1. 课程导入

智能网联汽车要在城市峡谷、隧道、地下车库、高架桥下等复杂环境中实现稳定、连续、可信的定位，仅依赖单车GNSS与惯性导航往往不够。V2X协同定位与地图增强工程，正是把车、路、云、图、网作为一个整体系统来设计：车辆通过PC5直连或Uu蜂窝链路交换位置、速度、航向、置信度与感知目标，路侧单元提供高精度时空基准与局部动态地图，云端完成全局地图更新与协同优化，最终让每一辆车获得比自身传感器更完整、更鲁棒的环境认知与位置估计。

一、学习目标：从“单车定位”走向“系统定位”

本课程的学习目标不是简单叠加V2X与定位两个名词，而是建立一套可落地、可验证、可迭代的工程能力。具体包括四个层次：

• 概念层：理解协同定位、地图增强、时空基准、置信度传播、动态地图等核心术语的物理含义与边界条件。
• 算法层：掌握基于测距/测角/多普勒的协同定位方法，以及因子图优化、卡尔曼滤波、粒子滤波在车路云协同中的适用场景。
• 工程层：能够设计V2X消息集、时间同步方案、坐标转换链路、地图增量更新流程与端到端测试用例。
• 系统层：从通信时延、丢包率、时钟漂移、地图版本一致性等约束出发，评估协同定位系统的可用性与安全冗余。

二、核心概念：五个必须厘清的工程对象

在进入具体算法之前，需要先建立五个核心概念。它们贯穿后续所有章节，也是排查系统问题的基本坐标。

三、整体框架：车—路—云—图—网五层协同

本课程采用“端—边—云”一体化框架。车载端负责本地传感器融合与V2X消息生成；路侧边缘计算单元完成局部区域的多源融合、时空对齐与动态地图发布；云端负责全局地图更新、协同优化与安全认证；地图层提供静态高精地图与动态图层；网络层则通过PC5、Uu、MEC等链路保障低时延与高可靠传输。

四、方法流程：一次协同定位的完整链路

以城市路口为例，一次典型的协同定位过程包含以下步骤：

1. 时空对齐：各节点通过GNSS/PTP获得统一时间戳，并将自身坐标转换到局部ENU或UTM框架。
2. 本地观测：车辆采集GNSS伪距、IMU角速度、轮速、视觉/激光里程计，形成本地状态估计与协方差。
3. V2X消息交换：通过BSM/CPM等消息集广播位置、速度、航向、置信度及感知目标。
4. 路侧融合：RSU/MEC接收多车消息，结合路侧相机、雷达与地图先验，估计局部区域联合状态。
5. 协同优化：采用因子图或分布式卡尔曼滤波，将相对观测与绝对观测联合求解。
6. 地图增强：将动态事件、临时车道线、施工区域写入动态图层并下发。
7. 置信度回传：车辆根据融合结果更新自身定位健康度，决定是否降级或请求更多协同。

# 典型协同定位消息字段示例（简化）
msg_type: CPM
station_id: 0x1234
timestamp: 1712345678.123
lat: 31.230416
lon: 121.473701
alt: 12.5
heading: 87.3
speed: 13.6
pos_confidence: 0.92
covariance: [0.8, 0.1, 0.1, 0.6]
perceived_objects: 5
map_version: 2024.11.03-001

五、案例与场景：从示范区到量产落地

在智慧高速场景中，车辆通过V2I获取前方事故、施工与限速信息，结合路侧毫米波雷达的协同定位，可在GNSS受遮挡的隧道出口提前恢复稳定定位。在港口与矿区，多台无人集卡通过V2V共享相对位置与路径意图，实现高密度编队与精准停靠。在地下车库，路侧UWB与视觉标签提供绝对基准，车辆通过V2X获取车位级地图增强信息，完成自主泊车。这些场景的共同点是：单车传感器存在盲区，而协同与地图增强恰好补足了盲区。

六、常见误区与复盘

初学者容易陷入三个误区：第一，把V2X消息中的位置当作真值直接使用，忽略其自身误差与协方差；第二，认为高精地图可以“一次下载、长期使用”，忽视动态更新与版本一致性；第三，只关注定位精度，不关注置信度与完好性，导致系统在异常时无法降级。复盘时应重点检查：时间戳是否对齐、坐标框架是否统一、消息是否携带不确定度、地图版本是否匹配、异常场景是否有降级策略。