1. 首頁 > 生活 > >

高德地圖怎么查看軌跡記錄 高德地圖怎么軌跡記錄

小知識



文章插圖
高德地圖怎么查看軌跡記錄 高德地圖怎么軌跡記錄

文章插圖
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、路線規劃、場景化/精細化定位時空數據應用、億級流量架構演進等多個出行技術領域的熱門話題 ?，F場火爆 ， 聽眾反響強烈 。我們把其中的優秀演講內容整理成文并陸續發布出來 ， 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 ， 本文根據現場內容整理而成（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細節請關注后續系列文章 。
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 ， 每天的定位請求數量有一千億次 。如此大的數據量 ， 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
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 。只有通過海量大數據挖掘 ， 算法和數據質量的提升 ， 達到效果的持續優化 ， 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 ， 進行數據庫查找 ， 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 ， 根據連續計算可以獲得最終的位置 。
還有根據地圖匹配定位 ， 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化 ， 通過不同的數據源提升精度 。
高德地圖如何實現全場景定位
高德主要分為兩個業務場景 ， 手機和車機 。在手機上主要是GPS+網絡定位 。駕車的場景下 ， 我們還會做一些根據地圖的匹配 ， 實現對特殊道路的支持 。
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信號中斷 ， 如果GPS信號距離兩萬多米的高度 ， 出現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據輸入來幫助我們 。
定位的基礎能力
網絡定位本質上是一個數據閉環 ， 每個人在定位的時候 ， 實際上是發送了本身的基站和Wifi列表 ， 發送的數據一方面可以用來定位 ， 另一方面也可以用做數據訓練 。數據訓練主要產出兩種數據 ， 一個是Wifi基站的位置 ， 通過數據挖掘 ， 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 。
數據閉環完成以后 ， 就是一個正向的反饋 ， 數據越多 ， 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（產生數據） 。這就是通過數據挖掘 ， 不斷提升精度的閉環 。
算法部分 ， 我們也經過了不斷的迭代 。最早是基于經典的聚類模型 ， 就是掃描基站Wifi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 ， 在每個網格內統計一些基礎的特征 ， 比如歷史上的點定位的數量、定位的次數、Wifi的數量等等 ， 計算出一個網格的打分 ， 再對網格進行排序 ， 最后你的定位點就是這個網格 。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 ， 利用監督的學習提升到最佳的模型和參數 ， 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Wifi可能只有一個基站、一個Wifi ， 沒有別的信息了 。這個基站Wifi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網絡的模型 ， 神經網絡用于在線服務現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 ， 預測現在的位置 ， 使用預測的結果和基站Wifi列表特征 ， 再往下預測 ， 最后是網格的打分 。最終輸出一個概率最高的網格作為輸出 。
這個方法最大的挑戰并不是在算法 ， 而是算法效果和工程上的可實現性 ， 如何能夠達到最優 。高德每天有上千億次的調用 ， 延時要在10毫秒以內 。
另外 ， 數據量很大 ， 所有的數據 ， 每條都有很多特征 ， 在線的數據存儲大概有幾十個TB ， 這個數據量也不可能放在在線服務里做 ， 所以要做相應的優化 。
我們做了三個方面的優化 ， 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 ， 在很精細的網格里 ， 用更多的特征、更多的網格進行排序 。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 ， 我們通過減少層數和節點數 ， 把浮點數精度降低 。
第三是特征壓縮 。這里面有特色的一點是我們根據模型進行的壓縮 ， 原始特征的輸入的數量是很大的 ， 我們增加一個編碼層 ， 輸入的特征經過編碼層以后 ， 只輸出兩個字節的特征 。我們把在線、離線的數據處理好以后 ， 最后在線只存儲兩個字節 。通過這種方法 ， 在線特征的數據量降低了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？一種方法是通過數據采集 ， 就是在室內進行人工的采集 ， 使訓練數據的數據分布跟實際的預測數據分布保持一致 ， 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據采集 ， 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據優化定位過程 。如果能基于地圖數據挖掘出Wifi和POI的關系 ， 就可以用數據關聯提升精度 。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 ， 通過這個方法可以使全量Wifi的30%都能關聯上相應的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 ， 會產生精度下降的情況 。第三種情況是無法區分主路 ， 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 ， 第二個是根據地圖匹配 。經過兩個“軟+硬”結合之后 ， 我們在GPS 10米精度做到90%以上 ， 可以實現高架主路和停車場的持續導航 。
這里面關鍵的就是如何實現融合定位 ， 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 ， 參數動態標定 ， 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別就是引入了速度做變量 ， 不同的速度下 ， 發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點已經非常發散了 ， 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 。
對未來定位技術發展的理解 ?；A能力部分 ， 我們認為5G的出現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 ， 所以可能會出現一種方式 ， 基于5G的定位可以達到類似GPS的效果 。
【高德地圖怎么查看軌跡記錄 高德地圖怎么軌跡記錄】第二是融合定位 ， 隨著各種新的數據源不斷出現 ， 用新的算法去發揮不同數據源的特點 ， 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 。