1. 课程导入
自动驾驶车辆的定位系统，是整车感知、决策与控制的“空间基准”。它要回答三个最基本的问题：我在哪里、我朝哪个方向、我走得准不准。与人类驾驶依赖路标与经验不同，自动驾驶必须把车辆在全局地图中的位姿（位置与姿态）以厘米级、毫秒级持续输出，供规划控制模块使用。一旦定位发生漂移、跳变或长时间丢失，轻则造成轨迹抖动、乘坐不适，重则导致压线、误入对向车道甚至碰撞。因此，定位不仅是“一个模块”，更是整条自动驾驶链路的安全底座。
本课程聚焦的不是“如何从零写一个定位算法”，而是如何科学地评测定位性能，并用回归工程保证它长期稳定不退化。这是从“能跑”走向“可交付、可量产”的关键一步。
一、定位系统的核心构成与基本概念
典型的自动驾驶定位系统由多源传感器融合而成，常见输入包括 GNSS/RTK、IMU、轮速计、激光雷达、视觉以及高精地图匹配结果。它们各自有优势与短板：GNSS 提供全局绝对位置但易受遮挡与多径影响；IMU 高频、短时精确但会随时间积分漂移；激光/视觉匹配精度高但依赖场景特征。融合定位的本质，是在不同时间尺度、不同置信度之间做加权与校正。
理解评测，必须先掌握几个关键量：位姿（pose）包含三维位置与三维姿态；漂移（drift）是相对真值的累积误差；跳变（jump）是相邻时刻的突变；可用性（availability）指系统能输出有效解的时间占比；完好性（integrity）则要求系统在不可信时能及时告警而非给出错误结果。这些概念构成了后续所有指标与回归用例的基础。
二、评测与回归工程的学习目标
本课程的学习目标可以概括为“三会一建”：会定义指标、会设计用例、会分析失效，并建立可持续运行的回归体系。具体而言：
- 会定义指标：能根据业务场景选择合适的精度、可用性、完好性指标，而不是只报一个平均误差。
- 会设计用例：能把真实路测中的隧道、地库、城市峡谷、长直高速等场景抽象为可复现的回归用例。
- 会分析失效：能从日志与轨迹中定位漂移、跳变、丢定位的根因，区分是传感器、标定还是融合逻辑问题。
- 建立回归体系：把数据、指标、阈值、门禁串成自动化流水线，让每次算法改动都能被量化验证。
核心观点：定位性能不是“测一次”的结果，而是“每次改动后都能被稳定复现和比较”的能力。评测是手段，回归工程才是目标。
三、整体课程框架与学习路径
课程共 30 章，整体遵循“概念 → 指标 → 数据 → 工具 → 回归 → 实战”的递进路径。前段建立评测语言体系，中段掌握数据采集与指标计算方法，后段进入回归工程与真实项目复盘。下表给出主要模块与关注点。
| 阶段 | 核心内容 | 关键产出 |
|---|---|---|
| 基础认知 | 定位系统构成、坐标系、真值来源 | 评测术语与指标字典 |
| 指标与数据 | 精度、漂移、跳变、可用性、完好性 | 指标计算脚本与数据规范 |
| 工具与流程 | 数据回放、可视化、自动化评测 | 可复现评测流水线 |
| 回归工程 | 用例集、基线、门禁、报告 | 持续回归体系 |
| 实战复盘 | 典型失效案例与改进闭环 | 问题定位与优化经验 |
四、典型场景与常见误区
以一个真实场景为例：车辆驶入城市峡谷，GNSS 可见卫星数骤降，融合定位短时依赖 IMU 递推。此时若只看“全程平均误差”，可能完全正常；但局部 3 秒内横向漂移已达 1.5 米，足以让车辆压线。这说明评测必须关注最差片段，而非仅看均值。
# 回归评测输出示例（片段）
case_id: urban_canyon_003
duration: 42.6s
mean_pos_error: 0.18 m
max_pos_error: 1.52 m
max_error_window: 12.4s - 15.8s
availability: 99.2%
integrity_alarm: false # 应告警却未告警 → 回归失败
常见误区：① 只用平均误差评价定位；② 用同一段数据反复调参导致过拟合；③ 忽略时间同步与外参误差对评测结果的影响；④ 把“没有报错”等同于“定位可信”。这些都会让回归失去意义。
因此，从第一章开始，我们就应建立正确的评测观：指标要能反映风险，用例要能覆盖边界，回归要能自动执行。接下来的章节将围绕这条主线逐步展开，帮助你从“会看定位结果”成长为“能构建定位质量体系”的工程师。