自动驾驶汽车是如何准确定位的？

[首发于智驾最前沿微信公众号]随着自动驾驶技术的快速发展，车辆的精准定位成为安全驾驶与路径规划的核心基础。相比于传统人类驾驶依赖路标和视觉判断，自动驾驶汽车需要在复杂多变的交通环境中，实现米级乃至厘米级的定位精度，并能够实时响应环境变化。为此，自动驾驶系统通常采用多传感器融合的方式，将全球导航卫星系统（GNSS）、惯性测量单元（IMU）、激光雷达（LiDAR）、摄像头、超宽带（UWB）等多种传感器数据进行综合处理，通过算法层层迭代优化，达到高精度、高可靠性的车辆定位能力。

全球导航卫星系统（GNSS）

GNSS（Global Navigation Satellite System）是定位的基础手段之一，目前常见的系统包括美国的GPS、俄罗斯的GLONASS、欧盟的Galileo和中国的北斗。GNSS通过卫星信号测量载波相位或伪距，理论上可实现米级定位精度。但受制于大气层电离层延迟、多路径效应、信号遮挡等因素，单一GNSS定位往往会出现数米甚至十几米的误差。为提升精度，自动驾驶往往采用差分GNSS（DGNSS）或实时动态改正（RTK）技术，通过基准站网络向车载GNSS接收机发送改正信息，将定位精度提升到10厘米以内。即便如此，在城市峡谷或隧道等GNSS弱覆盖区域，GNSS定位还会出现信号中断或精度骤降，需要依赖其他传感器进行补偿。

惯性测量单元（IMU）

IMU由三轴加速度计和三轴陀螺仪组成，能够以高频率（通常在100Hz以上）测量车辆的线加速度与角速度。基于零速更新（ZUPT）或车辆动力学模型，IMU可以在短时间内提供平滑、连续的姿态与位移估计，弥补GNSS失效时的定位盲区。但IMU本身存在累积误差问题，加速度积分得到速度、位置时，误差随时间呈二次方增长。因此，自动驾驶系统通过滤波器（如扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF或基于因子图的平差）将GNSS与IMU数据融合，实现实时校正与状态估计，使定位既具有GNSS的全局参考，又具备IMU的高频动态响应能力。

激光雷达（LiDAR）SLAM技术

LiDAR能够获取高精度的三维点云，描绘周围环境的几何特征，并对点云序列进行配准，实现基于激光的同时定位与地图构建（LiDAR SLAM）。常见算法包括LOAM（LiDAR Odometry and Mapping）、Cartographer和FAST-LIO等。它们通过点云特征提取（如平面、棱线特征）和匹配，将新一帧点云与已有地图或局部子地图进行位姿估计，并将高置信度位姿作为优化约束，不断更新车辆位姿与地图。LiDAR SLAM具有抗光照变化、强抗干扰的优势，能够在GNSS失效或视觉条件不佳的环境中持续定位。但其计算量大、对点云质量和环境特征丰富度有较高要求，需要与其他传感器协同使用以保证鲁棒性。

视觉惯导与视觉里程计

摄像头具有成本低、分辨率高、信息量丰富的特点，可用于车道线识别、交通标志检测、物体识别等场景感知，同时通过视觉里程计（VO）或视觉惯性里程计（VIO）实现位姿估计。VO方法基于两帧或多帧图像特征匹配（如SIFT、ORB、SuperPoint），求解相对运动；VIO进一步结合IMU数据，通过滤波或优化框架（如MSCKF、VINS-Mono），提高估计精度与稳定性。视觉定位在特征稠密、纹理丰富的场景下精度较高，但易受光照变化、雨雾天气等因素影响。未来还可结合深度学习，利用语义特征辅助定位，提高在相似环境下的鲁棒性。

高精度地图与定位

高精度地图（HD Map）是自动驾驶定位的重要先验，通常包括厘米级精度的车道线中心线、路缘石、坑洞、交通标志、信号灯位置等几何与语义信息。车辆在定位时，将实时传感器感知的环境特征与地图要素进行匹配，通过ICP（Iterative Closest Point）、NDT（Normal Distribution Transform）等方法，计算当前车身位姿。高精度地图一方面可以弥补传感器数据不足，另一方面还可提供冗余校验，当多源传感器出现异常时，定位系统依然有可靠依据。但高精度地图的构建与更新成本较高，需要专业测绘设备和定期维护。

多传感器融合算法

在自动驾驶定位系统中，多传感器融合是核心。最常用的方法包括扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）以及基于因子图的优化（如g2o、GTSAM）。EKF类方法适合实时性要求高的场景，而因子图优化能更好地处理非线性、多模态信息，并支持后端批量优化。融合框架通常分为前端（测量预处理、特征提取与匹配）和后端（状态估计与优化）两部分。前端对传感器数据进行滤波、去噪、时空对齐，并提取关键特征；后端以融合算法为核心，将各传感器的观测值、车辆运动模型、地图先验融入最优化问题，通过稀疏线性求解器不断迭代，得到全局一致的最优位姿。

挑战及展望

尽管当前定位技术已能满足大多数城市与高速公路场景，但在极端恶劣天气（暴雪、浓雾）、地下停车场、高层建筑密集区等“GNSS阴影区”，多传感器融合仍面临信号遮挡、传感器失效、计算资源受限等挑战。未来，随着5G/6G网络、车联网（V2X）、超宽带（UWB）等通讯技术的发展，可实现车车与车路协同定位，进一步提升定位精度与鲁棒性。自监督与强化学习等人工智能技术在SLAM与定位中的应用，还将助力传感器数据的智能融合与误差自适应校正。未来，自动驾驶车辆定位必将向着更高精度、更强鲁棒性、更低成本的方向演进，为智能交通和无人驾驶的大规模商业化奠定坚实基础。