上一次的分享里，我对百度 Apollo 计划的技术框架做了介绍，如图。

如果要完成 Apollo 1.0 的“封闭场地寻迹自动驾驶”功能，需要解决一个重要的问题：我（无人车）在哪？

“我在哪”这个问题，在 Apollo 1.0 的架构中完全依赖 GPS（全球定位系统） 和 IMU（惯性测量单元）。

今天的分享，我会用尽可能简单的语言，介绍GPS的原理及特性，并谈一谈，为什么无人车的定位不仅要依赖GPS，还依赖IMU。我会在下次的分享中，着重地介绍IMU的功能。

GPS定位原理很简单

GPS是全球定位系统（Global Position System）的简称，常见于汽车、手机中。民用GPS的定位精度在10~20米之间，这是为什么用手机的GPS定位，有时候明明在陆地上，却被认为在河里的原因。

GPS定位的原理很简单，叫做三角定位法（Triangulation）。原理如图：

装在无人车上的GPS接收机，首先量测无线电信号到达卫星的传播时间，再将传播时间乘以光速，即可得到当前GPS接收机到达卫星的距离，有了距离，就可以根据几何原理求得位置了。

若已知GPS接收机到达1号卫星和3号卫星的距离，那么1号和3号卫星根据距离产生两个球体（图中绿色和蓝色的球体），两个球体的相交的部分为圆形，该圆形与地球表面靠近的任何一个点都有可能是当前无人车（GPS接受装置）的位置。

因此仅根据这两个距离信息，还无法确定当前无人车的具体位置。此时通过引入第三个卫星的距离，就能较为准确地确定无人车的位置。这就是三角定位法的原理。

GPS定位精度不太够

根据上面的介绍，只要得到无线电信号达到三颗卫星的传播时间，似乎就能计算得到无人车的位置。

可是工程问题永远没有理论计算那么简单！

在空旷且云层稀薄的情况下，无线电信号的传播时间乘以光速确实与实际的距离接近。

但无线电信号的传播时间多少会受到传播介质的影响的。诸如云层的稀薄情况、天气好坏等都会影响到传播时间，进而影响到距离的计算。距离不准，得到的定位结果当然也不准了。

为了降低天气、云层对定位的影响，工程师们引入了差分GPS的技术。如下图所示：

在地面上建基站（Base Station），基站在建立时，可以得到基站的精确位置信息（经纬度）。同时基站具有接收卫星信号的功能。

当基站的GPS接收机与车载GPS接收机相距较近时（<30km），可以认为两者的GPS信号通过的是同一片大气区域，即两者的信号误差基本一致。根据基站的精确位置和信号传播的时间，反推此时天气原因导致的信号传播误差，之后利用该误差修正车载的GPS信号，即可降低云层、天气等对信号传输的影响。

使用差分GPS技术，可以使无人车的定位精度从10米级别提升至米级。

差分GPS可以解决定位的精度问题，但是解决不了遮挡和反射问题。

当无人车在高楼林立的环境中行驶时，这就会发生如下问题。

1.信号丢失

GPS接收机在高楼周围，很容易失去某一方向、所有的卫星信号，仅依靠另外三面的卫星信号求得的定位结果，在精度上很难满足无人驾驶的需求。

2.多路径问题

在高楼周围也可能导致原本收不到的卫星信号，经过大楼楼体的镜面反射被接收到，这种信号被称为多路径信号（Multi-Path Signal）。从图中可以看出，根据多路径信号计算得到的距离会明显大于实际距离。而无人车是很难判断，当前接收到的信号是单路径还是多路径的。

鉴于以上各种原因，可以看出，单靠GPS这一种传感器，无人车在复杂场景中，很难实现精确定位。

GPS定位频率不太高

GPS定位的频率不怎么高，只有10Hz，即100ms才能定位一次。

通过一个简单的例子，说一说为什么10Hz不够高。

假设一辆汽车正以72km/h（20m/s）的速度在路上直线行驶，GPS定位的周期为100ms，则一个周期后，汽车相对于前一次定位的结果移动了20m/s * 0.1s = 2m，即两次的定位结果相距2米。

如果无人车行驶在一条有曲率的路上，那就意味着，每隔2m，才能根据自车所在的位置，进行一次控制（方向盘转角、油门开度等）的计算。这种控制频率下的车辆行驶效果如下图。无人车在实际轨迹两侧忽左忽右，无法精确地沿着轨迹行驶。

相对于理想情况下的控制方法，无人车的行驶轨迹应当如下图，保持极高频率的定位和控制，每走一小步，都重新进行控制的计算，并执行控制。

为了解决GPS频率太低所带来的问题，工程师引入了其他传感器信号（IMU、激光、视觉）用以提高无人车的定位频率。

这些辅助手段如何实现会在以后分享给大家。

小结

上面的分享不仅介绍了GPS的原理（三角定位）及特性（精度、频率），同时也从无人车控制的角度，讨论了为什么仅有GPS无法满足无人车的定位要求。

如果你想对GPS的信号接口有更为细致的了解，可以参看Apollo公开的proto文件。链接如下：ApolloAuto gnss.proto。我会在以后的软件部分着重分析这些proto文件，敬请期待。

我将在下一次分享中介绍IMU如何与GPS相辅相成，实现无人车的稳定定位。

参考资料：

图片出处：https://www.nationalgeographic.org/photo/triangulation-sized/

图片出处：http://what-when-how.com/gps-with-high-rate-sensors/carrier-smoothed-code-gps/

图片出处：https://www.e-education.psu.edu/geog862/node/1721

返回第一电动网首页 >