只有当开发人员能够在开放道路上测试他们的车辆时，完全自动驾驶才能成为现实。1000 Miglia 自动驾驶（1000 MAD1000 MAD) 是在意大利举办的一项比赛，旨在帮助参赛者实现这一目标。
这项活动要求参赛者尽可能长时间地在约 1000 英里（2200 公里）的公共道路上自动驾驶车辆。测试期间，车辆必须穿越城市、历史名镇、高速公路和城市道路。参赛者必须始终确保高度安全，尤其是在与其他道路使用者和基础设施互动时。
OxTS 和 1000 MAD
OxTS 连续第三年与米兰理工大学的AIDA（人工智能自动驾驶）团队合作，帮助他们了解玛莎拉蒂GranCabrio Folgore汽车的本地化性能！
在这次活动中，AIDA 团队有两个目标：
- 在整个路线中收集数据，以便随后帮助他们...
- 改进人工智能算法
- 完善控制算法
- 数字再现车辆经过的街道
- 提升未来乘客的乘机体验
- 在至少 300 公里的路线上自动驾驶。
为了帮助他们收集这些数据，并在没有人工干预的情况下进行驾驶，这辆汽车包含了一系列传感器，如激光雷达、摄像头、雷达和 AV200 GNSS/INS。OxTS AV200 GNSS/INS.这些传感器帮助汽车确定自己的位置，并在行驶过程中了解周围环境。
驾驶完成后，米兰理工大学非常友好地与我们分享了导航数据，以便我们进行分析和分享。
数据分析
钥匙
- 精度差（不确定性 σ>0.8 米）
- Average accuracy (0.4m<σ<0.8 m)
- High accuracy (σ<0.4 m)
无需仔细观察数据，我们就能发现约 42.5% 的数据精度较高，39.3% 的数据精度一般，18.2% 的数据精度较差。因此，将近 82% 的数据精度在 0.8 米以下，将近一半的数据集精度在 0.4 米以下，处于大学高精度阈值范围内。
虽然仍有一些需要改进的地方，但我们可以推断出，定位精度较差的地方是由于汽车在城市环境中行驶时受到 GNSS 的阻碍。
这些数据可以通过多种方式进一步改进。通过使用更高等级的 GNSS/INS，如 RT3000 v4或将 AV200 GNSS/INS 数据与我们的其他技术（如 激光雷达惯性测距（LIO）.LIO 使用来自 360° 视场激光雷达传感器的距离信息来限制城市峡谷中的位置漂移。
我们很高兴地宣布，该大学顺利完成了这项活动，目前正忙着分析收集到的数据。
我们谨向米兰理工大学的 AIDA 团队表示祝贺。
如果您想了解有关OxTS GNSS/INS 解决方案的更多信息，请使用下面的表格与我们联系。
