4. 定位技术基础

在NOA导航地图与定位融合工程中，单一传感器无法在所有场景下稳定输出高精度位姿。本章从工程视角梳理六类常用定位技术的原理、输出特性与优缺点，为后续多源融合奠定选型与互补依据。

一、核心原理速览

GNSS通过接收多颗卫星的伪距与载波相位，利用三边测量解算接收机在地心坐标系中的位置。普通单点定位精度约米级，受电离层、多路径和城市峡谷遮挡影响显著。

RTK在GNSS基础上引入基准站差分改正，利用载波相位双差消除大部分公共误差，固定整周模糊度后可达到厘米级定位。其关键是基准站与流动站之间的数据链路和模糊度固定成功率。

IMU由陀螺仪和加速度计组成，通过积分角速度和比力递推姿态、速度和位置。IMU输出频率高、短时连续性好，但积分误差随时间累积，零偏和标度因数误差是主要误差源。

轮速计通过车轮转速与转向角推算车辆位移和航向变化，属于航位推算传感器。其成本低、短时稳定，但受轮胎打滑、胎压变化和标定误差影响。

视觉里程计利用相机连续图像中的特征点匹配或光流，估计相机运动并恢复车辆轨迹。纹理丰富时精度高，但受光照、雨雾、弱纹理和动态物体干扰。

激光雷达定位通过点云与高精地图或先验点云配准，利用ICP、NDT等算法求解位姿。其测距精度高、不受光照影响，但雨雪雾衰减、点云稀疏和地图维护成本是主要挑战。

二、方法流程：从单源到融合的工程链路

1. 时间同步与空间标定：统一各传感器时间戳，标定相机、激光雷达、IMU、GNSS天线之间的外参。
2. 单源预处理：GNSS进行伪距/载波相位质量检查，IMU进行零偏估计，视觉进行特征提取与跟踪，激光进行点云去畸变。
3. 局部里程计构建：IMU预积分、轮速航位推算、视觉/激光里程计分别输出相对位姿增量。
4. 绝对观测接入：RTK固定解、高精地图匹配结果作为绝对约束，抑制递推漂移。
5. 滤波或优化融合：采用EKF、因子图或滑动窗口优化，输出平滑、连续、可用的车辆位姿。

三、优缺点对比清单

四、案例场景：城市NOA中的传感器接力

车辆驶出地库时，GNSS信号弱，RTK无法固定，此时IMU与轮速计承担航位推算，视觉里程计利用地库出口纹理恢复相对运动。进入城市主干道后，RTK恢复固定解，激光雷达与高精地图匹配提供横向厘米级约束，融合系统将绝对位置与高频递推结果对齐。进入隧道后，GNSS再次失锁，IMU与轮速计继续递推，激光雷达通过隧道壁面点云配准抑制漂移。出隧道后，RTK重新固定，系统完成全局校正。

五、常见误区与复盘

• 误区一：RTK永远厘米级。实际中模糊度固定失败、多路径、基站距离过远都会导致精度下降，需结合固定解状态使用。
• 误区二：IMU可以长时间独立定位。IMU积分误差随时间平方增长，必须与绝对观测融合。
• 误区三：视觉里程计尺度可直接使用。单目视觉存在尺度模糊，需与IMU、轮速计或已知基线联合估计。
• 误区四：激光雷达不受天气影响。雨雪雾会造成点云衰减和噪声，需进行天气检测与降权处理。
• 误区五：忽略时间同步。传感器时间戳偏差会直接引入位姿误差，尤其在高速场景下不可忽略。

# 典型融合配置参数示例
gnss:
  update_rate: 10 Hz
  rtk_fixed_threshold: 0.02 m
imu:
  update_rate: 200 Hz
  gyro_bias_init: 0.01 deg/s
wheel:
  update_rate: 50 Hz
  wheel_radius: 0.32 m
lidar:
  update_rate: 10 Hz
  ndt_resolution: 1.0 m
fusion:
  method: factor_graph
  window_size: 20