2019杭州云棲大會上，高德地圖技術團隊向與會者分享了包括視覺與機器智能、路線規(guī)劃、場景化/精細化定位時空數(shù)據(jù)應用、億級流量架構演進等多個出行技術領域的熱門話題。現(xiàn)場火爆，聽眾反響強烈。我們把其中的優(yōu)秀演講內容整理成文并陸續(xù)發(fā)布出來，本文為其中一篇。

阿里巴巴高級地圖技術專家方興在高德技術專場做了題為《向場景化、精細化演進的定位技術》的演講，主要分享了高德在提升定位精度方面的探索和實踐，本文根據(jù)現(xiàn)場內容整理而成（在不影響原意的情況下對文字略作編輯），更多定位技術的實現(xiàn)細節(jié)請關注后續(xù)系列文章。

以下為方興演講內容的簡版實錄：

今天要分享的主題是關于定位的場景化、精細化。高德定位，并不只是服務于高德地圖本身，而是面向所有的應用開發(fā)者和手機設備廠商提供定位服務。目前已有30萬以上的APP在使用高德的定位服務。

用戶每天會大量使用定位服務，比如看新聞、打車、訂外賣，甚至是購物，首先都是要獲得位置信息，有了更精準的位置信息，才可能獲得更好的服務體驗。

高德地圖有超過1億的日活用戶，但是使用定位的有好幾個億，每天的定位請求數(shù)量有一千億次。如此大的數(shù)據(jù)量，高德定位服務可以保持毫秒級的響應速度，我們在這里面做了很多工作。此外，我們還提供全場景的定位能力，不管為手機、車機還是任何廠家，都能提供位置服務。

我今天從四個方面介紹，分別是：

• 定位面臨的挑戰(zhàn)
• 高德地圖全場景定位
• 分場景提升定位精度
• 未來機遇

定位面臨的挑戰(zhàn)

大家可能都知道GPS，GPS在大部分情況下可以提供很好的精度，但是對于某些場景還是不夠，比如駕車，GPS給出的精度大概是10米，如果僅靠GPS定位甚至無法區(qū)分出在馬路的哪一側。

第二個場景是在室內，室內收不到GPS信號，這樣的場景下如何實現(xiàn)比較準確的定位？第三個場景是如何在精度和成本之間取得平衡，因為不可能為了追求一個很好的精度去無限投入成本。只有通過海量大數(shù)據(jù)挖掘，算法和數(shù)據(jù)質量的提升，達到效果的持續(xù)優(yōu)化，才能達到最終對各種場景的全覆蓋。

有很多技術可以選擇，除了GPS定位，還有基于網(wǎng)絡定位、Wifi基站，原理就是通過掃描到的Wifi和基站列表、信號強度，進行數(shù)據(jù)庫查找，找到Wifi位置，定位。

除此之外還有慣性導航定位，慣性導航是一種相對定位的方式，可以不斷計算跟上次定位的偏移量，有了初始定位之后，根據(jù)連續(xù)計算可以獲得最終的位置。

還有根據(jù)地圖匹配定位，比如GPS的點落在一個湖里，顯然是有問題的，可以通過地圖匹配，找到最近的一條路，這時候精度就得到了提升。

還有一些定位方式最近幾年變得很熱門，例如視覺、雷達、激光，自動駕駛的概念推動了這些技術的發(fā)展，這些方式各有各的定位精度和差異性。例如視覺，在實踐中往往需要大量計算和存儲的開銷。

很多時候，還是要基于Wifi的定位，獲得初始定位，然后在不同場景下不斷的優(yōu)化，通過不同的數(shù)據(jù)源提升精度。

高德地圖如何實現(xiàn)全場景定位

高德主要分為兩個業(yè)務場景，手機和車機。在手機上主要是GPS+網(wǎng)絡定位。駕車的場景下，我們還會做一些根據(jù)地圖的匹配，實現(xiàn)對特殊道路的支持。

以往，很多用戶會反饋說會遇到GPS信號不好，導致無法定位、無法導航的情形。約有60%的情況是因為用戶位于地下停車場或者在隧道里，約30%的情況是附近有嚴重的遮擋，比如在高架橋下，或者在很高的高樓旁。這些都會造成對GPS比較嚴重的遮擋。

我們打電話的時候，連接的基站可能就在一公里范圍內，這樣短的距離傳輸信號還時常會出現(xiàn)信號中斷，如果GPS信號距離兩萬多米的高度，出現(xiàn)問題的可能性還是存在的。所以必須通過其他方式，例如地圖匹配或者慣性導航來對GPS進行補充。

在室內的場景，需要解決的是如何去挖掘Wifi基站的位置，提升精度。

在車機的場景，我們會結合更多來自于汽車的數(shù)據(jù)輸入來幫助我們。

定位的基礎能力

網(wǎng)絡定位本質上是一個數(shù)據(jù)閉環(huán)，每個人在定位的時候，實際上是發(fā)送了本身的基站和Wifi列表，發(fā)送的數(shù)據(jù)一方面可以用來定位，另一方面也可以用做數(shù)據(jù)訓練。數(shù)據(jù)訓練主要產(chǎn)出兩種數(shù)據(jù)，一個是Wifi基站的位置，通過數(shù)據(jù)挖掘，我們就可以獲得大概的位置（初始定位），但是精度比較差。第二個是產(chǎn)生更詳細的空間信號強度分布圖。有了這個圖以后，就可以進行比較精準的定位了，根據(jù)信號強度判斷我距離這個基站和Wifi有多遠，從而對精度進行改進。

數(shù)據(jù)閉環(huán)完成以后，就是一個正向的反饋，數(shù)據(jù)越多，訓練結果越多，定位結果就越準確，從而吸引更多的用戶來使用（產(chǎn)生數(shù)據(jù)）。這就是通過數(shù)據(jù)挖掘，不斷提升精度的閉環(huán)。

算法部分，我們也經(jīng)過了不斷的迭代。最早是基于經(jīng)典的聚類模型，就是掃描基站W(wǎng)ifi列表，聚類以后選擇其中一處作為我的位置，這個方法效率比較高，很快可以得到結果，但是精度很差。

第二步，我們把空間進行了精細的劃分，在每個網(wǎng)格內統(tǒng)計一些基礎的特征，比如歷史上的點定位的數(shù)量、定位的次數(shù)、Wifi的數(shù)量等等，計算出一個網(wǎng)格的打分，再對網(wǎng)格進行排序，最后你的定位點就是這個網(wǎng)格。通過這種方法，30米精度的占比提升了15%。

這種方法也有局限性，人工調參帶來的收益是有限的，調到一定程度就沒辦法再提升了。所以，第三步就是把機器學習算法引入這個過程，利用監(jiān)督的學習提升到最佳的模型和參數(shù)，這樣可以在特定場景下獲得顯著提升。主要的場景就是解決大誤差的Case。

一個比較典型的問題就是，掃描到的基站W(wǎng)ifi可能只有一個基站、一個Wifi，沒有別的信息了。這個基站W(wǎng)ifi又離的特別遠，無論選擇基站還是Wifi，都有50%的概率是算錯了。有監(jiān)督學習，就可以把海量的配送拿出來，精細化的挖掘細微的差異，達到全局最優(yōu)的效果，在某一情況下選基站，某一情況下選Wifi。把犯錯的比例降低了50%。

上圖就是我們的線上神經(jīng)網(wǎng)絡的模型，神經(jīng)網(wǎng)絡用于在線服務現(xiàn)在是比較流行的方式，我們在這里實際上是利用基站和Wifi的信號強度和混合特征作為特征輸入，同時把歷史位置也作為序列放進來，這個歷史位置特征會放入一個RNN模型，預測現(xiàn)在的位置，使用預測的結果和基站W(wǎng)ifi列表特征，再往下預測，最后是網(wǎng)格的打分。最終輸出一個概率最高的網(wǎng)格作為輸出。

這個方法最大的挑戰(zhàn)并不是在算法，而是算法效果和工程上的可實現(xiàn)性，如何能夠達到最優(yōu)。高德每天有上千億次的調用，延時要在10毫秒以內。

另外，數(shù)據(jù)量很大，所有的數(shù)據(jù)，每條都有很多特征，在線的數(shù)據(jù)存儲大概有幾十個TB，這個數(shù)據(jù)量也不可能放在在線服務里做，所以要做相應的優(yōu)化。

我們做了三個方面的優(yōu)化，第一是分級排序。把定位過程變成一個顯微鏡步驟，先做一個很粗略的定位，然后逐步收斂到很精確的位置。粗略定位的時候可以用很大的網(wǎng)格，用很少的特征，快速過濾掉一些不可能的位置。

然后，在很精細的網(wǎng)格里，用更多的特征、更多的網(wǎng)格進行排序。通過這種方法，就可以極大提升計算的效率，把一些不必要的計算過濾掉。

第二是模型簡化。雖然深度學習的效果很好，但是不可能在線上用很復雜的模型，我們通過減少層數(shù)和節(jié)點數(shù)，把浮點數(shù)精度降低。

第三是特征壓縮。這里面有特色的一點是我們根據(jù)模型進行的壓縮，原始特征的輸入的數(shù)量是很大的，我們增加一個編碼層，輸入的特征經(jīng)過編碼層以后，只輸出兩個字節(jié)的特征。我們把在線、離線的數(shù)據(jù)處理好以后，最后在線只存儲兩個字節(jié)。通過這種方法，在線特征的數(shù)據(jù)量降低了10倍，降低到1個TB以內。以上是解決的幾個主要問題。

不同場景下的精度提升

在室內場景，經(jīng)常會定位到室外去，這跟剛才介紹的序列流程是有關系的，因為采集過程更大概率是在室外，序列后的Wifi位置都在馬路上，所以定位最后的概率也是在馬路上，但是這對用戶體驗是很差的。比如打車，可能在室內叫車，定位在對面的馬路上，但這條馬路可能是不對的，需要找到我在哪個樓里，離哪個道路比較近。

怎么解決這個問題？一種方法是通過數(shù)據(jù)采集，就是在室內進行人工的采集，使訓練數(shù)據(jù)的數(shù)據(jù)分布跟實際的預測數(shù)據(jù)分布保持一致，這種方法當然精度比較好，但是主要缺陷是成本非常高，目前也只是在熱門商場和交通樞紐進行這樣的數(shù)據(jù)采集，這肯定不是一個可擴展的方法。

我們的方法是想通過引入更多的數(shù)據(jù)優(yōu)化定位過程。如果能基于地圖數(shù)據(jù)挖掘出Wifi和POI的關系，就可以用數(shù)據(jù)關聯(lián)提升精度。比如掃到一個Wifi，名字叫KFC，有一個可能就是你在肯德基里，這個方法比較簡單。實際用的方法會更加復雜。

我們是利用Wifi信號的分布反向挖掘出位置，上圖里藍色的部分就是樓塊的位置，紅色的點是Wifi的真實位置，綠色的點是采集到Wifi的位置，綠色越亮，代表這個地方的信號強度越強，通過這個圖放入圖像學習，比如用CNN挖掘出它的位置以后，我們就可以建立一個Wifi跟樓塊或者跟POI的關聯(lián)，通過這個方法可以使全量Wifi的30%都能關聯(lián)上相應的POI或者樓塊。

在線的時候需要知道用戶什么時候在室內，什么時候在室外。我們用的是利用信號強度特征做區(qū)分的算法，在室內室外掃描到的Wifi列表和強度會有很大差別，通過這個差別可以訓練出模型。綠色的點預測為室內的點，藍色的點是室外的點。通過這種方法，定位精度提升了15%。

駕車場景，導航過程中可能會遇到的常見問題。第一個問題是無法定位，開到停車場或者有遮擋的地方，第二個場景是點會有漂移，因為GPS受到建筑或者其他遮擋的時候，會產(chǎn)生精度下降的情況。第三種情況是無法區(qū)分主路，可能會錯過路口。

對于以上問題，我們采用的是“軟+硬”融合定位，軟的部分包括兩部分，一個是基于移動定位，第二個是根據(jù)地圖匹配。經(jīng)過兩個“軟+硬”結合之后，我們在GPS 10米精度做到90%以上，可以實現(xiàn)高架主路和停車場的持續(xù)導航。

這里面關鍵的就是如何實現(xiàn)融合定位，比較有特色的一點就是我們做車機的傳感器模塊是低成本的，成本不到100元，其他類似產(chǎn)品成本是比較高的，可能需要幾千塊錢。使用低成本的器件，能夠更容易得到普及。缺點是精度比較差，定位準確性差一些。要通過軟件的方法彌補硬件上的缺點。

我們的解決辦法分成三個步驟，首先是航向融合。陀螺儀有相對的角度可以算出來，加速器可以算出地球引力的方向，這兩個結合以后就可以建立一個濾波方程，把真實的方向持續(xù)不斷的輸出。第二，把三維的方向和GPS的結果進行一次融合，就可以計算出修正后的位置。第三步，再和地圖匹配做對比，因為我們知道它的方向、位置以后，就知道它是在上坡還是下坡，是在高架上還是高架下。還有一點，匹配后的位置跟GPS原始位置做對比，如果差別很大，GPS可能發(fā)生了偏移，我們就把GPS舍棄掉，只用慣性導航推算。

這里面有三個特點，第一，參數(shù)動態(tài)標定，不需要對器件有初始的標的，我們通過三維的計算出方向，用地圖匹配反饋。關于地圖匹配的部分，核心是我們利用HMM的算法進行位置的匹配，推算每個點的道路。這里面比較關鍵的概率，一個是發(fā)射概率，一個是位置轉移概率。

第二，我們把角度也考慮進來，角度的變化同樣用于決策轉移概率，這里面跟位置轉移概率的區(qū)別就是引入了速度做變量，不同的速度下，發(fā)生轉角的概率是不一樣的，速度慢了可能會轉向，速度快也可能轉向，所以我們針對每個速率都有一個曲線。

上圖是定位效果，紅色的點是實際修正后的軌跡，藍色的點是原始的GPS點，下面是在高架下的效果，可以看到高架下GPS點已經(jīng)非常發(fā)散了，飄的到處都是，但是修正之后跟綠色的點是重疊的。下面的圖是在停車場里，在停車場進去的時候，藍色的點就已經(jīng)消失了，但是紅色的點可以很好的還原出用戶在停車場里持續(xù)的軌跡。

高精定位方面，高德主要建立兩種定位能力，一種是基于圖像定位，一種是基于融合定位。圖像定位是只用圖像就可以形成比較好的分米級精度，融合定位主要是引入了兩個新的定位技術，一個是VSLAM，一個是差分GPS。這兩個方法分別應用于有GPS和沒有GPS的情況，可以提供很好的精度。VSLAM可以做到誤差很小，因為可以有圖像的方法進行修正。

自動駕駛是一個方向，并且需要從輔助駕駛過渡到自動駕駛，但系統(tǒng)性變化到來之前會有階段性的變化，就是服務于人的導航服務的精細化，即車道級導航。車道級導航需要高精地圖，至少是分米級的精度。

對未來定位技術發(fā)展的理解。基礎能力部分，我們認為5G的出現(xiàn)會為定位提供一種新的可能性，因為5G的頻率比4G更高，波長會更短。它可以測距，以前基于基站和Wifi的定位都是基于信號強度的。但是5G支持了測距以后，它就可以提供一個很好的精度，所以可能會出現(xiàn)一種方式，基于5G的定位可以達到類似GPS的效果。

第二是融合定位，隨著各種新的數(shù)據(jù)源不斷出現(xiàn)，用新的算法去發(fā)揮不同數(shù)據(jù)源的特點，從而達到整體效果的提升。駕車部分，視覺定位和差分GPS技術的逐漸普及。室內部分，有超寬帶的定位，除此之外還有藍牙和Wifi的精準定位。在最新的技術標準里，也都支持了測距和測角的技術，也就是未來新的藍牙或者Wifi的APP，可能就能提供一部分的定位能力。

所以，未來10年內，我們可能會看到這幾種方式相互融合，精度會得到質的改變。以上就是我介紹的內容，謝謝大家！

原文鏈接
本文為云棲社區(qū)原創(chuàng)內容，未經(jīng)允許不得轉載。

總結

以上是生活随笔為你收集整理的高德在提升定位精度方面的探索和实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。