2. 定位系统基础
自动驾驶定位不是单一传感器能完成的任务。车辆要在城市峡谷、隧道、地下车库、高架桥下等复杂环境中持续输出稳定位姿，必须把不同物理原理、不同更新频率、不同误差特性的传感器组合起来。理解每个传感器的“原始观测量是什么、误差从哪里来、在什么场景下会失效”，是后续做定位性能评测与回归工程的前提。
一、核心传感器原理与观测量
GNSS（全球导航卫星系统）通过接收多颗卫星的测距信号解算接收机位置。伪距观测值可写成：
P = ρ + c·(dt_r - dt_s) + I + T + ε
P：伪距观测
ρ：卫星到接收机的几何距离
dt_r / dt_s：接收机钟差 / 卫星钟差
I：电离层延迟
T：对流层延迟
ε：多路径与噪声普通单点定位精度在米级，采用 RTK 差分后可达厘米级，但依赖基准站与通信链路。GNSS 的致命弱点是遮挡与多路径：城市峡谷中可见卫星数骤降，反射信号会造成数十米跳变。
IMU（惯性测量单元）由陀螺仪和加速度计组成，输出角速度和比力。通过对角速度积分得到姿态，再扣除重力后对加速度积分得到速度与位置。IMU 频率高（100~1000Hz）、短时平滑，但积分会累积漂移，零偏、标度因数误差、轴间非正交都会随时间放大误差。
轮速计测量车轮转速，结合车辆运动学模型推算纵向位移与航向变化。它在中低速、平坦路面表现稳定，但打滑、胎压变化、轮胎磨损会引入尺度误差，且无法感知横向滑移。
激光雷达通过飞行时间测距获取三维点云，与预先构建的点云地图做配准（如 NDT、ICP），可得到厘米级到分米级的位姿。它对光照不敏感，但在长走廊、隧道、空旷广场等几何退化场景中约束不足。
视觉传感器通过相机图像提取特征点、车道线、语义标志，与视觉地图或历史关键帧匹配，输出位姿或相对运动。视觉成本低、纹理信息丰富，但受光照、雨雾、曝光变化影响大，纯视觉尺度不确定。
二、常见定位方案与组合逻辑
工程上常见的定位方案可以按“主约束来源”划分：
- GNSS+IMU 组合：GNSS 提供绝对位置，IMU 提供高频平滑与短时桥接，适合高速、开阔场景。
- LiDAR+IMU 里程计：点云配准提供相对位姿，IMU 去畸变并补足高频，适合城市与园区。
- 视觉+IMU：视觉提供纹理约束，IMU 提供尺度与快速运动补偿，成本低但受光照影响。
- 多源融合：以 ESKF 或因子图统一 GNSS、IMU、轮速、LiDAR、视觉，按场景动态调整权重。
融合的核心是“预测—更新”循环：IMU 做高频预测，其他传感器在各自观测时刻做更新。当某传感器失效或置信度下降时，系统应能降权或隔离，而不是直接崩溃。
三、典型场景与失效模式
以城市峡谷为例：GNSS 可见卫星从 20 颗降到 6 颗，多路径导致位置跳变；此时 LiDAR 点云与地图配准仍能提供稳定横向约束，IMU 提供短时姿态，轮速计提供纵向里程。若车辆进入长隧道，LiDAR 几何退化、GNSS 完全丢失，系统只能依赖 IMU+轮速递推，误差会随时间增长，必须在出隧道后快速重定位。
四、关键术语与评测关注点
| 术语 | 含义 | 评测关注点 |
|---|---|---|
| RTK | 实时动态差分，厘米级 GNSS | 固定解比例、初始化时间 |
| ESKF | 误差状态卡尔曼滤波 | 协方差一致性、收敛速度 |
| NDT | 正态分布变换点云配准 | 配准残差、退化检测 |
| 重定位 | 丢失后重新获取全局位姿 | 恢复时间、成功率 |
| 时间同步 | 多传感器时间戳对齐 | 同步误差、外参标定 |
| 协方差 | 估计不确定度 | 是否与实际误差匹配 |
掌握这些传感器原理与组合逻辑后，才能为后续的定位精度指标、误差评估方法和回归用例设计建立正确的物理与数学直觉。