1. 课程导入

当你驾驶一辆具备领航辅助驾驶（Navigate on Autopilot，NOA）能力的车辆驶入城市快速路，车辆能够自动完成跟车、变道、进出匝道甚至根据导航路径选择车道，这背后并不是单一传感器或单一算法的功劳，而是导航地图与定位融合两大技术体系深度耦合的结果。本课程围绕这一工程问题展开，帮助你建立从数据到决策的完整认知链条。

一、学习目标：从"会用"到"能造"

本课程的学习目标分为三个层次。第一层是概念层：理解NOA系统中地图与定位各自的角色边界，明确高精地图、导航地图、语义地图之间的差异与联系。第二层是方法层：掌握多源定位融合的基本方法，包括GNSS/RTK、IMU、轮速计、视觉与激光雷达的时空对齐与滤波估计。第三层是工程层：能够针对典型场景设计地图与定位的协同方案，并具备排查定位漂移、地图失配等问题的能力。

二、核心概念：地图、定位与融合

导航地图主要服务于路径规划，提供道路拓扑、车道连接关系、限速与转向约束，精度通常在米级。高精地图则提供厘米级车道几何、路沿、标志牌、信号灯位置等语义信息，是NOA进行车道级决策的基础。定位融合是指将多种定位源的数据在统一时空基准下进行估计，输出稳定、连续、可信的车辆位姿。

三者关系可以用一句话概括：地图提供"先验环境"，定位提供"当前位姿"，融合则让车辆知道"我在哪里、我要去哪、我该走哪条车道"。

三、整体框架：从感知到决策的信号链

NOA导航地图与定位融合工程的整体框架可以划分为五个层次：传感器层、定位解算层、地图匹配层、融合估计层与决策输出层。下图展示了这一信号链的核心结构。

从图中可以看到，传感器层提供原始观测，定位解算层与地图匹配层并行处理，最终在融合估计层完成联合优化，输出给决策层。这一结构决定了NOA系统的性能上限：任何一层的误差都会向下游传播。

四、方法流程：一次完整的定位融合迭代

以车辆通过城市隧道为例，说明一次典型的融合迭代流程：

1. 数据采集：GNSS接收机输出经纬度与卫星数，IMU输出角速度与加速度，轮速计输出车速脉冲，摄像头识别车道线。
2. 时间对齐：将所有观测统一到同一时间戳，通常以IMU采样时刻为基准，对GNSS和视觉做插值或外推。
3. 坐标转换：将WGS-84坐标转换到局部ENU坐标系，再投影到地图所在的栅格或矢量坐标系。
4. 预测与更新：利用IMU和轮速计进行状态预测，利用GNSS和地图匹配结果进行观测更新。
5. 置信度评估：根据卫星数、车道线质量、地图匹配残差计算当前位姿置信度，决定是否降级。

# 融合迭代伪代码示例
state = predict(state, imu, wheel_speed, dt)
if gnss_valid:
    state = update(state, gnss_position, gnss_cov)
if lane_detected and map_matched:
    state = update(state, map_match_pose, map_cov)
confidence = evaluate_confidence(gnss_sat, lane_quality, map_residual)
if confidence < threshold:
    trigger_degradation_mode()

五、工程价值与典型场景

NOA导航地图与定位融合的工程价值体现在三个维度：安全性——厘米级定位与车道级地图确保车辆始终在正确车道内行驶；舒适性——融合估计平滑了单一传感器的噪声，减少急刹与画龙；可用性——多源冗余设计使系统在隧道、城市峡谷等GNSS失效场景下仍能维持短时定位。

六、常见误区与复盘