高德车机定位精度3米正常吗（高德在提升定位精度方面的探索和实

高德手机导航信号弱怎么处理？高德提高定位精度的探索与实践

在2019年杭州云起大会上，高德地图技术团队与与会者分享了多个出行技术领域的热点话题，包括视觉与机器智能、路线规划、场景/精细定位时空数据的应用、亿级交通架构的演进等。现场火爆，观众反响强烈。本文是我们陆续整理出版的优秀演讲稿之一。

阿里巴巴资深地图技术专家方星在高德技术专场做了题为《向场景化、精细化演进的定位技术》的演讲，主要分享了高德 提高定位精度的探索与实践。本文根据网站内容整理而成(文字略有编辑，不影响初衷)。关于定位技术实现的更多细节，请关注后续系列文章。

以下是方兴 演讲

今天要分享的主题是关于定位的场景化和精细化。高德定位不仅服务于高德地图本身，也为所有应用开发者和手机设备厂商提供定位服务。目前，超过30万个应用程序正在使用高德 的定位服务。

用户每天都会大量使用基于位置的服务，比如看新闻、打车、点外卖，甚至购物。，他们必须获得位置信息。有了更准确的位置信息，他们可以获得更好的服务体验。

高德地图的日活用户超过1亿，但使用位置的用户也有上亿，位置请求量每天1000亿次。这么大的数据量，高德定位服务能保持毫秒级的响应速度，我们在这方面做了很多工作。，我们还提供全场景定位能力，可以为手机、车机或任何厂商提供位置服务。

今天我将从四个方面向大家介绍，即

定位的挑战高德地图全场景定位分为不同场景，提高定位精度。未来机会定位的挑战。

大家可能都知道，GPS在大多数情况下可以提供不错的精度，对于一些场景，比如开车，就不够用了。GPS给出的精度是10米左右。如果你只依靠GPS定位，你可以 我甚至不知道你在路的哪一边。

第二个场景是室内，室内没有GPS信号。这种场景下如何实现更精准的定位？第三种情况是如何在准确性和成本之间取得平衡，因为不可能为了追求良好的准确性而无限地投入成本。只有通过海量的数据挖掘，算法和数据质量的提升，效果的不断优化，才能实现最终的各种场景的全覆盖。

有很多技术可以选择。除了GPS定位，还有基于 定位和Wifi的基站。原理是通过扫描的Wifi和基站列表以及信号强度来搜索数据库，找到Wifi的位置并定位。

，还有惯性导航和定位。惯性导航是一种相对定位 ，可以不断计算距离上次定位的偏移量。初始定位后，根据连续计算可以得到最终位置。

还有基于地图匹配的定位。比如GPS的点落在一个湖里，这显然是有问题的。你可以通过地图匹配找到最近的路，这个时候精度就提高了。

还有一些近几年非常流行的定位 ，比如视觉、雷达、激光等。自动驾驶的概念推动了这些技术的发展，这些 都有各自的定位精度和差异。例如，视觉在实际应用中经常需要大量的计算和存储开销。

很多时候还是要基于Wifi定位获得初始定位，然后在不同的场景下不断优化，通过不同的数据源提高精度。

如何在高德地图中实现全场景定位

高德主要分为两个业务场景，手机和车机。在手机上，主要是GPS 定位。在开车的场景中，我们也会根据地图做一些匹配，支持特殊道路。

以前很多用户反映会遇到GPS信号不好，无法定位导航的情况。约60%的情况是因为用户位于地下停车场或隧道内，约30%的情况是附近被严重遮挡，比如高架桥下或非常高的建筑物旁。这些都会对GPS造成严重的阻碍。

我们打 的时候，连接的基站可能就在一公里之内，在这么短的距离内传输信号往往会中断。如果GPS信号在2万米以外，问题的可能性还是存在的。所以GPS必须辅以其他手段，比如地图匹配或者惯性导航。

在室内场景下，需要解决的是如何挖掘Wifi基站的位置，提高精度。

在汽车场景中，我们会结合更多汽车输入的数据来帮助我们。

定位的基本能力

定位本质上是一个数据闭环。定位的时候其实大家都是发自己的基站和Wifi列表。发送的数据一方面可以用于定位，另一方面可以用于数据训练。数据训练主要产生两种数据，一种是Wifi基站的位置。通过数据挖掘，可以得到大概的位置(初始位置)，精度较差。二是生成更详细的空间信号强度分布图。有了这个地图，我们就可以进行更精确的定位，根据信号强度判断我离这个基站和Wifi有多远，从而提高精度。

数据闭环完成后，就是一个正反馈。数据越多，训练结果越多，定位结果越准确，从而吸引更多用户使用(产生数据)。这是通过数据挖掘提高准确性的闭环。

在算法部分，我们也经历了不断的迭代。它最初是基于经典的分簇模型，即扫描基站的Wifi列表，分簇后选择其中一个作为我的位置。这种 效率高，能很快得到结果，但精度差。

第二步，我们对空间进行精细划分，统计每个网格中的一些基本特征，比如历史定位的点数，定位次数，Wifi数量等。计算一个网格的分数，然后对网格进行排序，你的定位点就是这个网格。通过这种 ，30米精度的比例提高了15%。

这种 也有局限性，手动调整参数带来的好处有限，调整到一定程度也没有办法改善。

，第三步就是把机器学习算法引入这个过程，利用监督的学习提升到更佳的模型和参数，这样可以在特定场景下获得显著提升。主要的场景就是解决大误差的Case。

一个比较典型的问题就是，扫描到的基站Wifi可能只有一个基站、一个Wifi，没有别的信息了。这个基站Wifi又离的特别远，无论选择基站还是Wifi，都有50%的概率是算错了。有监督学习，就可以把海量的配送拿出来，精细化的挖掘细微的差异，达到全局更优的效果，在某一情况下选基站，某一情况下选Wifi。把犯错的比例降低了50%。

上图就是我们的线上神经 的模型，神经 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的信号强度和混合特征作为特征输入，把历史位置也作为序列放进来，这个历史位置特征会放入一个RNN模型，预测现在的位置，使用预测的结果和基站Wifi列表特征，再往下预测，是网格的打分。最终输出一个概率更高的网格作为输出。

这个 更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，如何能够达到更优。高德每天有上千亿次的调用，延时要在10毫秒以内。

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

我们做了三个方面的优化，之一是分级排序。把定位过程变成一个显微镜步骤，先做一个很粗略的定位，然后逐步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，快速过滤掉一些不可能的位置。

然后，在很精细的网格里，用更多的特征、更多的网格进行排序。通过这种 ，就可以极大提升计算的效率，把一些不必要的计算过滤掉。

第二是模型简化。虽然深度学习的效果很好，不可能在线上用很复杂的模型，我们通过减少层数和节点数，把浮点数精度降低。

第三是特征压缩。这里面有特色的一点是我们根据模型进行的压缩，原始特征的输入的数量是很大的，我们增加一个编码层，输入的特征经过编码层以后，只输出两个字节的特征。我们把在线、离线的数据处理好以后，在线只存储两个字节。通过这种 ，在线特征的数据量降低了10倍，降低到1个TB以内。以上是解决的几个主要问题。

不同场景下的精度提升

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

怎么解决这个问题？一种 是通过数据采集，就是在室内进行人工的采集，使训练数据的数据分布跟实际的预测数据分布保持一致，这种 精度比较好，主要缺陷是成本非常高，目前也只是在热门商场和交通枢纽进行这样的数据采集，这肯定不是一个可扩展的 。

我们的 是想通过引入更多的数据优化定位过程。如果能基于地图数据挖掘出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，有一个可能就是你在肯德基里，这个 比较简单。实际用的 会更加复杂。

我们是利用Wifi信号的分布反向挖掘出位置，上图里蓝色的部分就是楼块的位置，红色的点是Wifi的真实位置，绿色的点是采集到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跟楼块或者跟POI的关联，通过这个 可以使全量Wifi的30%都能关联上相应的POI或者楼块。

在线的时候需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别，通过这个差别可以训练出模型。绿色的点预测为室内的点，蓝色的点是室外的点。通过这种 ，定位精度提升了15%。

驾车场景，导航过程中可能会遇到的常见问题。之一个问题是无法定位，开到停车场或者有遮挡的地方，第二个场景是点会有漂移，因为GPS受到建筑或者其他遮挡的时候，会产生精度下降的情况。第三种情况是无法区分主路，可能会错过路口。

对于以上问题，我们采用的是“软+硬”融合定位，软的部分包括两部分，一个是基于移动定位，第二个是根据地图匹配。经过两个“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持续导航。

这里面关键的就是如何实现融合定位，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，其他类似产品成本是比较高的，可能需要几千块钱。使用低成本的器件，能够更容易得到普及。缺点是精度比较差，定位准确性差一些。要通过软件的 弥补硬件上的缺点。

我们的解决办法分成三个步骤，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，把真实的方向持续不断的输出。第二，把三维的方向和GPS的结果进行一次融合，就可以计算出修正后的位置。第三步，再和地图匹配做对比，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。还有一点，匹配后的位置跟GPS原始位置做对比，如果差别很大，GPS可能发生了偏移，我们就把GPS舍弃掉，只用惯性导航推算。

这里面有三个特点，之一，参数动态标定，不需要对器件有初始的标的，我们通过三维的计算出方向，用地图匹配反馈。关于地图匹配的部分，核心是我们利用HMM的算法进行位置的匹配，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，我们把角度也考虑进来，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，不同的速度下，发生转角的概率是不一样的，速度慢了可能会转向，速度快也可能转向，所以我们针对每个速率都有一个曲线。

上图是定位效果，红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，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，蓝色的点就已经消失了，红色的点可以很好的还原出用户在停车场里持续的轨迹。

高精定位方面，高德主要建立两种定位能力，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，融合定位主要是引入了两个新的定位技术，一个是VSLAM，一个是差分GPS。这两个 分别应用于有GPS和没有GPS的情况，可以提供很好的精度。VSLAM可以做到误差很小，因为可以有图像的 进行修正。

自动驾驶是一个方向，并且需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。车道级导航需要高精地图，至少是分米级的精度。

对未来定位技术发展的理解。基础能力部分，我们认为5G的出现会为定位提供一种新的可能性，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。5G支持了测距以后，它就可以提供一个很好的精度，所以可能会出现一种方式，基于5G的定位可以达到类似GPS的效果。

第二是融合定位，随着各种新的数据源不断出现，用新的算法去发挥不同数据源的特点，从而达到整体效果的提升。驾车部分，视觉定位和差分GPS技术的逐渐普及。室内部分，有超宽带的定位，除此之外还有蓝牙和Wifi的精准定位。在最新的技术标准里，也都支持了测距和测角的技术，也就是未来新的蓝牙或者Wifi的APP，可能就能提供一部分的定位能力。

所以，未来10年内，我们可能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！

作者高德技术小哥

高德导航定位精度 高德导航定位精度20米是怎么回事