航位推算（DR）的三种计算方式及优劣势对比

航位推算（DR）的三种计算方式及优劣势对比

1. 简介

DR的全称为dead reckoning航位推算，航位推算算法是开环定位算法，主要是通过车轮脉冲、方向盘角度，结合车辆角速度、车速，推演出车辆在每个时刻的位置和姿态；是路径规划和路径跟踪环节的依赖项。

附赠自动驾驶最全的学习资料和量产经验：链接

2. 实现方式

实际工程中有三种实现方式：

（1）根据方向盘转角计算车辆半径和theta值

（2）根据双轮速差计算车辆每个瞬态走过的theta值

（3）根据YawRate积分或Yaw得到theta值

下面详细描述其原理，并结合工程中的使用心得列举其优缺点。

3. 详细描述

3.1 根据方向盘转角计算车辆半径和theta值

3.1.1 原理

根据阿克曼几何关系，

可以得到车辆前轮。

根据方向盘转角计算车辆半径和theta值

3.1.2 优势

不依赖IMU传感器（比如角速度的获取）

3.1.3 劣势

因为是  依赖实车标定的，所以存在一定的标定工作量，并且对车辆一致性要求较高；

由于转向系统间隙，轮胎侧偏特性的影响，方向盘为0时的半径不为无穷大，工程中会有向左偏或者向右偏的情况，角度在0附近时，容易引入较大的误差。

3.2 根据双轮速差计算车辆每个瞬态走过的theta值

3.2.1 原理

根据双轮速差计算车辆每个瞬态走过的theta值

3.2.2 优势

不依赖IMU传感器（比如角速度的获取）、方向盘角度不参与计算，所以不受转向系统间隙的影响。

3.2.3 劣势

算法默认两个轮子走过的距离是相同的，且为定值，所以胎压不均/不足/过足的时候，对于theta的推算有影响。

3.3 根据YawRate积分（或Yaw值）得到theta值

3.3.1 原理

3.3.2 优势

不受方向盘间隙和胎压的影响。

3.3.3 劣势

依赖IMU传感器（比如角速度的获取），需要车辆实装IMU传感器，而且IMU有温漂和零漂，检测精度（前进/后退），所以单独使用 积分的方式需要对温漂和精度进行修正和验证。

4 必要的验证场景

按照单一变量原则，可以在这些场景下进行比较（根据实际的DR应用场景删减）：减速带、上下坡、直线、大转角、不同车速、刹车、起步。

只有这些场景验证后，才能给出一个相对公平公正的结论。

5 实车的一些坑

5.1 对于方法1根据方向盘转角计算车辆半径和theta值

阿克曼角的存在一方面是保证在转弯时左右车轮同心，二方面使得前后车轮的转弯中心在后轴的延长线上，所以理论上阿克曼角的存在不会有轴向的阿克曼偏移量；

但在工程实际中，由于转向系统间隙，轮胎侧偏特性以及一些外界干扰因素的存在，使得阿克曼角成了产生阿克曼偏移量的一个起始因素，所以在处理这个问题时，由于影响因素较多，因此阿克曼偏移量一般是工程标定出来的。但是不同车辆之间的差异较大，而且标定工作较多，所以这个方法渐渐被弃用。

5.2 对于方法2根据双轮速差计算车辆每个瞬态走过的theta值

因为其是使用轮脉冲来计算theta的，所以有几个弊端：体现在过减速带、上下坡、包括如果传感器精度不够（比如有的车只有48齿），都会影响DR精度。

实车还有一个往往会被忽略的坑，就是在车辆即将刹停和即将起步的时候，此时车辆轮胎畸变明显，所以轮脉冲包括其方向，都会有失真的可能性。此时，可以过滤或者直接赋0处理掉。

5.3 根据YawRate积分（或Yaw值）得到theta值

实车中，用RTK与其积分值对比过，受温度、零漂、安装角度影响，其精度随着时间的累积而降低。这里最难的就是进行零漂和温漂的矫正，否则无法使用，矫正之后，效果是比1和2要好的，但是矫正过程中，要花些心力。

6 总结

在嵌入式资源不多的情况下，建议直接用2，加一些滤波可以满足使用需求；

如果嵌入式资源较多，可以用KF，因为三种方式的误差是独立的，KF后，可以得到比单个方式更优的解。两个相互独立的高斯分布相加，结果仍是一个高斯分布。