2024电动车百人会丨邵慧超：车规级惯导在自动驾驶中的应用

2024年3月15日，中国电动汽车百人会论坛（2024）在京开幕。围绕“巩固和扩大新能源汽车发展优势”这一核心议题，中国电动汽车百人会论坛（2024）将举办1场高层论坛、1场国际论坛、2场闭门会议、10场主题论坛，全面强化高端前瞻、全球视野、跨界融合的论坛特色。其中，在3月17日下午举办的“智能汽车生态论坛”上，立得空间副总裁邵慧超出席并发表演讲。以下内容为现场演讲实录：

尊敬的各位嘉宾、各位朋友，大家下午好！非常荣幸能有这样一个分享的机会，刚才各位嘉宾已经分享了智能座舱、人机交互以及操作系统等相关内容，其中在汽车生态中还有一环就是车规级惯导，我分享的主题就是“车规级惯导在自动驾驶中的应用”。

首先是车规级惯导在自动驾驶中应用的背景。立得空间成立于1999年，已经有25年的历史，公司定位在测量系统、相关智能装备及服务提供商。同时有三个非常有特色的标签：中国移动测量的创领者、中国第一个街景地图的发布者和实景三维概念的提出者，突破了惯性组合导航卡脖子技术，实现航空摄影测量的自主可控。同时，在25年的发展过程中获得了很多荣誉资质，包括2020年国家科技进步一等奖，以及2007年和2012年国家科技进步二等奖，也是20多项行业和国家标准的主要编撰和参与者，也是国家重大研发项目的负责单位。

立得空间是移动空间的创领者，与自动驾驶的关系是什么？移动测量与自动驾驶本身是同一个技术体系，都属于多传感器的融合，在自动驾驶车上有激光扫描仪，在移动测量车上有更高精度和更高性能的激光扫描仪；自动驾驶车上有环视传感器，在移动测量车上有CCD相机，也有360度全景影像，甚至像素突破1.2亿像素；同时两边都拥有北斗和惯导系统，两边本身就是一个完整的技术架构体系。从这个角度来看，自动驾驶车其实就是移动测量车，当自动驾驶车在路上行驶的时候，本身就是作为移动测量车存在，两者紧密相连。

AI技术也很早就引入了移动测量的领域，为什么要引入到移动测量领域？移动测量采集的激光点云可以说是巨大的，它的视觉影像也都是非常海量的，AI技术当时引入到移动测量中间是从这些点云和视觉中提取它的特征，包括道路边线、道路中线，以及建筑物的轮廓模型各个方面。AI技术很早就引入了移动测量中，AI+移动测量+自动驾驶传感器照样也能赋能自动驾驶，能给自动驾驶的场景构建和感知提供相关的支持。

刚才蔚来的白剑总提到无感泊车，与移动测量结合之后还有一个更好的想法，AVP地图加无感泊车，AVP地图作为自动泊车地图存在后，加上无感泊车实现整个车库的无感泊车。移动测量通过四个手段实现AVP地图的处理。第一，外源的采集，通过各种传感器，环视、激光、惯导以及同步器，采集后通过内页处理，将地图的编译快速发布。

移动测量车在地库里面通过简单的行驶，几分钟内走完整个车库，经过简单地处理，就可以生成AVP自动泊车地图，既包括语义地图，也包括视觉特征地图，通过环视传感器作为泊车的基准。目前立得空间采集了700多个停车场的数据，并且在北、上、广、武汉、重庆等大型停车场已经采集，给长安汽车以及其它单位提供相关数据和成果，相关的精度非常高。通过停车场里面的测试点检验，地图的精度都是优于15cm，对于自动泊车非常有效。

移动测量和自动驾驶是息息相关的，车规级惯导在移动测量当中的重要性是非常重要的，但是在自动驾驶过程中依旧存在不足。从图上可以看出来，车规级惯导的量在逐渐增长，但是市场规模其实很小，由于它的价格急剧下降，甚至低于500元/个，100万套/年来算，它的市值规模非常小。为什么会形成这样的情况？车规级惯导没有成为自动驾驶的核心部件，仅仅在定位层给车辆提供一个定位，没有深度参与到感知层以及控制层，只是作为一个定位器件，大家的比拼只是低端比拼或者作为边缘的价格上的考虑。这样导致车级惯导的特点没有发挥出来。

惯导为什么是自动驾驶和移动测量的核心？在移动测量中，基本上以惯导为架构进行搭建，包括相机，通过左相机、右相机实现双目视觉，这就是自动驾驶中间的双目视觉概念，通过惯导为基准进行测量，通过共线方程测量前方物体是非常精确的。以惯导为基础，同时跟激光雷达、全景相机，包括其它传感器相结合，超声波、毫米波，可以做整体观测。在移动测量中，惯导非常重要。以惯导为基准构建之后，是统一的架构体系，视觉、激光能融合到一块儿，精度非常高，相对精度优于2厘米，绝对精度优于10厘米。

惯导在自动驾驶上为什么没有把它的作用发挥出来，是否因为技术难度？也不是，以立得空间承担的国家重大项目为例，我们在2012、2013年承担了国家的重大项目，包括科学仪器。我们突破了惯导的高精度技术，突破国家的重点研发计划，包括深耦合以及跟多个传感器的融合技术，解决了航空以及车载的一些相关关键技术之后，已经实现应用，最近两年我们才面向智能网联高精度的智能感知定位器件实现正式应用。它的关键技术已经实现突破，为什么我们在智能网联车上没有用起来？需求上大家目前有一个错觉，在移动测量上面作为一个很关键的部件存在，我们的惯导其实已经能够达到0.002度的精度，即使降级也可以降到0.01度，但是车规级自动驾驶一般只选0.1度就够了。它的需求不足不是因为技术未突破，而是自动驾驶没有重视传感器的重要性导致的。当我们把这里理清楚后，可以提出一个新的想法，就像移动测量一样，以车规级惯导为核心搭建整个架构。

以车规级惯导为核心，跟它的摄像机、激光雷达、毫米波、超声波组合之后，不仅仅用来定位，而是用来参与到深层次的控制上面去，必须要跟控制结合起来，这样才能充分发挥车规级惯导的作用。这时候我们进入另外一个层级，就是PNTO（Position Navigation Time Orientation），我们经常提PNT0，惯导有一个最大的作用就是Orientation。惯导从哪里来？从导弹来的技术，本身就是定位、定向、定制的，如果我们把它最重要的功能拿掉，只是一个定位的话，其实只是用了它最基本的一个功能。如果以惯导为基准搭建整个传感器架构，整个都会进行改变，包括它的时间基准、空间基准都用到惯导上面，这样的话，另外一个思路就打开了。

我们进行架构搭建之后，第一个解决时间同步问题，目前有嘉宾分享车上的同步一般就是毫秒级，如果做到高精度或者高性能感知的话，可以到微秒级甚至纳秒级，我们的传感器其实已经可以做到了，在移动测量上做到纳秒级，传感器融合得非常准确。第二，空间同步，多个传感器之间的标定，它的空间基准，每辆车装出来都是不一样的，肯定都有误差，通过空间标准每辆车生产批量走后能对准。时间、空间基准对了之后，这边这台车既是自动驾驶车，也是移动测量车，完全能提升性能。它所有以时间、空间，包括坐标的基准集中到惯导的框架之后，可以整个传感器都是一样的，进行融合地呈现，包括融合定位就不仅仅是GPS+北斗，可以视觉惯导都用来作为地推，这样做地推的时候都可以融合进来。整个理念发生改变，融合感知也会发生改变，这样一个架构就能给大家带来很明显的提升。

简单量化示例一下，以视觉的角度来看，以前我们只是对这辆车进行定位车规级惯导，我们跟多传感器融合，采用刚才的方案后就不是自己定位了，而是对周边的东西都是精确的定位，甚至60米之外可能定位精度已经达到10厘米。这样带来的好处是什么？我的控制精度将会带来提升，我精确地知道它的绝对距离是多少，甚至10厘米，这样控制会更精确。不仅仅用来定位，这是一个简单的分析。

这是一个角度的分析，我们也设计了很多复杂场景，在移动测量车上，在自动驾驶车上，以及在机器人上，我们通过几种手段来反复对深度融合惯导的方案进行验证，融合之后它的性能提升非常明显，这是因为它的架构推翻了，从毫秒级的同步到微秒级甚至纳秒级，这样性能肯定可以提升30%—40%。

惯导的重要性不是凭空来的，而是移动测量25年的积累一点一点过来的，这个方案既适用于自动驾驶，也适用于移动测量，还适用于机器人。从我们的角度来看，移动测量跟自动驾驶还有机器人本来它的技术方案就是一脉相承，最后一定会殊途同归，因为它的传感器、处理器，包括它的整个技术路线其实非常接近，只是大家的量级不一样而已。这也是为什么立得空间同时拥有三大业务，包括移动测量、机器人、自动驾驶业务。

最后做一个简单的总结：1、移动测量原理和技术与AI技术相结合，可提升自动驾驶的性能，可用于AVP自动泊车场景；2、本方案可以提高汽车驾驶的安全性、舒适性，整体提高车辆传感器的感知效率和控制精度，提升整车的自动驾驶水平；3、立得空间推出的车规级惯导+多传感器融合的方案，可以赋能自动驾驶，也希望与业内车厂就本方案能够进行精诚合作。

抛砖引玉，谢谢大家！