汽车完整性的紧密位置边界

屏幕截图2021-06-07在9.45.45 AM

在彻底的数学框架上实现了3级和高度自主权所需的新方法,以支持安全性分析,同时提供非常紧密的位置界限。

奥利维尔·朱利安,罗德·布莱恩特和克里斯·海德

U-BLOX AG)

伊恩SHERET

Polymath Insight有限公司

T.他自治车代表了安全关键自主功能的缩影。建立自主汽车的最重要原因是降低地球周围道路的伤害和死亡。政策制定者和汽车行业牢牢相信自治可以大大减少这笔收费,但这取决于我们将真正安全的自主功能设计到汽车中的能力

当我们走向这种级别的自主权时,我们看到了更多和更多的传感器内置于车辆中。雷达,激光雷达,视觉和超声波传感器都在混合中,提供相对定位能力。换句话说,他们可以告诉我们其他物体来自车辆的距离,并且通过感测与地标的距离,它们也可以用于将其定位相对于由这些地标定义的参考帧定位。然而,对于某些用例,需要真正的绝对定位传感器,这是GNSS或更典型地,与惯性传感器融合的GNSS进入图片。这种用例的例子包括:

•确定车辆进入了可以安全使用自动驾驶功能的高速公路;

•根据弯道和道路的其他特征确定车辆的纵向位置,以帮助解释图像和其他传感器数据;

•确定车辆的位置和速度以校准其他传感器

作为一个雄心,我们也希望将GNSS/INS与其他传感器一起用于车道识别。

3 - 4级自动驾驶系统需要的是一个定位系统,在高速公路条件恶劣的情况下,它能在相当大的比例时间内提供动态误差范围,误差范围在几米或更小。最终,对于第四层和第五层,我们甚至在城市深处也需要这样做。对于这些系统,危险定位误差的目标率预计将低于每1000万小时驾驶一次。显然,通过测试来证明这一点是具有挑战性的,这意味着技术解决方案必须接受专家最严格的审查。

航空和汽车

为了在安全关键应用程序中使用GNSS接收器,有必要计算位置错误的安全界限,并且对于GNSbeplay平台是黑网S来说是众所周知的。一个例外是航空导航,现在已经开发了大约二十年的所谓的完整性监测概念。这些概念是特别详细了解影响GNSS系统的错误和故障以及彻底的数学框架,以确保适当的边界水平。

任何完整性监视概念的关键元素都是保护级别(PL)的概念。PL表示位置误差的界限,确保系统在低于所需的警报限制时是安全的。在航空环境中,已经定义了几种机制来计算严格和安全的PL。它们取决于使用的增强类型(SBAS、GBAS、ABAS),但最终,它们都旨在求解相同的PL方程。这些标准化的完整性算法通常是在单频单GNSS的背景下定义的,并考虑飞行飞机的接收条件。

然而,最近已经提出了显着的进步,以解释多个GNSS频率和多个GNSS星座的可用性。双频率提供了消除电离层延迟影响测量的能力,而多个GNSS星座提高测量冗余,从而提高了故障检测和排除能力,以及PL幅度。这些新的完整性算法的一个很好的例子是发展高级Raim(Asaim),只依赖于提供有关卫星和GNSS星座故障信息的最小外部消息。

对于非航空应用,ARAIM是一个有beplay平台是黑网趣的完整性算法,因为它现在已经被很好地理解和严格地研究。由于它依赖于接收端自主的故障检测,所以当不是所有的GNSS故障源都由其他增强系统处理时(如SBAS和GBAS框架中的情况),它也非常适合。对于需要很小的警报时间(TTA)的应用程序来说,这beplay平台是黑网也很重要,因为这些应用程序不允许通过单独的系统进行检测。

然而,为汽车应用程序转换ARAIM并不是一个简单的操作。众所周知,使用无电离层(IF)测量会增加频率之间不相关的误差,如热噪声、多径或某些偏差。在典型的道路环境中,这可能会给位置带来很大的不确定性。

此外,航空接收器通常在100秒内相平滑,以减少噪声和多径的大小。汽车用户不能使用这种方法,因为由于环境而言,可以在长时间保持载波相位跟踪。

最后,大多数可预见的汽车应用都有比航空应用更严格的警报限制和TTA规格(通常警报限beplay平台是黑网制在0.5至10米范围内,TTA约1秒),而不需要更严格的完整性风险。这意味着ARAIM PL的典型大小可能太大了。

由于这些考虑,它出现了利用时间过滤来改善群体条件的表现。此外,对诸如惯性测量单元(IMU)或车轮速度传感器(WSSS)等其他传感器来补充GNS的欲望导致了考虑到构建在扩展卡尔曼滤波器(EKF)而不是加权最少的范围内方形(WLS)快照分析。现在,航空一直在使用时间过滤和IMU集成。

EKF可以直接从相位测量中受益,而不是使用相位平滑伪距测量。最后,可以通过使用修正(PPP或PPP- rtk)来进一步降低PL的大小,尽管理解这些修正(不确定性、故障模式)将变得至关重要。这个版本的ARAIM在这里被称为EKF-ARAIM。

EKF-ARAIM(以及它的一个版本称为Batch-ARAIM)已经成为许多出版物的主题。然而,仍然存在一些问题。两个例子是:

•因为EKF使用时间序列测量,所以位置过热机制必须考虑与时间相关的错误。关于这一主题的最新研究导致了一个新的过间置解决方案,即频域过度录音,但严格使用此方法仅在测量误差满足某些严格的假设时有效。主要假设是相关误差过程必须在滤波器持续时间内静止,并且它们必须是高斯分布的。已经发现了放松相关过程的高斯的方式,但仅在非常具体的难以证明的额外假设,例如球形对称性。这是一个重要的问题,因为这些假设被诸如多路径/非视线(NLOS)情况,由于天线组延迟变化或对流层错误而遇到的多路径/非视线(NLOS)情况,残差偏差遇到的几个错误来源大气条件的变化。

•EKF性能部分取决于用于各种误差源的动态模型。由于前面提到的误差过程必须具有平稳性,因此几乎不可能利用误差分布的精细建模,它可以作为衡量质量指标的函数参数化。

如果没有进一步改进计算有效的ekf国家的有效过度的ekf状态,则上述两个问题将意味着新的故障模式或缓解机制,通常以保守主义的形式,必须用于抵消违反假设。虽然保守主义的水平尚不清楚,但这可能会消除预期使用EKF的一部分益处。

一种新的限制机制

基于以上对EKF-ARAIM的分析,提出一个可行的边界系统意味着在以下几个领域有新的突破:

•减轻局部多径最差影响的新方法,

•更精确的建模方法,测量不确定性,和

•一个带有更严格的边界的位置边界方案。

在过去的三年里,一个新颖的汽车完整性方案已经被开发出来。其核心是一种新的快照位置边界算法,该算法适用于伪距和载波相位误差的非高斯模型。该方案概念简单,可以提供严格的边界,但它确实依赖于GNSS测量和误差建模的仔细处理。它被称为单时期位置绑定(SEPB),正在申请专利。

屏幕截图2021-05-14在下午12点45.14点截图2021-05-14,下午12:45.22

签订框架

SEPB基于似然积分,由贝叶斯定理形成。假设未建模测量误差相互独立,可以简单表示为:

在哪里x是美国,z是全球卫星导航系统的测量值,是一套质量指标,F(R.|问)表示测量残差(实际测量值之间的差异)的概率密度函数z鉴于所提出的国家,预期的测量x),可以基于质量度量标准(), 和P (x)是在进行测量之前的状态向量的先验知识(通常保留为均匀分布,以表明我们没有先验知识,因为这是一个快照分析)。

结果p(x | z,q)给出特定状态的可能性x鉴于这些观察结果。上述公式中缺少的比例常数可以通过注意所有可能状态的积分必须等于1来推断。

上述方程给出了我们的测量域误差模型与位置状态的概率密度函数(PDF)之间简单而直接的关系。在定义了这个PDF之后,可以通过对状态进行数值积分来获得位置边界,并确保所需的概率(来自目标完整性风险)包含在位置边界内。

原则上,这很简单,但实际上,选择一种能够处理问题的高维度的有效数值集成方法非常重要。假设双频多GNSS,状态空间通常具有约20-40个尺寸;显然,传统的数值集成方案太慢。

相反,我们使用了一种马尔可夫链蒙特卡罗(MCMC)方法,它很适合这个数值积分问题,可以处理维数。因为我们对概率分布的深尾特别感兴趣,所以我们使用重要抽样方法来关注尾部。通过对算法的精心设计和优化,可以实现位置边界的快速计算,但对资源的要求较高。

也许这种方法最有趣的方面是,它自然能够利用我们的相位观察中存在的整数含糊,传统上被认为在完整性范围内被认为是有问题的。利用整数歧义的最常见方法是解决歧义,即,推断整数值是正确的。一旦完成,就可以获得非常高的精度位置解决方案。在完整性的上下文中,主要问题是确保歧义已经正确地固定到正确的整数,并且如果发生错误的修复,则最终位置解决方案可能会严重偏见,因此不安全。

然而,还有一种替代方法:不是明确地解决歧义,而是通过对所有可能的歧义解决方案进行集成来形成位置边界。解的PDF是基于基本物理状态计算的,然后通过识别包含所需概率量的空间区域获得位置边界。这是整个算法的最后一个元素,给出了非常严格的边界。

我们处理载波相位测量以获得紧界的附加价值在图1所示。如图所示,相位数据的整数二义性有时会产生多个不同的模式,但形成位置边界的基本方法是不变的,因此选择最终边界,使边界区域内的积分概率满足要求。

现在我们的边界过程的主干已经确定,重要的是要强调两个临界点,它们对边界性能有非常大的影响:

•选择具有独立错误的测量(对于由状态建模的错误)以满足后部PDF计算后面的假设,以及

•使用非高斯分布进行误差模型拟合,这对于提供有效的位置边界至关重要。

选择合适的时期和测量

可能是在考虑汽车完整性方案时最大的问题是,本地多径环境远低于航空环境中的稳定性和可预测。这种情况可能导致特别差的条件,其中多个信号受到非视线(NLOS)传播,例如当车辆在加油站中的遮篷下停放时。这提出了完整性的主要问题。

这些信号具有与标称传播完全不同的误差特征,并且将两个总体混合将产生具有非常宽的尾部(并且很难单独代表每个总体)的误差模型。此外,环境恶化情况可能同时影响多个信号。这是测量误差非独立性的一个强大来源,这是一个主要问题,因为实际完整性方法通常会对测量误差的独立性做出某种假设。

因此,我们的反应旨在:

•检测受NLOS或严重多径效应的各个信号,并从进一步分析中取出它们,

•探测我们处于影响大量卫星的退化环境的时代。我们认为这些时代不适合只使用GNSS的边界,并报告没有解决方案,就像我们开车进入隧道并丢失了所有的GNSS信号一样。

用于检查劣化信号和劣化环境的基本机制是在感兴趣的时期(几秒钟)周围查看数据的Delta相一致性。这里的目的是寻找阶段或伪距在与其余信号不一致的方式变化的信号。从物理角度来看,这揭示了来自意想不到的方向的信号,典型的NLOS情况。我们专门研究伪豪宅和载波相位变异的原因是下游分析中的统计独立性。如前所述,SEPB是单个时期方法,对δ相测量不敏感。此分离有助于保持实际数据无关。

我们的一致性检查扩展了以前的研究,着眼于评估位置和时钟在时间间隔中的变化的稳健方法。这项原始工作使用经典的RANSAC方法来寻找一致的信号集,并识别异常值。该方法非常有效,但它有一些局限性:

•它是一种随机方法,可能需要大量随机样本来获得置信度;

•它仅限于看两个时代。

因此,我们使用多个周期和非高斯损失函数的鲁棒最小二乘最小化方法取代了该方法,以允许发现一致性解,即使在数据中存在异常值。它被称为基于窗口(WB)的选择机制。

检查与其他信号不一致的单个信号是一种非常有效的方法,可以丢弃受局部多径特性影响的少量测量值。然而,如果环境变得严重退化,放弃单独的测量是不够的。相反,我们更愿意简单地将整个时代标记为坏的,并输出没有GNSS测量可用的结果。这可以通过对通过WB选择过程的好信号和坏信号的数量使用简单的阈值来实现。

作为最终说明,重要的是要强调这种方法只在车辆移动时工作。停放时,它不会对光线方向敏感,即使是NLOS信号也会一致。在这种情况下,没有一个信号可以真正被认为是值得信赖的并且因此被丢弃。

这种WB选择过程的效果非常戏剧,如图所示图2。

在这个阶段,我们可以依靠一种很好的方法来拒绝几乎所有的离群值度量。下一步是为剩余的高质量信号建立一个错误模型。

屏幕截图2021-05-14下午12:45.35截图2021-05-14下午12:45.42

拟合非高斯错误模型

测量的原始经验误差来自几个不同的来源,事实证明,可以有效地减轻了这些误差源中的一些,而是仅在详细理解错误源。因此,我们对我们的测量错误进行了法医方法,旨在详细了解潜在的错误来源,而不是从多个来源的误差集成到一个模型中。图3显示各种来源对假设RTK的系统的整体错误的贡献;由于本地多径效应导致的最终(不可缩短的)错误令人惊讶的小贡献(请记住,我们的选择过程丢弃了用户是静态的测量)。

从前面的描述中可以理解,SEPB依赖于使用拟合分布来表示真实的误差。从这个意义上说,误差模型分布的拟合是整个系统的一个关键方面。实际误差分布与拟合模型之间的任何差异都可能破坏整体边界的计算,因此良好的匹配非常重要。这与传统方法不同,传统方法的目的是识别提供真实误差分布的超出范围的测量误差模型。这是一个有趣的区分SEPB的领域,来自于SEPB不是基于一个线性系统的事实。

残差数据的拟合采用极大似然法。对于伪距残差,我们选择Student-t分布,因为它与观测到的分布很匹配(在我们的测量选择过程之后),同时很简单(与高斯模型相比只有一个额外的自由参数),数值计算也很快。

为了使SEPB工作,残差数据的拟合必须适应每个信号的当前接收条件。因此,拟合模型是根据几个已被观察到具有代表性的质量度量标准来制作的,一起,这些接收条件。中给出了误差分布变化的一个例子图4(左),但对于质量指标的给定值,拟合分布的示例图4(右)。

屏幕截图2021-05-14在12.45.55下午

结果

u-blox开发了一种测量系统,能够收集大量的道路驾驶数据,并(更重要的是)在两个波段和所有四个主要GNSS星座上以非常高的精度分析和描述测量误差。

道路试用数据收集期间正在测试的系统使用具有特定固件的U-Blox接收器。屋顶上的多个天线用于表示不同的系统设置,尽管只有一个设置将在以下结果中显示。收集来自GPS(L1 C / A,L2C),GLONAS(E1,E5B),GLONASS(L1 C / A,L2 C / A)和北欧(B1I和www.beplay1235.comB2I)的双频测量。

在本例中,定位系统由参考站的网络辅助。对于本地多径和天线组延迟和相位中心偏移,仔细校正来自这些参考站的测量。然后使用这些测量来生成来自非物理参考站的校正。最接近参考站的最大基线通常低于20公里,导致校正后的残余大气误差非常小。最后,进行仔细校准用户天线组延迟变化并用于进一步校正测量。最后,测量误差由诸如已经介绍的多径和热噪声之类的局部误差主导图3。

最基本的步骤是真实数据的计算。这是使用非常昂贵和高质量的特拉图系统完成的,包括高端参考天线和接收器和高质量的IMU和轮式刻度传感器,以及使用参考接收器网络的内部开发的RTK系统。提供局部校正信号。

与高质量的惯性测量和在几个小时的数据上使用批量计算的组合允许我们获得RTK解决方案(解决了整数歧模),从而允许以子CM精度确定真实位置状态。与此同时,可以提取影响解决方案的大量诺斯状态的真值。由于误差提取,可以将符合符合键执行到SEPB的错误。

这个RTK解决方案经过了非常仔细的验证,因为在这个阶段的问题可能会在错误建模和整体完整性系统的性能评估期间造成严重的困难。从前面的描述中可以理解,SEPB绑定计算基于:

•假设安装(非高斯)错误模型的后状态PDF的计算

•使用MCMC采样形式对该后置PDF进行数值积分。

边界计算的结果直接提供了该位置上的下限和上限。位置估计被假定为这个区间的中心。

SEPB机制提供了一个非常好的验证框架。因为它依赖于调节接收条件的拟合分布,所以与绑定计算相关的目标百分位应在测试足够的数据时直接可观察到。例如,如果目标百分位数为10-5,则位置误差应大约每100,000个epoch超过一次SEPB边界。考虑到这一点,我们使用了所有场景的子集,其中提供了112,405个epoch,在此期间可以计算SEPB(这意味着在丢弃WB选择过程拒绝的epoch之后),并将界限的目标百分位数设置为10-5每一个时代。在这些场景中遇到的环境是典型的道路环境,有开放和城市地区的路段。结果显示在图5对于纵轴,横轴和纵轴。

一些有趣的观察:

边界的大小是小的,通常在分米级别的沿线和交叉轨道。这显示了在SEPB中使用载波相位测量的影响。当然,这对应的目标绑定百分比为“仅”10-5但早期结果的百分位数要低得多(10- 5(每小时)的数据显示,边界将基本保持在1米以下。

•第二,与典型的斯坦福地块相比,斯坦福图表明,与典型的斯坦福地块相比,第一个对角线的左上部分以相当均匀的方式填充,其中点在图形的左侧部分是“垂直”。这样做的原因是SEPB依赖于动态拟合的分布,而不是在高斯溢出方面。结果,界限更直接与真实错误相关联。

•最后,仅在给定轴(垂直)上绑定的1个SEPB低于实际位置误差。这符合目标百分位数和数据量的选择。这表明SEPB的实现,特别是拟合过程和数值集成,是合适的。

截图2012105 -14下午12:46 .14

结论及未来路向

计算位置界限的新机制依赖于:

•严格的测量和时期选择机制,可确保所选测量的NLOS情况不会显着损坏,

•允许使用非高斯错误模型的贝叶斯估算过程,

•错误拟合模型,用于代表接待条件的质量指标,以及

•先进的数值积分,有效地计算位置边界。

这种机制可以采取很大的优势,载体相模糊化,结合自适应装配误差模型,在典型的道路环境中的大部分时间内沿着排名范围内的轨道保护水平。此外,这是在严格的数学框架中完成,可以促进测试和认证。与陆地用户提出的现有方法相比,这是一个重要成就。

当然,需要进一步的工作来将这种限制机制带入整体完整性概念,其需要安全定位的汽车应用。beplay平台是黑网这包括例如使用PPP或PPP-RTK校正或稀有GNSS故障的管理。这些方面和其他人正在积极努力。

作者

奥维尔·朱利安是u-Blox的高级首席工程师。他的主要工作是GNSS接收机信号处理和关键应用的可靠导航。beplay平台是黑网他在加拿大卡尔加里大学获得博士学位。

杆科比是U-Blox技术的高级总监,在GNSS的所有领域领导了用于定位和时间的研究和开发。他收到了他的博士学位。从阿德莱德大学,澳大利亚。

克里斯隐藏是u-blox的高级首席工程师。他的工作主要集中在高精度GNSS定位和完整性。他在英国诺丁汉大学获得博士学位。

伊恩Sheret是一家专门从事算法设计的独立技术顾问,用于数据融合和推理。他是咨询公司Polymath Insight Limited的创始人和总监,并获得了博士学位。在爱丁堡大学的天体物理学中。