1.導(dǎo)讀

GPS定位精度高，且早已成為移動設(shè)備標(biāo)配，但GPS也具有一些難以克服的缺陷，包括：

• 冷啟動時間長。GPS啟動時，需要進(jìn)行搜星，鎖定衛(wèi)星信號，然后再進(jìn)行位置技術(shù)，這個過程可能會達(dá)到幾十秒，即使采用諸如AGPS等技術(shù)，仍然有秒級的時間無法定位。
• 室內(nèi)或有遮擋的場景。GPS信號弱，無法有效定位。

用戶需要持續(xù)的有效定位，因此需要另一個技術(shù)對GPS進(jìn)行補(bǔ)充，這就是網(wǎng)絡(luò)定位技術(shù)。

網(wǎng)絡(luò)定位是將手機(jī)設(shè)備收到的信號（主要是基站、Wifi、藍(lán)牙）發(fā)送到網(wǎng)絡(luò)服務(wù)器，獲得位置。之所以要將信號數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)上，是因為網(wǎng)絡(luò)定位是利用信號指紋進(jìn)行定位，需要一個龐大的且持續(xù)更新的指紋數(shù)據(jù)庫，這個數(shù)據(jù)庫難以同步到移動設(shè)備上。為了進(jìn)行定位，需要事先建立每個位置的指紋特征，然后在定位時用實時指紋比對每個位置的歷史指紋，確定位置。

高德網(wǎng)絡(luò)定位不僅承擔(dān)著高德地圖用戶的定位請求，還面向國內(nèi)所有主流手機(jī)廠商，以及國內(nèi)30萬以上App提供服務(wù)，日均處理請求千億次，峰值QPS百萬級。

在過去的幾年中，高德網(wǎng)絡(luò)定位算法經(jīng)歷了從無監(jiān)督算法向有監(jiān)督算法的演進(jìn)，從定位精度、定位能力透出等方面都有了顯著的提升。

注：高德網(wǎng)絡(luò)定位只存在于安卓平臺上，在iOS上由于蘋果公司未開放任何定位相關(guān)的指紋數(shù)據(jù)（Wifi、基站列表等），定位結(jié)果全部來自于iOS自身。

2.基于聚類的無監(jiān)督算法

經(jīng)典的指紋定位算法是無監(jiān)督算法，其核心是計算指紋的相似性，用指紋確定位置。下圖是一個例子，AP代表手機(jī)掃描到的基站和Wifi設(shè)備編號，縱軸代表不同的位置，二者交點的數(shù)值代表該位置掃描到該AP的信號強(qiáng)度，為空代表該位置沒有掃描到該AP。

要對一個新定期請求進(jìn)行定位（比如AP1:-30,AP2:-50,AP3:-90），一個最簡單的方法，是用KNN逐一計算該指紋與歷史指紋的相似度（比如用L2距離或者余弦相似度），取相似度最大的歷史位置作為用戶位置。

這有兩個問題，第一是計算量太大（AP是10億量級，loc是千億量級），無法滿足實時定位的要求，第二是歷史指紋在局部可能比較稀疏，對于用戶指紋無法精確匹配。

于是需要對歷史數(shù)據(jù)進(jìn)行預(yù)處理，提取出AP和網(wǎng)格的通用指紋，這樣在定位時只需要比對一次即可。下圖是利用一個AP的歷史采集位置進(jìn)行聚類，獲得AP實際位置和覆蓋半徑的過程，有了每個AP的位置，在定位時將多個AP的位置進(jìn)行加權(quán)平均即可獲得最終位置。

這種方法需要解決的一個挑戰(zhàn)是當(dāng)有多個候選位置時如何選擇，如下圖所示，有兩個候選位置。

此時需要設(shè)計一個策略進(jìn)行簇選擇，基于每個簇的特征進(jìn)行打分，找出最有可能的一個簇作為用戶位置。

基于加權(quán)平均的定位，速度很快，但精度比較差，原因是指紋在空間上的分布并不是連續(xù)的，而可能受到建筑、地形、道路的影響，呈現(xiàn)一種不規(guī)則的分布，于是在上面定位方式的基礎(chǔ)上，發(fā)展出一種基于格子排序的算法，可以更精準(zhǔn)的定位。

首先將地球劃分為25*25的網(wǎng)格，然后統(tǒng)計每個網(wǎng)格內(nèi)的指紋特征，最后進(jìn)行格子排序。設(shè)候選網(wǎng)格為l，信號向量是S，則定位過程就是計算

根據(jù)貝葉斯公式，有

根據(jù)1-1，由于所有候選網(wǎng)格的分母相同，只需要計算分子，即：

其中P(l)是某個位置在全量用戶位置中出現(xiàn)的概率，可以用定位PV表示，而P(S=S0|l)則需要計算在每個網(wǎng)格內(nèi)出現(xiàn)某種信號向量的概率，由于向量維數(shù)高，概率難以計算，因此對不同維進(jìn)行獨立假設(shè)，認(rèn)為每個信號出現(xiàn)的概率是獨立的。有：

這樣，可以基于歷史指紋對每個網(wǎng)格內(nèi)的每個AP的信號強(qiáng)度進(jìn)行直方圖統(tǒng)計，即可計算出概率，最后對所有格子的概率進(jìn)行排序，獲得概率最高的那一個，如下圖：

3.基于分層排序的有監(jiān)督算法

無監(jiān)督算法的一個問題，是難以迭代，對于badcase無法進(jìn)行有效優(yōu)化，一旦調(diào)整策略就會影響到其他case，無法獲得全局最優(yōu)。

因此，有監(jiān)督學(xué)習(xí)就變得很有必要，高德定位從近兩年開始全面轉(zhuǎn)向有監(jiān)督學(xué)習(xí)，持續(xù)進(jìn)行特征和模型設(shè)計，提升效果，取得了不錯的收益，解決了50%以上的大誤差問題（5公里以上），在移動Wifi識別上獲得了99%以上的識別準(zhǔn)確率。

有監(jiān)督學(xué)習(xí)需要使用大量的特征，特征的計算需要消耗較多資源，考慮到定位服務(wù)要承受10萬以上的QPS，模型的復(fù)雜性與效果同等重要，因此我們首先將定位服務(wù)進(jìn)行了分層，上面的層級針對大網(wǎng)格，計算粗略的位置，下面的層級針對小網(wǎng)格，逐步細(xì)化位置。這樣可以極大減少不必要的計算，在性能和效果間取得平衡。

對于每一個單獨的算法模塊，都采用類似下面的神經(jīng)網(wǎng)絡(luò)模型對每個候選網(wǎng)格進(jìn)行打分，再使用LTR損失函數(shù)作為目標(biāo)進(jìn)行訓(xùn)練，從而獲得神經(jīng)網(wǎng)絡(luò)的參數(shù)。在特征方面，同時考慮以下三類：

• AP的動態(tài)特征，比如信號強(qiáng)度
• 網(wǎng)格特征，比如PV、UV、AP數(shù)、周邊候選網(wǎng)格數(shù)等
• AP在網(wǎng)格上的特征，比如信號強(qiáng)度分布、PV、UV等

采用這種方法可以解決絕大部分格子選擇不準(zhǔn)確的問題，遺留的一個問題是當(dāng)定位依據(jù)特別少的時候，比如只有一個基站和一個Wifi，二者分別位于距離較遠(yuǎn)的兩個網(wǎng)格，此時無論選擇哪個都有50%的錯誤概率。為了解決這個問題，我們引入了用戶歷史定位點輔助進(jìn)行各自選擇。

在特征部分加入歷史定位點序列，輸出一個歷史位置特征（可以看成是一個預(yù)測的新位置），讓這個預(yù)測位置參與網(wǎng)格打分。當(dāng)有兩個距離較遠(yuǎn)但打分接近的網(wǎng)格進(jìn)行對比時，通過預(yù)測位置進(jìn)行加權(quán)。這樣模型應(yīng)該可以學(xué)出這樣的規(guī)律：如果網(wǎng)格距離預(yù)測位置比較遠(yuǎn)，打分就降低，如果比較近，分就高。通過這個方法，大誤差case的比例可以降低20%。

4.場景化定位

用戶在不同場景下對定位的要求是不同的，比如用戶在旅途中可能只需要知道大致的位置，不需要很精確，但是在導(dǎo)航時就需要精確的知道自己在哪條道路上，距離出口多遠(yuǎn)。

因此，除了在整體算法架構(gòu)上進(jìn)行優(yōu)化，高德還在不同特定場景上進(jìn)行針對性的優(yōu)化，滿足用戶不同場景下的定位需求。

室內(nèi)場景

指紋定位的一個局限，是需要采集帶GPS的樣本作為真值進(jìn)行訓(xùn)練，由于GPS只能在室外被采集到，即使用戶在室內(nèi)，其定位結(jié)果有很大概率在室外，這會對用戶造成不少困擾，特別是在用戶準(zhǔn)備出行的時候，其定位點的漂移會導(dǎo)致起點偏離真實位置較大。

為了解決這個問題，有兩個解決辦法，一是采集室內(nèi)真值，但這種方法需要大量人工采集工作，工作量巨大，目前高德在一些熱門商場和交通樞紐進(jìn)行人工指紋采集（除了基站W(wǎng)ifi還支持藍(lán)牙、傳感器定位）。第二個辦法是借助大數(shù)據(jù)，無需人工干預(yù)，對Wifi進(jìn)行建筑/POI關(guān)聯(lián)，用建筑/POI位置去修正定位結(jié)果。

Wifi-POI關(guān)聯(lián)有多種方法，一個簡單的方法是用POI名字與Wifi名字的相似度判斷是否有關(guān)聯(lián)，比如麥當(dāng)勞的Wifi名字就是McDonald，關(guān)聯(lián)的時候需要考慮中英文、大小寫、中英文縮寫等。從名稱能分析出關(guān)聯(lián)關(guān)系的Wifi畢竟是少數(shù)。另外一種覆蓋能力更強(qiáng)的方法是利用Wifi信號分布規(guī)律去挖掘Wifi的真實位置，畢竟絕大部分Wifi都是部署在室內(nèi)的。

這里我們采用的是CNN的方法，將樓塊數(shù)據(jù)、POI數(shù)據(jù)、采集真值數(shù)據(jù)繪制為二維圖像，然后進(jìn)行多層卷積計算，label為Wifi所在的真實樓塊區(qū)域。下圖中藍(lán)色塊為樓塊，綠色為采集點，顏色越亮代表信號強(qiáng)度越高，紅色點代表Wifi真實位置。

目前算法能挖掘出30%Wifi對應(yīng)的真實位置，在最終定位效果上，用戶在室內(nèi)時，能正確定位到室內(nèi)的樣本比例提升了15%

高鐵場景

從用戶報錯情況看，有大量報錯是用戶乘坐高鐵時定位異常。高鐵在近兩年開通了車載Wifi，這些Wifi都是移動Wifi，因此這些AP是沒有一個固定位置的，如果不進(jìn)行任何處理，算法訓(xùn)練獲得的Wifi位置一定是錯誤的，很大概率會在沿途的某個車站（用戶集中，采集量高）。

針對這種場景，需要將移動Wifi全部去除再進(jìn)行定位。我們開發(fā)了針對高鐵和普通場景的移動Wifi挖掘算法，利用采集點時空分布等特征判斷某個Wifi是否移動，挖掘準(zhǔn)確率和召回率均超過99%，可以解決絕大部分高鐵定位錯誤的問題。

地鐵場景

地鐵場景有點類似高鐵，用戶掃到的Wifi基本都是移動Wifi（少量車站有固定Wifi），因此只能借助基站進(jìn)行定位。但基站深埋地下，缺乏采集數(shù)據(jù)，如何獲得基站的真實位置呢？我們采用了兩種策略，第一個策略是利用相鄰基站信息，當(dāng)用戶在一個請求里或者在短暫時間段內(nèi)同時掃描到地鐵基站（無GPS采集）和非地鐵基站（有GPS采集）時，我們可以用后者的位置去推算前者位置，當(dāng)然這種方式得到的基站位置不太準(zhǔn)確。于是我們進(jìn)行了進(jìn)一步優(yōu)化，利用用戶軌跡去精準(zhǔn)挖掘出每個請求對應(yīng)的地鐵站，從而構(gòu)建出指紋對應(yīng)的真值。

基于以上方法，地鐵內(nèi)的定位精度可達(dá)到90%以上，實現(xiàn)地鐵報站和換乘提醒。

5.未來演進(jìn)

在未來，定位技術(shù)特別是移動設(shè)備的定位技術(shù)還將快速發(fā)展，主要突破可能來自以下方面：

圖像定位：谷歌已經(jīng)發(fā)布了基于街景的AR定位，可以解決在城市峽谷區(qū)域內(nèi)的精準(zhǔn)定位。這種定位利用了更豐富的數(shù)據(jù)源，對用戶體驗的提升也會非常顯著。

5G定位：5G相比4G，頻率更高，頻帶更寬，用于測距時精度更高（比如利用相位差進(jìn)行傳輸時間計算），行業(yè)協(xié)會也在孵化5G定位相關(guān)的標(biāo)準(zhǔn)，運營商在未來可能會支持基于5G網(wǎng)絡(luò)的定位，屆時在5G覆蓋區(qū)將會有類似GPS精度的定位效果。

IOT定位：隨著物聯(lián)網(wǎng)的普及，基于NB-IOT的定位技術(shù)也會應(yīng)運而生，它可以使用類似基站定位的方法，或者使用P2P定位的方法為物聯(lián)網(wǎng)設(shè)備進(jìn)行定位。

原文鏈接
本文為阿里云原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的高德网络定位算法的演进的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。