Improved LiDAR Localization Method for Mobile Robots Based on Multi-Sensing

哈尔滨工业大学机电工程系机器人与系统国家重点实验室, 哈尔滨 150001 * 通讯地址: 21b908026@stu.hit.edu.cn

刘艳杰、王超*、吴恒、魏彦龙、任美轩、赵长森

MDPI Remote sensing

　　摘要：本文通过改进LiDAR定位算法，如AMCL（自适应蒙特卡罗定位），提出了一种适用于3D LiDAR的定位方法。该方法利用多种传感信息，包括3D LiDAR、IMU和里程计，并且可以在没有GNSS的情况下使用。首先通过EKF（扩展卡尔曼滤波器）对移动机器人的轮速里程计和IMU数据进行多源融合，将多源融合后得到的传感器数据作为运动模型参与粒子集的位置预测AMCL中获取移动机器人的初始定位信息。然后，将AMCL在相邻时刻输出的位置位姿差值代入PL-ICP算法作为初始位置位姿变换矩阵，并利用PL-ICP算法将3D激光点云与非线性系统对准。三维激光里程计是通过PL-ICP算法中的LM（Levenberg-Marquard）迭代求解得到的。最后，通过三维激光里程计对AMCL输出的初始位置位姿进行修正，并对AMCL粒子进行加权采样，输出移动机器人的最终定位结果。通过仿真和实际实验，验证了改进的AMCL算法较AMCL算法具有更高的定位精度和稳定性。

　　关键词：3D激光雷达； AMCL； EKF；多重传感； PL-ICP；定位

1.引言

　　移动机器人定位是移动机器人自身位置（x，y）和偏航角θ的状态估计问题[1]，也是移动机器人自主导航的基础。移动机器人的定位信息应尽可能准确，为后续的路径规划和导航控制提供可靠的位置估计。高效、准确的定位信息有利于移动机器人快速、合理地规划运动路线，使移动机器人本体精确到达指定位置进行任务作业。

　　目前，业界应用最广泛、计算效率最高的移动机器人定位方法是AMCL（自适应蒙特卡罗定位）[2]，它是在MCL（蒙特卡罗定位）[3]的基础上改进优化而衍生的定位方法。 AMCL算法以移动机器人的运动模型和LiDAR（激光雷达）的观测模型为输入量，通过计算量较高的粒子滤波概率模型获得移动机器人在导航坐标系下的全局位置信息。效率高，实时性好。 AMCL算法现已成为ROS（机器人操作系统）导航堆栈中唯一指定的移动机器人定位算法。虽然AMCL定位算法已经成熟，但AMCL算法的主要硬件选择是2D LiDAR。结合主流研究现状和方法，对基于多感知信息的AMCL算法进行优化和改进，使其更适合3D LiDAR定位研究，提高AMCL算法的定位精度和稳定性。

　　随着近十年来SLAM方法的不断发展，SLAM（同步定位与建图）方法根据所使用的传感器类型分为激光SLAM和视觉SLAM[4]。激光SLAM使用LiDAR作为外部传感器进行环境测量[5]，而视觉SLAM则依靠相机进行环境感知[6]。目前，与 2D LiDAR 和摄像头相比，3D LiDAR 在室内和室外都表现出更好的适应性和更强的鲁棒性[7]。一方面，3D LiDAR可以直接测量环境[8-10]，获取的点云数据量远大于2D LiDAR，具有更好的可靠性和更高的数据精度。另一方面，3D激光雷达不受光照强度的影响，在使用过程中与相机相比具有更好的稳定性和更低的计算复杂度。 SLAM构建的地图通常分为3D稀疏地图、3D稠密地图和2D占用地图，其中3D稀疏地图适合移动机器人定位研究，3D稠密地图适合移动机器人对环境进行感知建模，2D占用地图地图适用于移动机器人的平面导航。在移动机器人平面导航方法的研究中，选择3D LiDAR不仅可以构建3D环境点云地图，还可以生成适合移动机器人平面导航的2D占用栅格地图，并且3D点云可以是数据根据格式要求转换为2D点云，使3D激光雷达可以作为高质量、高精度的2D激光雷达，具有良好的可扩展性和研究价值。

　　由于AMCL算法需要输入2D激光点云，因此需要对3D激光雷达的点云数据进行处理，在此基础上提出一种简单高效的点云转换方法。另外，AMCL算法利用移动机器人运动模型进行定位，移动机器人运动模型涉及轮速里程计模型。里程计在机器人运动过程中会积累误差，导致AMCL算法输出的位置精度有限，从而降低了移动机器人的定位精度。为了改善移动机器人里程计初始精度低的问题，研究人员通常选择将移动机器人里程计数据与其他传感器数据融合，并使用融合后的传感器数据作为AMCL算法的运动模型进行移动机器人定位研究。目前，最常用的传感器是IMU，因为IMU（惯性测量单元）比GNSS（全球导航卫星系统）接收器更便宜，并且易于使用，不受信号干扰的影响，通用性更强[11]。然而，移动机器人的IMU偏航角测量随着时间的增长会产生累积误差，导致AMCL算法的偏航角输出精度和整体定位稳定性得不到保证。鉴于移动机器人IMU与轮速里程计的融合可以获得更准确的里程计信息，并且3D LiDAR获得的高精度三维激光里程计具有更准确的偏航角[12-14]，可以补偿IMU 偏航角的不可靠性。基于3D LiDAR、IMU和轮速里程计的多传感定位方法是一种传感信息互补、可靠性高的移动机器人定位方案。本文基于3D LiDAR、IMU和里程计信息对AMCL算法进行优化和改进，提高AMCL算法的输出精度和定位稳定性。本文研究的方法框架如图1所示。

图1 基于多感知的改进AMCL定位算法框架。

2. 相关工作

2.1．基于AMCL的多传感融合定位方法

　　由于传感器在测量过程中不可避免地受到噪声的影响，定位系统中使用单一传感器数据的AMCL定位研究容易出现定位精度低和定位失败等问题。近年来，研究人员通过采用基于AMCL算法的多传感器融合方案，提高了AMCL算法的定位精度。在研究[15]中，de Miguel MÁl基于AMCL算法融合使用3D LiDAR信息和GNSS信息，提高移动机器人在室外环境下的定位精度，同时解决移动机器人的绑架问题。在研究[16]中，刘艳杰利用神经网络基于AMCL算法融合视觉和2D激光测距仪数据，以提高移动机器人在室内场景中重新定位的准确性和精度。在研究[17]中，G Ge提出了基于AMCL算法的Text-MCl定位方法，利用环境语义信息和LiDAR扫描信息来提高移动机器人全局定位的速度和成功率。在研究[18]中，Obregón D融合了GNSS、移动机器人底盘里程计数据，利用融合的传感器数据作为AMCL算法的预测数据，并通过实验验证了改进的AMCL定位方法的有效性和鲁棒性。在研究[19]中，AA Fikri将AMCL算法与Google cartographer建图方法系统集成，通过eulerdometer方法融合移动机器人里程计和IMU数据，以减少移动机器人建图和定位过程中的系统误差。在研究[20]中，Portugal D基于AMCL算法、传感器数据融合和扫描匹配技术提高了移动机器人连续定位系统的鲁棒性。上述研究取得了一定的成果，但仍存在一定的不足。例如，一些研究方法在GNSS信号缺失时适用性降低，另一些研究方法仅改善AMCL算法在线性方向上的定位误差，偏航角误差较大，一般会导致AMCL算法稳定性差。在室内外变电站、煤化工厂等特殊场景下，无法利用GNSS进行卫星定位，仅靠激光雷达的低定位精度无法保证机器人作业的安全。针对此类问题，本文开展研究，利用互补传感的优势，提高激光雷达在特殊场景下的定位精度，增强机器人作业的安全性。本文在改进的AMCL算法融合IMU和里程计的基础上，加入三维激光里程计对初始AMCL定位结果进行修正，持续提高AMCL算法的定位精度和稳定性。

2.2.多源数据融合方法传感器融合系统是一个复杂的信息系统，各种传感器实时采集信息，各自具有连续性和时序性的特点，各种信息之间也存在相互制约和影响[21]。多源数据融合方法是多传感器数据融合和定位方法的关键和核心[22]。目前，多源数据融合方法主要分为四类：推理方法[23]、分类方法[24]、人工智能方法[25]和滤波器估计方法[26]。推理方法主要基于D-S证据理论，它为处理传感器信息的模糊性和不确定性提供了很好的解决方案，目前广泛应用于图像处理和目标识别领域[27]。分类方法中常用的聚类和融合算法是K-means，它基于欧式距离来判断目标数据，目标数据越接近，目标数据的相似度就越高，从而使得数据与目标数据的相似度越高。更大的相似性被收集并融合在一起以实现分类[28]。人工智能方法主要基于人工神经网络对多源数据信息进行融合，人工神经网络通过学习算法分配网络权值，同时推理多传感数据的不确定性，然后利用神经网络的信号处理能力和自动推理功能来实现数据融合[29]。滤波器估计方法因其在动态和复杂状态下具有更好的鲁棒性和适用性而成为应用和研究最广泛的方法，典型的代表方法是卡尔曼滤波器算法[30]。卡尔曼滤波算法首先由匈牙利数学家Rudolf Emil Kalman[31]提出，可以实现对线性系统的最优估计，但传统的卡尔曼滤波算法仅适用于线性高斯系统，特别是当系统状态信息和观测信息都是线性时功能。对于移动机器人定位来说，系统大部分时间都处于非线性状态，卡尔曼滤波方法进行数据融合存在一定的缺点：一方面，系统的状态方程和观测信息不准确，且两者之间的差异较大。实际观测值和估计值太大。另一方面，随着计算过程中观测量的增加，计算产生的累积误差逐渐变大，误差协方差矩阵逐渐失去正性，卡尔曼增益的权衡作用失效。在这种情况下，生成了两种非线性卡尔曼滤波方法[32,33]：UKF（无迹卡尔曼滤波器）和EKF（扩展卡尔曼滤波器）。 UKF由S. Julier提出，结合UT和KF（卡尔曼滤波器）产生了一种新方法[34,35]。该方法的本质是通过UT变换得到近似线性系统后，利用卡尔曼滤波算法的框架来估计系统状态变量，但无损变换在实际应用中会受到噪声的影响，需要保证系统的稳定性。改善了。与UKF相比，Bucy和Y. Sunahara等人提出的EKF。在移动机器人定位研究中具有更强的适用性[36,37]，利用泰勒级数展开将非线性函数段线性化，并通过卡尔曼滤波算法的框架进行滤波，以高度数据融合完成对目标状态的最优估计精度和稳定性好。本文基于EKF算法框架对移动机器人里程计和IMU数据进行精确融合[38]。

2.3.点云配准 3D LiDAR 具有高精度和可靠性。将3D激光点云对准，得到高精度三维激光里程计，三维激光里程计可以在短时间内准确估计激光雷达的运动情况。目前，常见的激光点云对准方法有ICP（Iterative Closest Point，ICP）算法[39]和NDT（Normal Distribution Transformation，NDT）算法[40]，但常用的方法是寻找点云之间精确的变换关系。两次 LiDAR 扫描是 ICP。 ICP算法通过逐点寻找最接近的关系来对齐两个点集，直到满足收敛条件并停止迭代，但是当点集样本量很大时，ICP算法可能非常消耗计算资源[41]。为了解决这个问题，研究人员改进了ICP算法并提出了新的算法，例如GICP（GeneralizedICP，GICP）算法[42]，它通过匹配两次扫描来实现局部平面对准。 NICP（Normal ICP，NICP）算法[43]在对齐点云时要求点云所在平面的法向量方向相同，并且除考虑对应点法向量的角度差外，计算点云对准误差时对应点的欧式距离。近年来，人们提出了一些ICP算法的变体来提高ICP算法的准确性和运行效率[44,45]。本文使用的PL-ICP（Point-to-Line ICP）算法就是其中之一，它根据点到线的距离迭代匹配激光点云，每次扫描都是对一个平面的采样。物理世界，更适合移动机器人定位中的非线性场景。本文进行了PL-ICP算法和AMCL算法之间的交互设计。来自 AMCL 的初始定位信息为 PL-ICP 算法提供初始位置矩阵，然后利用PL-ICP计算出的激光点云帧之间的三维激光里程计作为反馈信息来修正AMCL的初始定位信息。

3.原理和模型

3.1． AMCL 和激光点云数据转换

3.1.1  AMCL AMCL 算法优于 MCL 算法，被广泛选择作为移动机器人上的 LiDAR 概率定位方法进行定位。具体来说，它是使用 ROS 节点形式实现的，因为该算法是稳定且可维护的版本。算法大部分参数设置为默认值，其中差分模型选择里程计，激光模型为似然场，最大粒子数为5000，最小粒子数为500。模型定义了运动方程，以更好地描述移动机器人的差动运动，激光模型描述了用于计算移动机器人在给定特定激光测量时处于特定位置的概率的概率方法；最大和最小粒子分别代表移动机器人周围的最大和最小可能位置。

3.1.2.激光点云数据转换本文采用Velodyne 16线LiDAR进行LiDAR硬件选型，AMCL定位算法需要旋转2D LiDAR来获取移动机器人周围环境信息并与先验地图数据进行匹配实现移动机器人的定位功能；因此，我们设计了一种3D点云数据转换方法。 Velodyne 16线LiDAR开始工作后，运行本文提出的LiDAR点云数据转换方法，并将转换后的激光点云数据作为输入量传递给AMCL算法。以Velodyne 16线LiDAR为例，本文提出的激光点云数据转换流程主要包括：首先对Velodyne 16线LiDAR获取的点云数据点进行水平角和距离数据统计，并然后我们在16束激光中保留水平角度相同且距离激光雷达原点位置最近的点，而激光雷达需要安装在移动机器人本体上距离地面较高的位置，以避免地面点云干扰较大。 3.2.基于EKF融合的改进AMCL定位算法基于EKF融合的改进AMCL算法整体流程如图2所示。整体流程主要包括粒子集初始化、粒子群更新、粒子权重计算和重采样。获得移动机器人轮速、粒子在t−1时的姿态和控制体积ut−1的里程计数据，并通过基于EKF的里程计和IMU的融合模型获得估计粒子在t时的姿态，并得到整个粒子群已更新。 t时刻的控制量ut=(ax,ay,w)，其中ax为移动机器人在X轴方向的加速度，ay为移动机器人在Y轴方向的加速度，w为移动机器人绕Z轴旋转的角速度。经过EKF滤波融合后，里程计和IMU在时间t−1和t处的估计位姿表示为：

　　 t−1时刻粒子的姿态表示为：

 　　对时刻 t − 1 和 t 时刻的估计位姿之差进行采样，得到移动机器人在该时刻的位置变化量：

　　其中 atan2(a, b) 是反正切函数。

　　将采样误差样本（σ2）分别添加到Δθ和ΔS中，添加采样误差后移动机器人的位置变化可表示为：

　　上式中：γ为附加随机扰动，α1，α2，…。 。 。 ，α6 是运动噪声参数，sample( σ2) 是具有均值 0 和方差 σ2 的高斯分布的随机样本。

　　最终校正后的粒子在时刻 t 的位置表示为 Xt = (xt, yt, θt)T。

3.3.基于改进 AMCL 的 PL-ICP 点云匹配校正

　　PL-ICP 算法通过使用当前帧中激光点云到最近帧中两个最近点的直线距离对环境表面分段进行线性化，迭代优化点云匹配。上一帧，如图3所示。

　　PL-ICP算法的主要过程如下：首先根据当前点云P中的任意点pi找到前一个点云X中最接近的两个点，分别记为x1和x2，然后计算点 pi 到点 x1 和 x2 所在直线的距离 di 直至收敛。但PL-ICP算法对初始值比较敏感，良好的初始值会使点云对齐结果更加准确，反之，点云对齐误差较大。因此，本文在AMCL多传感融合的基础上，利用多传感信息融合提供更准确的定位初始值来弥补PL-ICP算法的这一不足，PL-ICP算法的误差方程为如式(10)所示。

 　　其中，nT i 为垂直于点 x1 和 x2 所在直线的单位法向量，R 为点云旋转矩阵，T 为点云平移矩阵。将当前帧激光点云P旋转和平移(R,T)，得到新的点云集合P，然后进行迭代。当E(R,T)小于设定阈值或迭代次数满足要求时，停止迭代，输出最终结果(R,T)，得到两幅激光点云帧的相对位置差。通过融合改进的 AMCL 在时刻 t − 1 和 t 校正的移动机器人的位姿已知为：

　　PLICP算法中旋转和平移矩阵迭代的初始值（R0，T0）是根据时刻t−1时移动机器人位姿的差异获得的和 t 由 AMCL 输出。将坐标系中t时刻的激光点云集P转换为t−1时刻的点云集X，误差距离表示为：

 　　使用LM方法迭代求解误差函数，最终(R,T)最小化误差E(R,T)。平移矩阵T和旋转矩阵R中的按位变换表示为：

 　　求解旋转角 θR 得出：

 　　旋转角度θR在(-π，π)的范围内。 t校正时刻PL-ICP点云匹配后移动机器人的最终位置Xp,t表示为：

4.结果和分析

　　进行了两组不同的实验。一方面，所提出的方法是使用模拟场景进行测试以获得定性结果。另一方面，依托实验平台进行移动机器人的定位研究，获得定量的、实用的结果。本文的实验平台包括一台配备i5-11400处理器和NVIDIA GTX1650s显卡的计算机，该计算机使用Ubuntu 18.04 Melodic版本和机器人操作系统（ROS）。所有算法均基于C++实现。

4.1. 模拟实验

4.1.1 仿真环境

　　我们通过Gazebo软件搭建了仿真环境，并利用xacro文件建立了移动机器人模型，如图4所示。

图4.模拟实验环境。 (a)为虚拟仿真场景，(b)为Gazebo中移动机器人的相关模型。

(b)中，黄色模块是移动机器人底盘，蓝色模块是Velodyne 16线LiDAR，红色模块是IMU惯性测量单元。

4.1.2. AMCL定位的点云匹配校正

　　PL-ICP点云匹配是本文设计的定位系统的最后一部分，它基于改进的融合IMU和里程计直接校正AMCL定位结果。为了验证三维激光里程计对AMCL算法位置校正的效果，将激光点云数据从激光雷达坐标系下转换到ROS上层导航系统中的坐标导航系统，PL-ICP算法为运行，读取改进的AMCL定位信息，分别订阅原始激光点云数据主题和PL-ICP校正点云主题，得到点云校正前后的二维光栅激光点云图，为如图所示5.

图 5 导航地图前后的点云校正。左图为校正前，右图为校正后，白色为3D激光点云数据转换后得到的2D激光点云数据，绿色为AMCL算法粒子群，浅紫色为部分显示了扩展后的成本图。

 　　从图5中可以看出，在对AMCL定位结果进行三维激光里程计校正之前，存在一些激光点云与地图不重叠的区域，表明校正前移动机器人的位置估计存在偏差。三维激光里程计校正后，激光点云与地图重合，表明校正后移动机器人的位置误差较校正前有所减小。

4.1.3.仿真定位结果分析

　　我们对AMCL算法进行了三组独立的仿真对比实验：本文改进的AMCL算法、cartographer算法方法（3D定位，最大保存子图数为3，有效帧数每个子图是 20）和 hdl_localization 算法（基于 NDT 的定位算法）。在仿真实验中，我们随机给出机器人运动要到达的目标位置，机器人到达目标位置后，记录算法在该运动过程中的定位信息，并与仿真环境中的真实值进行比较。 AMCL的定位结果如图6-8所示，修改后的AMCL算法的定位结果如图9-11所示，cartographer的定位结果如图12-14所示，hdl_localization的定位结果如图在图 15-17 中。

　　从图6~图8可以看出，原AMCL算法的线性定位和角度定位结果与实际值存在较大误差，尤其是偏航角的曲线拟合较差。波动较多，且波动幅度较大。

　　从图9~图11可以看出，本文改进的原AMCL算法的线性定位和角度定位结果与实际值误差较小，且偏航角曲线拟合较好，波动较小，较小振幅。

　　从图12-14可以看出，Cartographer算法线性定位和角度定位结果稳定，与实际值吻合较好，误差较小，特别是偏航角定位平滑，波动很小。

　　从图15-17可以看出hdl_localization的定位结果不稳定。该方法基于UKF框架，融合IMU数据和NDT匹配获得的激光里程计数据来实现定位，因此容易受到噪声和机器人速度的影响，导致定位结果出现波动和不连续。

　　由于hdl_localization算法的定位结果容易受到噪声的影响，不利于数据分析，因此我们在仿真实验中统计其他三种算法的最大定位误差，并将其纳入表1中进行数据分析。

 　　与原始AMCL算法相比，本文改进的AMCL算法最大定位误差更小，线性和角度定位精度均显着提高。同时，在这三种算法中，本文改进的AMCL算法在线性定位精度方面具有良好的优势。Cartographer算法的最大定位误差更加稳定，算法整体定位精度优于AMCL算法，角度定位精度略优于本文改进的AMCL算法。

4.2.实际实验

4.2.1.实际环境

　　除了上述模拟测试外，我们还结合移动机器人平台在更大规模的场景中进行了实际定位实验，如图18a所示。外部测量系统如图18b所示，其中包括Leica Geosystems绝对跟踪器（AT960），可以实现0.01毫米的位置精度和0.01度的角度精度。

4.2.2. AMCL定位的点云匹配校正

　　与4.1.2节一样，本节我们比较了三维激光里程计对AMCL位置姿态校正前后的结果。对比结果如图19所示。从图19中可以看出，实际实验中的点云校正结果与模拟结果一致。

4.2.3.实际定位结果分析

　　为了比较上述四种算法的准确度差异，我们在实验平台开启后依次统计了四种算法的定位精度。我们在实验场地随机给机器人30个目标位置，当机器人到达目标位置时，我们记录终端打印的定位信息，包括直线方向（X方向）位置信息和角度信息（偏航角），并与全站仪的结果进行比较，得到定位误差。

　　hdl_localization算法由于多次连续定位过程中的漂移和失败而不太稳定，因此我们收集了其他三种算法的定位误差的数据和数学统计。三种算法的实际定位结果如图20所示，三种算法的数学和统计结果如表2所示。

图 20. 移动机器人的实际定位误差。左图为移动机器人平台的位置误差，右图为移动机器人平台的角度误差。

　　从图20可以看出，三种算法中，本文改进的AMCL算法具有最好的线性方向定位精度； cartographer算法次之，原始AMCL算法线性定位精度最低。Cartographer算法的偏航角定位精度最好，本文改进的AMCL算法次之，原始AMCL算法最差。

　　从表2可以看出，本文改进的AMCL算法与原始AMCL算法和cartographer算法相比，具有最高的线性定位精度。与原AMCL算法相比，本文改进的AMCL算法使直线方向平均定位误差降低了0.033 m，意味着直线方向定位精度提高了35%，偏航角平均定位误差为减小了3.086°，意味着偏航角定位精度提高了34%。虽然本文提出的定位算法取得了良好的效果，但与Cartographer算法相比，偏航角的定位精度仍需要继续提高。与Cartographer算法相比，本文改进的AMCL算法直线方向平均定位误差降低了0.018 m，即线性定位精度提高了23%，偏航角平均定位误差仅为约0.557°。

 　　通过比较标准差可以看出，与原始AMCL算法相比，本文改进的AMCL算法无论是线性方位定位值还是偏航角定位值的标准差都更小，说明改进算法具有更好的定位稳定性。然而，改进后的 AMCL

与Cartographer算法相比，本文算法在偏航角定位精度和稳定性方面存在不足。

5. 讨论

5.1 仿真结果讨论

　　结合四种算法的实验仿真结果以及定位精度和稳定性分析，本文改进的AMCL算法定位效果最好，显着提高了原AMCL算法的定位精度，保证了算法的稳定性。算法。Cartographer算法在定位过程中定位结果稳定，在偏航角定位精度上优势明显。原始AMCL算法无论是线性定位还是角度定位都存在较大误差，但算法本身具有良好的稳定性。 hdl_localization算法受噪声影响较大，定位结果不够稳定。

5.2.实际结果讨论

　　我们对原始AMCL算法、本文改进的AMCL算法和cartographer算法进行了对比实验，并结合实际定位结果进行了分析。在直线定位过程中，改进的AMCL算法精度最好，Cartographer算法精度次之，AMCL算法精度最差。在角度定位过程中，Cartographer定位精度最好，改进的AMCL算法次之，与Cartographer算法有较小差距，原始AMCL算法最差。

6.结论

我们改进了AMCL算法并提出了一种适用于3D LiDAR的定位方法。该方法通过多传感信息融合和3D点云辅助定位的技术手段，显着提高了AMCL算法的定位精度。但与Cartographer算法相比，偏航角的定位精度和稳定性有所不足。本文提出的定位方法引入了3D点云对齐校正，这增加了算法的计算时间。需要对点云对齐算法进行后续优化，以缩短该方法的定位时间，提高定位精度。