在2019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科技领域的热点话题，包括视觉与机器智能、路线规划、场景/精细化定位时间空数据应用、亿级交通架构演进等现场火爆，观众反响强烈。本文是我们整理出版的优秀演讲稿之一。

来自阿里巴巴的资深地图技术专家方星在高德科技专场上做了题为“定位技术向风景化、精细化进化”的演讲，主要分享了高德在提升定位精度方面的探索与实践。本文根据现场内容整理而成(文字略有编辑，不影响初衷)。更多定位技术详情请关注以下系列文章。

以下是方星演讲的简短版本:

今天分享的主题是关于定位的场景化和精细化。定位不仅是针对地图本身，也是针对所有的应用开发者和***设备厂商。目前，超过30万个应用程序正在使用高德的位置服务。

用户每天都会大量使用位置服务，比如看新闻、打车、点外卖，甚至购物。首先，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。

高德地图日活用户超过1亿，但使用位置的用户有几亿，每天的位置请求量是1000亿。这么大的数据量，黄金位置服务还能保持毫秒级的响应速度，这方面我们做了很多工作。此外，我们还提供全场景定位能力，可以为定位器、汽车或任何厂商提供位置服务。

今天我就从四个方面来介绍一下，分别是:

定位面临的挑战高德地图全场景定位分场景提升定位精度未来机遇

定位的挑战

大家可能都知道GPS。GPS在大多数情况下可以提供不错的精度，但是对于一些场景，比如开车，就不够用了。GPS给出的精度在10米左右，如果只靠GPS定位，甚至无法分辨出它在路的哪一边。

第二个场景是室内，没有GPS信号。如何在这样的场景下实现更精准的定位？第三种情况是如何在精度和成本之间取得平衡，因为不可能为了追求一个好的精度而投入无限的成本。只有通过海量数据挖掘，算法和数据质量的提升，结果的不断优化，才能最终实现各种场景的全覆盖。

有很多技术可以选择，除了GPS定位，还有网络定位和Wifi基站。原理是搜索数据库，通过扫描到的Wifi和基站列表以及信号强度，找到Wifi位置并定位。

此外，还有惯性导航定位。惯性导航是一种相对定位方法，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。

还有就是通过地图匹配定位。比如GPS点落在一个湖里，显然是有问题的。你可以通过地图匹配找到最近的路，然后准确率会提高。

近年来，其他定位方法也变得非常流行，如视觉、雷达和激光。自动驾驶的概念推动了这些技术的发展，这些方法各有各的定位精度和差异。例如，视觉在实践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。

高德地图如何实现全场景定位？

高德主要分为两个业务场景，定位器和车机。在定位器上，主要是GPS+网络定位。在驾驶场景中，我们也会根据地图做一些匹配，实现对特殊道路的支持。

以前很多用户反映会遇到GPS信号不好，导致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%的情况是因为附近严重遮挡，如高架桥下或高楼旁。这些都会对GPS造成严重的阻碍。

我们打电话的时候，连接的基站可能就在一公里之内，所以这么短的距离内信号传输往往会中断。如果GPS信号在2万米以上的高度，出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

网络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(初始定位)，但是精度较差。二是生成空之间更详细的信号强度分布图。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)。这是一个通过数据挖掘不断提高准确性的闭环。

在算法部分，我们也经历了不断的迭代。最早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。这种方法效率高，能很快得到结果，但精度差。

第二步，我们对空房间进行了精细划分，统计了每个网格中的一些基本特征，比如历史上的点位置数量、位置数量、Wifi数量等。，计算了一个网格的分数，对网格进行排序，最后你的定位点就是这个网格。通过这种方法，30米的精度提高了15%。

这种方法也有局限性。手动调整参数带来的好处是有限的，调整到一定程度就没办法改善了。因此，第三步是在这个过程中引入机器学习算法，利用监督学习来升级到最佳的模型和参数，使其在特定场景下得到显著改善。主要场景是解决大错误情况。

一个典型的问题就是扫描的基站Wifi可能只有一个基站和一个Wifi，没有其他信息。这个基站Wifi很远。无论选择基站还是Wifi，都有50%的概率出现误判。有了监督学习，就可以拿出大量分布，精细挖掘细微差异，达到全局最优的效果。在一定情况下，可以选择一定情况下的基站和Wifi。减少了50%的错误比例。

上图是我们在线神经网络的模型。神经网络用于在线服务是一种流行的方式。我们这里其实是用基站和Wifi的信号强度和混合特征作为特征输入，把历史位置作为一个序列。这个历史位置特征将被放入一个RNN模型来预测当前位置，使用预测结果和基站的Wifi列表特征，然后进行向下预测。最后，给网格打分。最后输出一个概率最高的网格作为输出。

这种方法最大的挑战不是算法，而是算法效果和工程可实现性，以及如何做到最好。黄金每天有几千亿次通话，延迟应该在10毫秒以内。

另外就是数据量大，所有的数据都有很多特点。线上数据存储有几十TB，这个数据量在线上服务做不到，要做相应的优化。

我们做了三个方面的优化，首先是分层排序。把定位过程变成一个微观的步骤，先做一个粗略的定位，然后逐渐收敛到一个非常精确的位置。粗略定位的时候，可以用大网格，少特征，快速过滤掉一些不可能的位置。

然后，在非常细的网格中，用更多的特征和更多的网格进行排序。这种方法可以大大提高计算效率，过滤掉一些不必要的计算。

二是模型简化。虽然深度学习的效果很好，但是无法在线使用复杂的模型。我们通过减少层数和节点数来降低浮点数的精度。

三是特征压缩。这个的特点是我们按照模型进行压缩，原始特征的数量非常大。我们增加一个编码层，输入的特征经过编码层后，只输出两个字节的特征。在我们处理了在线和离线数据之后，我们只在线存储两个字节。通过这种方法，在线要素数据量减少了10倍，不到1 TB。这些是要解决的主要问题。

不同场景下的准确度提高

在室内场景中，往往位于室外，这和刚才介绍的序列流程有关系。因为采集过程更有可能是在室外，而序列之后的Wifi位置都在路上，所以最终定位的概率也在路上，但这对用户体验非常不好。比如你打车，你可能在室内叫出租车，定位在对面的路上，但是这条路可能是错的。你要搞清楚我在哪栋楼，哪条路比较近。

如何解决这个问题？一种方法是通过数据采集，即在室内人工采集，使训练数据的数据分布与实际预测的数据分布一致。当然，这种方法有很好的准确性，但主要缺点是成本很高。目前这样的数据采集只在热门商场和交通枢纽进行，肯定不是可扩展的方法。

我们的方法是通过引入更多的数据来优化定位过程。如果能基于地图数据挖掘Wifi和POI的关系，通过数据关联可以提高准确率。比如扫描到一个Wifi，名字叫肯德基，一种可能是你在肯德基。这个方法比较简单。实际使用的方***更复杂。

我们利用Wifi信号的分布来反向挖掘位置。上图中蓝色的部分是积木的位置，红点是Wifi的真实位置，绿点是Wifi采集的位置。绿色越亮，这个地方的信号强度越强。通过这张图，放入图像中进行研究。比如CNN挖出它的位置后，我们就可以建立Wifi和积木或者POI之间的关联。通过这种方法，可以将总Wifi的30%与对应的一个关联起来。

在线时，你需要知道用户什么时候在室内，什么时候在室外。我们使用区分信号强度特征的算法。室内室外扫描的Wifi列表和强度会有很大差异，可以通过这种差异来训练模型。预测绿点是室内点，蓝点是室外点。通过这种方法，定位精度提高了15%。

驾驶场景，导航过程中可能遇到的常见问题。第一个问题是无法定位。当你开车到停车场或有遮挡的地方时，第二种情况是点会漂移，因为当GPS被建筑物或其他东西遮挡时，精度会下降。第三种情况，不能区分主干道，可能会错过路口。

对于以上问题，我们采用“软+硬”的融合定位。软部分由两部分组成，一是基于移动定位，二是基于地图匹配。经过两次“软+硬”的组合，在GPS 10中可以达到90%以上的准确率，可以实现高架主干道和停车场的连续导航。

这里的重点是如何实现融合定位。特点点就是我们车机的传感器模块成本低，不到100元。其他同类产品成本比较高，可能要几千块钱。有了低成本的器件，更容易普及。缺点是精度差，定位精度差。需要用软件的方式来弥补硬件的不足。

我们的解决方案分为三步。第一步是课程整合。陀螺仪可以算出相对角度，加速器可以算出地球引力的方向。两者结合后，可以建立滤波方程，连续输出真实方向。其次，通过将三维方向与GPS结果融合，可以计算出校正后的位置。第三步，和地图匹配对比，因为我们知道它的方向和位置后，就会知道它是上坡还是下坡，是在高架平台上还是高架平台下。还有一点，匹配的位置与原始GPS位置进行比较。如果相差很大，GPS可能会偏移，我们就把GPS丢弃，只用惯性导航来计算。

这里面有三个特点。第一，参数是动态校准的，不需要有设备的初始目标。我们通过三维计算方向，用地图匹配反馈。至于地图匹配，核心是我们用HMM的算法来匹配位置，计算每个点的道路。关键概率是发射概率和位置转移概率。

其次，我们还考虑了角度。角度的变化也用于决策转移概率。这与位置转移概率的区别在于速度是作为一个变量引入的。在不同的速度下，转弯的概率是不一样的。速度慢的话可能会转弯。如果速度很快，它可能会转弯，所以我们对每个速度都有一条曲线。

上图为定位效果，红点为实际修正轨迹，蓝点为原GPS点，以下为高架位置下的效果。你可以看到GPS点在高架下已经很发散了，飘得到处都是，但是校正后和绿点重叠了。下图是停车场。当你进入停车场，蓝点消失，但红点可以很好的还原用户在停车场的连续轨迹。

在高精度定位方面，高德主要建立两种定位能力，一种基于图像定位，一种基于融合定位。图像定位只有利用图像才能形成更好的分米精度。融合定位主要介绍两种新的定位技术，一种是VSLAM，另一种是差分GPS。这两种方法在有GPS和无GPS的情况下都能提供很好的精度。VSLAM可以使误差非常小，因为它可以用镜像法进行校正。

自动驾驶是一个方向，需要从辅助驾驶过渡到自动驾驶。但是在系统化的变革到来之前，会有一个阶段性的变革，就是服务于人的导航服务的精细化，也就是车道级导航。车道导航需要高精度地图，至少分米精度。

对定位技术未来发展的认识。基础部分，我们认为5G的出现会为定位提供新的可能，因为5G的频率比4G高，波长会更短。可以测距离，以前基于基站和Wifi的定位都是基于信号强度。但5G支持测距后，可以提供很好的精度，所以可能有一种方式，基于5G的定位可以达到类似GPS的效果。

二是融合定位。随着各种新数据源的出现，采用新的算法来充分发挥不同数据源的特点，从而提高整体效果。驾驶部分，视觉定位和差分GPS技术的逐步普及。室内，有超宽带定位，此外还有蓝牙和Wifi的精准定位。在最新的技术标准中，还支持测距和测角技术，即未来新的蓝牙或Wifi APP或许能提供一些定位能力。