Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции

в 8:00, , рубрики: Dead Reckoning, esp32-c3, gps, imu, obd-ii, геопозиционирование, гироскоп, инерциальная навигация, яндекс
Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 1

Когда GPS пропадает или показывает неверные координаты, навигационная система теряет реальное положение автомобиля. В Яндекс Такси мы хотим, чтобы водитель мог положиться на навигацию, а пассажир — добраться до нужной точки без лишних задержек. Для этого нужно продолжать вести машину по маршруту, даже когда спутниковым координатам нельзя доверять.

Потеря спутникового сигнала не означает, что о движении автомобиля больше ничего нельзя узнать: остаются скорость и показания датчиков. Мы используем эти данные, чтобы продолжать навигацию методом dead reckoning — счисление пути. Сам подход довольно распространён, но у него есть известный недостаток: ошибки измерений постепенно накапливаются. А нам нужны были точные и стабильные показания в условиях обычной поездки. Чтобы получать эти данные, мы спроектировали и собрали собственное устройство.

Меня зовут Никита Васильченко, я техлид проекта инерциальной навигации в Яндексе. В статье расскажу, как мы собрали Яндекс Компас — устройство, которое считывает скорость автомобиля, измеряет угловую скорость и передаёт данные в смартфон для расчёта положения. Разберу и проблемы, с которыми мы столкнулись при разработке: от обрывов связи до температурного дрейфа сенсора и расхождения часов.


Что такое инерциальная навигация

Для начала разберёмся с термином «инерциальная навигация»: если говорить просто, это способ, который позволяет отслеживать, как меняются положение и ориентация, по показаниям датчиков движения.

В авиации инерциальная навигация начинается с «выставки»: прежде чем рассчитывать движение по гироскопам и акселерометрам, система должна знать исходное положение и ориентацию самолёта. У нас похожая задача: в разных моделях автомобилей разъём OBD‑II расположен под разным углом, и наклон подключённого Яндекс Компаса заранее неизвестен. Поэтому по акселерометру определяем горизонт, а по гироскопу отслеживаем повороты автомобиля вокруг вертикальной оси. 

Дальше подходы разделяются: вместо того чтобы вычислять скорость по ускорению, мы получаем из CAN‑шины скорость автомобиля, рассчитанную по вращению колёс. Яндекс Компас по Bluetooth передаёт данные о скорости и поворотах в Яндекс Про, приложение для водителей. По этим данным приложение восстанавливает траекторию — это и есть счисление пути, или dead reckoning. 

В отличие от авиационной системы, нам не нужно часами обходиться без внешних поправок: нам нужно продолжать навигацию без спутниковых координат. Когда им нельзя доверять, мы корректируем накопленную ошибку по LBS — координатам, полученным по Wi‑Fi и сотовым сетям.

Итак, для навигации мы используем три группы данных:

  • Данные о движении автомобиля. Гироскоп измеряет угловую скорость — по ней мы отслеживаем, как меняется направление движения. Но сам по себе он не знает направление движения: для первоначального направления нужны внешние координаты. Кроме того, ошибки гироскопа постепенно накапливаются, поэтому направление приходится корректировать.

    Скорость мы получаем из CAN‑шины автомобиля через диагностический разъём OBD‑II. Рассчитывать её по акселерометру мы не стали: при интегрировании ускорения ошибки измерений накапливаются слишком быстро. Скорость автомобиля вместе с направлением движения позволяет нам вычислять, как меняется его положение.

    При этом акселерометр со счетов мы не сбрасываем. В разных моделях автомобилей диагностический разъём OBD‑II, через который Компас получает данные от автомобиля, расположен под разным углом, поэтому мы заранее не знаем, как будет наклонён подключённый к нему Компас. По показаниям акселерометра мы определяем этот наклон, чтобы понять, вокруг какой оси отслеживать повороты автомобиля. 

  • Спутниковые координаты. Когда GPS доступен и его данным можно доверять, мы используем их для начального позиционирования, калибровки сенсоров и коррекции ошибок, которые накапливаются в процессе движения.

  • Координаты по Wi‑Fi и сотовым сетям. В Яндексе есть сервис определения местоположения по окружающим Wi‑Fi‑точкам доступа и базовым станциям сотовой связи — дальше будем называть его LBS. Когда надёжных GPS‑координат нет, мы используем его данные для начального позиционирования, определения направления движения и коррекции накопленной ошибки.

Такие координаты менее точны, чем спутниковые, и поступают реже, чем нужно для навигации. Например, частоту сканирования Wi‑Fi ограничивает операционная система смартфона, а нам нужно обновлять положение автомобиля каждую секунду. Между измерениями LBS мы рассчитываем движение по скорости и показаниям гироскопа, которые передаёт Яндекс Компас.

Так у каждого источника появляется своя задача: скорость и показания датчиков помогают восстановить движение между внешними координатами, а GPS и LBS — корректировать накопленную ошибку.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 2

Чтобы рассчитать положение автомобиля, мы обрабатываем эти данные в несколько этапов:

  1. Получение GPS‑ и LBS‑координат. Они критически важны, чтобы определить изначальное местоположение и направление движения машины.

  2. Сбор линейной и угловой скорости. Как только зафиксировано базовое положение, мы можем рассчитывать движение автомобиля: линейную скорость предоставляет CAN‑шина, а за угловую отвечает гироскоп.

  3. Фильтрация невалидных измерений. Не все поступающие данные пригодны для использования. GPS может сообщать данные низкой точности, сенсоры могут шуметь или иметь недопустимый дрейф. Поэтому подготовка данных — важнейший этап настройки всей системы: от качества измерений зависит точность координат на выходе.

  4. Sensor Fusion. Алгоритм, который объединяет измерения разных источников и выдаёт инерциальные координаты. Если в процессе движения GPS и LBS пропадут или начнут показывать неточные координаты, а Sensor Fusion уже запущен и откалиброван, навигация продолжит работать.

Яндекс Компас работает под управлением микроконтроллера ESP32-C3 и передаёт данные через Bluetooth Low Energy — BLE. Сенсор оснащён подогревом, который помогает уменьшить изменения показаний из‑за температуры.

Устройство Яндекс Компаса

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 3
Как выглядит Яндекс Компас

Как выглядит Яндекс Компас

Компас выглядит довольно просто, но при разработке нам пришлось разобраться с качеством измерений и стабильностью связи. Основная задача устройства — передавать данные в смартфон. С этого и начнём: как передавать их по беспроводной связи.

Почему в Яндекс Компасе BLE, а не Wi‑Fi

Яндекс Компас передаёт данные в смартфон по BLE. Потоков несколько: пакеты с показаниями сенсоров мы отправляем с частотой 15 Гц, а данные о скорости автомобиля — 2 Гц.

Почему же мы выбрали BLE, а не Wi‑Fi? На то есть три основные причины:

  • Wi‑Fi у водителя может быть занят. Некоторые водители используют два смартфона: на одном работает Яндекс Про, а со второго раздают интернет. В такой схеме в телефоне с Яндекс Про нет сим‑карты: он получает доступ в интернет через Wi‑Fi‑точку доступа на втором смартфоне. Подключение Компаса по Wi‑Fi могло бы конфликтовать с такой схемой: телефону пришлось бы переключаться между точкой доступа с интернетом и Компасом. Нам хотелось, чтобы водителю не приходилось выбирать между интернетом и нашим устройством.

  • Подключение должно быть простым. Мы хотели, чтобы всё работало примерно как с беспроводными наушниками: один раз настроил, а дальше устройство подключается автоматически. Для нашего сценария реализовать это через BLE оказалось проще, чем через Wi‑Fi.

  • Энергопотребление тоже имеет значение. Хотя Компас получает питание от автомобиля через разъём OBD‑II, лишний расход энергии нам ни к чему. А для смартфона, на котором всю смену работает Яндекс Про, экономия заряда особенно важна. При нашем объёме данных BLE позволяет обойтись без более энергозатратного Wi‑Fi‑соединения.

Пропускной способности BLE нам хватает: сейчас мы передаём пакеты по 300 байт с частотой 15 Гц. В них входят сырые показания акселерометра и гироскопа, временные метки измерений и температура.

Но одной пропускной способности мало — важна ещё и задержка доставки. В BLE обмен происходит в отдельные сеансы связи. Интервал между началами этих сеансов называется Connection Interval и согласуется между смартфоном и устройством. В течение одного сеанса можно передать несколько пакетов, а между сеансами данные ждут отправки.

Если за сеанс не успевают уйти накопившиеся пакеты, они остаются ждать следующего. Очередь растёт, и показания приходят в приложение с опозданием. Частота отправки пакетов 15 Гц оказалась подходящей для большинства Android‑смартфонов, с которыми мы работали. На устройствах с поддержкой режима 2 Мбит/с остаётся дополнительный запас по скорости передачи.

Выбор антенны и асимметрия сигнала

Самой пропускной способности BLE хватало. Но устойчивость соединения зависит ещё и от расстояния между устройствами, препятствий и помех, мощности передатчика, чувствительности приёмника и антенн.

В пилотной версии Яндекс Компаса мы использовали керамическую SMD‑антенну. Первые полевые тесты прошли хорошо. Когда испытания расширили, у многих пользователей в центре города появились задержки передачи больше секунды и частые обрывы соединения. Выяснилось, что запаса по уровню сигнала хватает не во всех условиях.

Уровень принимаемого сигнала мы оценивали по RSSI. Значения RSSI в наших замерах были отрицательными и выражались в dBm — децибелах относительно 1 мВт. Чем ближе значение к нулю, тем сильнее сигнал: например, −55 dBm сильнее, чем −80 dBm. 

Мы проверяли, как смартфон слышит Компас и как Компас слышит смартфон. Хотя данные идут от устройства к телефону, в обратную сторону передаются подтверждения приёма. Если Компас их не получает, возникают проблемы со связью.

В серии измерений средний RSSI на смартфоне составил −64,8 dBm, а на Компасе — −71,0 dBm. Получилась разница в 6,2 dB: Компас в среднем слышал смартфон слабее, чем смартфон слышал Компас. Кроме того, в подробных логах на стороне Компаса мы увидели периодические глубокие провалы сигнала, которые не были заметны по среднему значению RSSI.

Такая разница может быть связана с мощностью передатчиков и особенностями радиотрактов, а также с тем, как устройства измеряют RSSI. Поэтому одних показаний RSSI нам было недостаточно: мы сопоставляли их с задержками и обрывами соединения.

В ходе испытаний мы подобрали другую антенну, с которой связь стала стабильнее. Оказалось, что хорошего уровня сигнала на смартфоне недостаточно: проверять нужно соединение в обе стороны.

Как мы считываем скорость из CAN‑шины

Переходим к чтению скорости. Чтобы получить данные, мы сначала настраиваем адаптер OBD‑II — команды для его настройки передаются со смартфона.

В OBD девять протоколов, и у каждого автопроизводителя свои особенности. Поскольку мы не знаем, в какой автомобиль установили Яндекс Компас, в приложении реализован алгоритм выбора протокола и проверки его работы. Когда приложение подтверждает, что по выбранному протоколу можно получать скорость, устройство переходит в режим регулярного опроса автомобиля.

У получения скорости из CAN‑шины есть ряд плюсов и минусов. 

  • Плюсы:

    • Мы получаем нулевую ошибку при нулевой скорости. 

    • Избавляемся от ошибок двойного интегрирования показаний акселерометра. 

    • Получаем данные с частотой обновления до 10 Гц, хотя для большинства задач хватает и 2 Гц. 

  • Минусы:

    • Систематическая ошибка: скорость, которую отдаёт CAN‑шина, может отличаться от реальной скорости автомобиля. Она может быть занижена или завышена, и занижение даже на 1% приводит к накоплению существенной ошибки положения при ведении по данным о скорости.

    • Не со всеми машинами можно «договориться» через диагностический протокол. Например, некоторые электрокары используют кастомный протокол, и приходится подбирать под каждый автомобиль способы работы.

    • В некоторых автомобилях может быть более грубое квантование скорости, например с шагом не 1 км/ч, а 2 км/ч. И это проблема, потому что падает точность определения скорости. Это наша задача на будущее — когда мы начнём работать с такими автомобилями. Но пока их среди тех, с которыми мы работаем, крайне мало.

Какие погрешности IMU влияют на навигацию

Ключевой элемент нашей аппаратной части — IMU, инерциальный измерительный модуль с гироскопом и акселерометром. Направление движения мы рассчитываем по угловой скорости, которую измеряет гироскоп. Поэтому ошибки в его показаниях со временем переходят в ошибку направления.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 5

Если положить гироскоп на стол и не трогать, его показания всё равно будут немного колебаться. Это шум. Среднее значение при этом не обязательно равно нулю, хотя датчик неподвижен. Оно может ещё и постепенно меняться: смещение нуля нестабильно. Когда мы рассчитываем изменение угла по этим показаниям, ошибка накапливается. От стабильности гироскопа во многом зависит, как долго мы можем рассчитывать движение без коррекции по внешним координатам.

Чтобы оценить шумовые характеристики гироскопа, мы записываем его показания в неподвижном состоянии и анализируем три параметра:

  • Angle Random Walk (ARW) характеризует шум угловой скорости, который при расчёте угла приводит к накоплению случайной ошибки.

  • Bias Instability характеризует медленные случайные колебания смещения нуля, сохраняющиеся даже при стабильной температуре.

  • Rate Random Walk (RRW) описывает случайное блуждание угловой скорости, которое проявляется на больших интервалах наблюдения.

Смещение нуля меняется и с температурой. В наших испытаниях даже изменение температуры сенсора на один градус заметно влияло на смещение нуля. Этот эффект добавлялся к случайным изменениям смещения при постоянной температуре.

Температурную зависимость можно измерить заранее и учитывать с помощью калибровочных поправок. Но для этого нужны испытания в разных температурных режимах, а качество компенсации зависит от того, насколько хорошо модель описывает поведение конкретного экземпляра сенсора. Во время движения смещение также можно уточнять по внешним данным, но надёжный GPS доступен нам не всегда.

Мы выбрали подогрев: он поддерживает температуру сенсора как можно более постоянной. Благодаря этому прогрев устройства и изменения температуры в салоне меньше влияют на показания.

Для оценки сенсора мы провели пятичасовую запись данных и построили график отклонения Аллана.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 6

По оси X указано время усреднения τ, по оси Y — отклонение Аллана угловой скорости в °/ч. Обе шкалы логарифмические. Сплошные линии показывают результаты измерений по трём осям гироскопа, а пунктирные помогают выделить разные составляющие шума. Стрелками отмечены участки, по которым мы оценивали ARW, Bias Instability и RRW

Читать этот график удобно слева направо. Слева мы усредняем показания на коротких интервалах, поэтому высокочастотный шум ещё хорошо заметен. Если усреднять показания дольше, случайные колебания частично гасят друг друга. На графике видно, как сплошные кривые идут вниз. Нисходящие пунктирные линии показывают, как выглядел бы этот спад при преобладании белого шума. По участкам с таким же наклоном мы оцениваем Angle Random Walk.

Но усреднять дольше не всегда полезно. Ближе к минимуму кривые снижаются уже не так быстро. Здесь становятся заметны медленные изменения смещения нуля: простым усреднением их не убрать. В этой области мы оцениваем Bias Instability.

Справа кривые снова растут: на длинных интервалах усреднения становятся заметны медленные изменения показаний. Восходящие пунктирные линии показывают ожидаемый рост для Rate Random Walk. Если участок измеренной кривой растёт с таким же наклоном, по нему можно оценить вклад RRW.

На графике видно, какие составляющие шума проявляются при разных интервалах усреднения. На коротких интервалах заметнее быстрый шум, на более длинных проявляются медленные изменения смещения. По характерным участкам кривых мы оцениваем ARW, Bias Instability и RRW для каждой оси.

При выборе сенсора мы прежде всего смотрели на ARW и Bias Instability. Быстрый шум можно ослабить фильтрацией. Смещение нуля мы оцениваем и корректируем, когда есть надёжные опорные данные. Но случайные изменения показаний полностью убрать нельзя, поэтому стабильность самого сенсора остаётся важной.

В нашей пятичасовой записи оценки Bias Instability по трём осям были в диапазоне от 2,47 до 4,91 °/ч. Минимум — 2,47 °/ч — получили по оси Z. Это оценка стабильности смещения гироскопа в условиях испытания. На дороге к погрешностям гироскопа добавляется ошибка скорости автомобиля, а внешние координаты позволяют корректировать накопленную ошибку положения. Поэтому по одному Bias Instability нельзя судить о точности всей системы.

Чтобы оценить эффект подогрева, мы сравнили два пятичасовых замера: с подогревом и без него. Нас прежде всего интересовало, как изменится Bias Instability.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 7

С подогревом оценка снизилась по всем трём осям, а по Y и Z — почти вдвое. ARW изменился гораздо меньше. То есть подогрев прежде всего сделал смещение нуля стабильнее — на это мы и рассчитывали.

В поездках подогрев сократил и время подготовки системы к работе. Без него температура сенсора стабилизируется примерно за 20 минут. Всё это время смещение нуля меняется быстрее, чем мы успеваем его компенсировать по внешним координатам или во время остановок автомобиля. Из‑за этого приходится ждать следующей остановки, повторно оценивать смещение и заново инициализировать инерциальную навигацию. С подогревом температура сенсора стабилизируется примерно за минуту, и мы можем раньше перейти к работе со стабильными показаниями.

Как параметры IMU влияют на точность навигации на дороге

В Компасе мы используем гироскоп, выполненный по технологии микроэлектромеханических систем (MEMS). Посмотрим, что это означает для координат автомобиля.

Мы рассчитали, как будет накапливаться ошибка положения при двух значениях Bias Instability: 3,35 °/ч (среднем по трём осям нашего сенсора) и 2,47 °/ч (значении по оси Z). Этот упрощённый расчёт показывает, как ошибка гироскопа влияет на траекторию. Точность всей системы мы здесь не оцениваем. 

В расчёте мы предполагаем, что:

  • автомобиль движется со скоростью 30 км/ч;

  • скорость из CAN‑шины известна с поправкой;

  • начальное положение и направление движения определены точно;

  • во время движения нет коррекций ни по GPS, ни по LBS.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 8

При среднем значении Bias Instability по всем осям и значении по оси Z расчётная ошибка положения через 10 минут без внешней коррекции составляет 25 и 19 м соответственно, а через 20 минут — 99 и 73 м

Даже при идеальной скорости и точной начальной привязке ошибка гироскопа со временем приводит к заметному отклонению траектории. Поэтому при выборе сенсора мы проверяли, насколько стабильно его смещение нуля. Внешние координаты помогают корректировать накопленную ошибку — об этом поговорим дальше.

Но первые измерения показали: в готовом устройстве сенсор не сразу дал ожидаемое качество данных.

Почему показания гироскопа не соответствовали ожидаемым 

Мы стали проверять электрическую схему и код чтения IMU: и то и другое могло повлиять на измерения.

Наш микроконтроллер считывает данные из IMU и передаёт их в смартфон. IMU формирует измерения с заданной частотой — ODR (Output Data Rate). В нашем случае это 208 Гц. Нам нужно сохранить все эти измерения, но пакеты в смартфон мы отправляем с частотой 15 Гц.

Чтобы не считывать каждый отсчёт отдельно, мы используем FIFO — аппаратный буфер внутри IMU. Сенсор накапливает в нём измерения, а ESP32-C3 забирает их пачками. Ни одно измерение при этом не нужно отбрасывать: частота измерений остаётся 208 Гц, хотя микроконтроллер обращается к сенсору реже.

Отдельный вопрос — как определить время каждого измерения. Можно использовать часы ESP32-C3, но тогда важно фиксировать момент готовности данных, а не момент, когда код добрался до их чтения. Другой вариант — использовать временные метки самого IMU, которые он записывает в FIFO и по которым можно восстановить время измерений.

В начале разработки мы читали данные напрямую из регистров с частотой 200 Гц при ODR сенсора 208 Гц и использовали временные метки ESP32-C3. График отклонения Аллана выглядел так:

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 9

На малых интервалах усреднения кривые шли волнами вместо характерного для белого шума спада. Мы решили проверить, как данные проходят от сенсора до расчёта.

Сначала мы заподозрили проблему в чтении данных сенсора. Частота опроса не совпадала с ODR, поэтому часть измерений могла пропускаться. Если ставить временную метку при чтении, в расчёт попадёт время, когда микроконтроллер забрал данные, а не когда сенсор выполнил измерение. Между этими моментами возникают задержки из‑за обработки прерываний, работы планировщика и обмена по шине.

По графику Аллана мы не могли определить, откуда взялись волны: причина могла быть в сенсоре, электронике или коде сбора данных. Чтобы посмотреть, на каких частотах шум сильнее, мы построили график амплитудной спектральной плотности шума гироскопа.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 10

По вертикали отложена амплитудная спектральная плотность: чем выше значение, тем сильнее соответствующая составляющая в показаниях. Около 20 и 50 Гц шум заметно выше. По всему диапазону видны узкие пики

Теперь мы знали, на какие частоты обратить внимание при поиске помех.

При дальнейших проверках мы нашли проблемы с питанием и электрические помехи в схеме. Когда их устранили, волны на графике отклонения Аллана стали менее выраженными, а оценка Bias Instability приблизилась к паспортным значениям. Затем мы перешли на чтение через FIFO с временными метками IMU. По результатам повторных измерений характеристики сенсора соответствовали паспортным значениям в проверенных режимах.

Время тоже идёт по‑разному

Вся обработка сенсорных данных происходит в смартфоне. Именно он объединяет показания разных источников, чтобы рассчитать положение автомобиля. Для этого все измерения нужно привести к единой временной шкале.

У смартфона, ESP32-C3 и IMU свои часы и свои тактовые источники. Часы могут не только отсчитывать время от разных начальных точек, но и идти с немного разной скоростью. Поэтому одной начальной синхронизации недостаточно: со временем расхождение может накапливаться.

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 11

Отладив питание и код чтения, мы получили ожидаемые значения Bias Instability и ARW. Но тестовые проезды выявили новую проблему: при фактическом повороте на 90 градусов интегрирование показаний гироскопа давало 92 градуса. На восстановленной траектории поворот получался круче реального.

Напомню, гироскоп измеряет угловую скорость. Чтобы получить угол поворота, нужно проинтегрировать её по времени — учесть показания и длительность интервалов между измерениями. Поэтому ошибка может возникнуть как в самой угловой скорости, так и во времени, которое мы используем для расчёта.

Шумовые характеристики сенсора мы уже проверили, а точность временной шкалы — ещё нет. Поэтому следующим шагом проверили время, которое использовали при интегрировании. Раньше мы использовали часы ESP32-C3: в наших замерах они шли с достаточно близкой к часам телефона скоростью. После перехода на временные метки IMU выяснилось, что фактическая длительность одного тика его часов отличается от номинальной, которую мы использовали в расчётах, и меняется с температурой.

Мы стали оценивать скорость хода часов IMU относительно часов ESP32-C3 прямо во время работы и учитывать сглаженную поправку при пересчёте временных меток. После этого наблюдаемое завышение углов поворота исчезло.

Навигация без GPS

Когда GPS доступен, мы можем получить стартовое положение и направление, продолжить движение по данным от Яндекс Компаса и корректировать дрейф.

Но как быть, если нужно стартовать там, где GPS изначально не работает? В этот момент на помощь приходит сервис MapsLBS от команды Яндекс Карт. Он позволяет по результатам сканирования Wi‑Fi‑точек определить местоположение. И в городах с плотной застройкой у него это получается с хорошей точностью, но недостаточной для полноценного ведения по маршруту без данных о движении автомобиля.

Сканирование Wi‑Fi из приложения ограничивает операционная система в целях экономии батареи. Лимит — четыре сканирования за две минуты: при равномерном распределении это одно сканирование каждые 30 секунд. Для навигации нам нужно обновлять положение автомобиля каждую секунду. Однако это ограничение можно снять в настройках разработчика на смартфонах с Android 9.0 и выше, кроме Huawei и Honor.

Если смартфон с Android даёт возможность отключить ограничение сканирования Wi‑Fi в настройках разработчика, то и водитель получает возможность не просто поддерживать инерциальную систему в работе, но и запускать её без GPS: Wi‑Fi‑координаты дают начальное положение и помогают определить направление движения, а затем корректировать накопленную ошибку. Вместе с данными от Яндекс Компаса они позволяют продолжать ведение по маршруту.

Чтобы показать, как это работает, мы визуализировали треки: 

Яндекс Компас: как мы создали OBD‑II‑модуль для более точного определения геопозиции - 12

Красным цветом отмечен инерциальный трек водителя такси. Синим — трек по LBS‑координатам, которые уже сглажены фильтром Калмана. На этом участке набережной очень мало Wi‑Fi‑точек, и продолжать навигацию только по LBS‑координатам практически невозможно. Но инерциальная система с этой задачей справилась. На её треке местами появились небольшие смещения, порядка 20 м, но это значительно меньше ошибки координат, полученных по Wi‑Fi‑точкам. На изображении ошибка LBS‑координат достигает сотен метров: на набережных, как правило, Wi‑Fi‑роутеров мало, поэтому LBS определяет положение менее точно.

Заключение

На первый взгляд, задача была довольно простой: получить скорость автомобиля, добавить гироскоп и передать показания в смартфон. На практике пришлось разобраться, почему устройство хорошо работает на стенде, но теряет связь в машине, как температура меняет показания сенсора и почему 90 градусов поворота превращаются в 92 градуса из‑за того, что часы устройства идут с разной скоростью.

Мы подбирали антенну, стабилизировали температуру сенсора, исправляли питание и чтение данных, согласовывали часы. Всё это было нужно, чтобы получить данные, по которым можно надёжно восстановить движение автомобиля.

Сам Яндекс Компас не определяет положение машины на карте. Он передаёт скорость и показания инерциальных датчиков, Яндекс Про рассчитывает движение, а LBS помогает определить положение и корректировать накопленную ошибку, когда GPS недоступен. Именно эту связку мы и проверяли на городских маршрутах.

Для меня главный результат этой работы — система, которая помогает продолжать навигацию без GPS. Само устройство стало её частью. Чтобы она заработала, пришлось уделить внимание всему пути данных: от сенсора и его питания до координаты, которую видит водитель. От того, насколько точно мы определяем положение машины, зависит и навигация, и то, как сервис назначает заказы водителям. А пассажиру точная геопозиция помогает понять, когда ждать машину.

Автор: Neronse

Источник

* - обязательные к заполнению поля


https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js