1. 课程导入

大家好，我是你们的老朋友，一个在自动驾驶定位领域摸爬滚打了好几年的工程师。今天咱们正式开始聊定位技术。

先问大家一个问题：一辆车，怎么知道自己在哪里？

你可能会说，用手机导航不就行了？嗯，确实可以。但手机导航的精度，大概在5到10米。这个精度，对于自动驾驶来说，远远不够。你想想看，车道宽度才3.5米左右。误差5米，车可能就跑到对面车道去了。所以，我们需要更高精度的定位。

为什么需要高精度定位？

说白了，自动驾驶的决策和控制，都建立在“我知道我在哪”这个前提上。如果位置不准，后面的路径规划、控制执行，全是错的。

我举个例子。有一次我们在测试高速领航功能，车辆需要从最左侧车道变到最右侧车道下匝道。结果定位误差偏大，车辆以为自己在中间车道，实际却在最左侧。它一打方向盘，差点撞上护栏。嗯，那次之后，我对定位精度的要求就变得特别苛刻。

高精度定位，通常需要达到厘米级（10厘米以内）。这样才能保证车辆在车道内稳定行驶，完成变道、过弯、泊车等操作。

主流定位传感器原理简介

要实现高精度定位，单靠一种传感器是不行的。我们需要多传感器融合。下面我简单介绍一下几种核心传感器的定位原理。

1. GNSS（全球导航卫星系统）

GNSS就是咱们常说的GPS、北斗这些。它的原理很简单：卫星发射信号，接收机计算信号传播时间，然后算出距离。理论上，四颗卫星就能解算出三维位置。

但普通GNSS精度只有几米。为什么？因为信号穿过大气层会有延迟，还有多路径效应（信号反射）。

所以，自动驾驶用的是RTK（实时动态差分）技术。地面有个基准站，它知道自己的精确位置。它把观测到的误差发给你，你修正一下，精度就能到厘米级。

2. IMU（惯性测量单元）

IMU包含加速度计和陀螺仪。它测量的是加速度和角速度。通过对加速度积分得到速度，再积分得到位置。这就是所谓的航位推算。

IMU的优点是不依赖外部信号，完全自主。但缺点也很明显：误差会随时间累积。你想想看，积分一次就有误差，再积分一次，误差就放大了。跑个几百米，位置可能就偏了好几米。

所以，IMU通常只用来做短时间内的补充，或者和GNSS做组合导航。

3. 轮速计

轮速计就是测量车轮转速的传感器。通过轮速和转向角，可以估算车辆的运动轨迹。原理和IMU类似，也是航位推算。

轮速计的优点是成本低、稳定。但缺点也很明显：轮胎打滑、胎压变化、路面不平，都会引入误差。尤其是雨雪天气，打滑严重时，轮速计基本就废了。

我个人习惯，把轮速计当作一个辅助信号，用来修正IMU的漂移，但不会完全依赖它。

4. 视觉定位（Visual Odometry）

视觉定位，就是通过摄像头拍摄的图像，来估算车辆的位姿变化。原理是：跟踪图像中的特征点（比如角点、边缘），然后通过几何关系计算出相机的运动。

视觉定位的优点：信息丰富，能识别车道线、路标、建筑物。缺点：受光照影响大，晚上、逆光、雨雾天气，效果会变差。而且，纯视觉的深度估计精度有限。

我记得有一次在夜间测试，视觉定位因为光线太暗，特征点跟踪失败，直接导致定位跳变。后来我们加了红外补光灯，才解决了这个问题。

5. 激光雷达定位（LiDAR Odometry）

激光雷达通过发射激光束，测量周围物体的距离和反射强度。它生成的是点云数据。通过匹配连续两帧点云，可以估算出车辆的位姿变化。这就是点云配准，常用的算法有ICP（迭代最近点）和NDT（正态分布变换）。

激光雷达的优点是精度高、不受光照影响。缺点：成本高，在雨雪、雾霾天气下性能会下降。

目前，L4级自动驾驶的主流方案，都是激光雷达+高精地图做定位。我参与的几个量产项目，也都是这个路线。

知识体系总览

下面这张图，是我自己画的，把本章的核心逻辑串起来了。你可以看到，每种传感器都有它的长处和短板。我们的目标，就是通过融合，取长补短。

各传感器性能对比

为了让你更直观地理解，我整理了一个表格。你可以看到，没有一种传感器是完美的。融合才是王道。

小结

好了，这一章我们聊了为什么需要高精度定位，以及几种主流传感器的基本原理。你可能会觉得，每种传感器都有这么多坑，那怎么搞？别急，后面的章节，我会一步步教你如何把这些传感器融合起来，实现稳定可靠的定位。

记住一句话：没有完美的传感器，只有完美的融合。