初是為專門的解決方案而開發的，但現在都可以在汽車應用中找到。（來源：ACEINNA）

將這項技術帶入日常生活的關鍵是在保持性能的同時降低成本和尺寸。這樣做可以實現新功能，這些功能對于無人機、農業機器人、自動駕駛汽車和智能手機的進步至關重要。

導致您在地圖上的位置跳躍的原因突出了當今 GPS 技術的局限性。大氣干擾和過時的衛星軌道路徑數據可以在一定程度上得到修正，計算出的最佳位置精度約為1米。與城市地區的多徑誤差或其他地區的覆蓋差相結合，接收器的誤差范圍增加，位置置信度降低。

這種誤差范圍轉化為道路級別的準確性，即車輛可能在哪條道路上的知識。更高精度的導航旨在獲得車道級精度或更好的車道位置知識。

想象一下，一個人在路上開車，無需非常努力，駕駛員就能夠觀察并繞過障礙物，例如行人、騎自行車的人和坑洼，而不會偏離車道。即使在惡劣的天氣條件下，每天都會穿越帶有令人困惑的道路標志的復雜十字路口。人類使用多種感知（和深度感知），結合過去積累的經驗和實踐，來執行看似簡單的駕駛任務。

以類似的方式，自主和半自主車輛使用一套感知傳感器與導航解決方案相結合，以安全地從一個點移動到另一個點。由于 GPS 和 INS 的現有限制（性能、成本和尺寸之間的權衡），車輛系統必須采用額外的方法來提高定位精度。車道級或厘米級的位置精度在 L2+ 自動化系統中非常重要，可以使車輛在復雜、動態的環境中安全導航，而無需人工干預。

一種流行的定位方法是使用來自激光雷達和攝像頭的圖像和深度數據，結合高清地圖，參考已知的靜態地標和物體實時計算車輛位置。高清地圖是一個強大的工具，包含大量數據，包括道路和車道級別的細節和語義、動態行為數據、交通數據等等。攝像機圖像和/或 3D 點云被分層并交叉引用到車輛的高清地圖數據，以做出車輛控制的機動決策。

這種本地化方法雖然有效，但也存在挑戰。高清地圖是數據密集型的，大規模生成的成本很高，并且必須不斷更新。感知傳感器容易受到環境干擾，從而影響數據質量。

隨著道路上自動測試車隊數量的增加，生成了更大的真實世界駕駛場景數據集，并且用于定位的預測建模變得更加穩健。然而，它的代價是昂貴的傳感器、計算能力、算法、高運營維護以及數 TB 的數據收集和處理成本。

通過將實時運動學 (RTK) 整合到 INS 解決方案中，有機會提高用于精確導航的定位方法的準確性和完整性。RTK 是一種技術和服務，可糾正 GPS/GNSS 數據中的錯誤和模糊性，以實現厘米級精度。

RTK 與固定基站網絡一起工作，這些基站通過空中向移動的車輛或流動站發送校正數據。每個流動站都將這些數據集成到他們的 INS 定位引擎中以實時計算位置，即使沒有任何額外的傳感器融合并且收斂時間非常短，也可以實現高達 1 cm + 1 ppm 的精度。

將 RTK 集成到 INS 和傳感器融合架構中相對簡單，不需要大量使用系統資源。RTK 的使用確實需要連接和 GPS 覆蓋以實現最精確的導航，但即使在中斷的情況下，系統也可以采用航位推算和使用高性能IMU來持續安全運行。

RTK 的優勢在于通過為每個位置基準提供精確的絕對位置以及置信區間來支持視覺定位方法。定位引擎可以使用它來減少歧義并驗證時間和上下文估計。

結論精確導航能力是無數現代應用和行業的核心，這些應用和行業致力于改善我們的日常生活——自動駕駛汽車、微型移動、智能農業、建筑和測量。如果機器可以移動，那么準確和確定地測量和控制其運動至關重要。

慣性傳感器對于測量運動至關重要，GPS 提供有關 3D 空間中位置的有價值的上下文感知，添加 RTK 可提高可靠性和完整性。視覺傳感器可實現深度感知，讓您可以規劃未來。來自這些不同傳感器和技術的數據相結合，使人們對航行規劃和決策充滿信心，從而提供安全、精確和可預測的結果。

關于作者Reem Malik 負責ACEINNA的戰略銷售和業務發展，專注于自主應用的精確定位硬件和軟件解決方案。她擁有超過 15 年的工程和銷售經驗，與 Analog Devices 和 Allegro Microsystems 的全球汽車、消費和儀器儀表客戶密切合作。Reem 在馬薩諸塞州伍斯特市的 WPI 獲得電氣工程碩士學位和學士學位。

Eric Aguilar 擁有技術學位（Cal Poly/USC），他的職業生涯始于在美國海軍研究實驗室為無人機制造傳感器。這些傳感器是解鎖自主飛行和進一步提升無人機能力的基礎。在海軍服役期間，他加入了一家公司，該公司致力于將他的團隊所從事的傳感器商業化。這導致了一家名為“Lumedyne”的初創公司，該公司制造了一種運動傳感器，后來被谷歌以 8500 萬美元的價格收購。

埃里克隨后轉而開發自主系統。他是 Google[x] Project Wing 的航空電子設備負責人，并為其商業交付無人機啟用了自主飛行。然后，他在特斯拉工作（并領導了一個 300 人的團隊），負責 Model 3 的集成工作，以實現自動駕駛。他最近在 Argo AI（一家由福特和大眾資助的自動駕駛公司）領導他們的機器人出租車車隊的傳感器集成工作。

Eric 現在是Omnitr on Sensors的首席執行官和聯合創始人，也是Ascent Robotics的顧問。Omnitron 為傳感器的硅工藝設計提供了新的自由度。該公司正在與領先的汽車供應商和機器人公司討論建立合作伙伴關系。

審核編輯 黃昊宇