一、课程导论与系统架构：城市道路轨迹评估的背景与意义

大家好，我是你们这门课的主讲人。

先聊点实在的。做自动驾驶定位这些年，我踩过最大的坑是什么？不是算法不收敛，不是传感器精度不够，而是——你根本不知道你的轨迹到底准不准。

你想想看，车在路上跑，GPS 飘了，IMU 积分漂了，激光雷达匹配也偶尔抽风。这时候你拿什么去评判？靠感觉？靠肉眼？

嗯，这就是我们这门课要解决的核心问题：城市道路轨迹评估。

1.1 为什么需要轨迹评估？

说白了，轨迹评估就是给定位系统打分。我个人的习惯是，把它比作「考卷」——你的定位算法是学生，轨迹评估就是阅卷老师。

没有阅卷老师，你怎么知道学生学得好不好？

在实际项目中，我遇到过这样的情况：某次路测跑了 200 公里，回来看数据，感觉定位挺稳的。结果一算绝对误差，好家伙，最大偏差 3.8 米。这要是上了量产车，后果你懂的。

所以，轨迹评估的意义在于：

• 量化定位精度：到底差多少？差在哪里？
• 发现系统瓶颈：是 GPS 被遮挡了？还是 IMU 温漂了？
• 支撑算法迭代：没有评估，你改算法就是盲人摸象。

1.2 系统整体架构设计

好，那一个完整的轨迹评估系统长什么样？

我直接画张图给你看。这是我个人在多个项目中沉淀下来的架构，经过多次迭代，目前比较稳定。

这张图我建议你多看两眼。整个课程就是按照这个架构来展开的。从数据怎么进来，到怎么处理，再到怎么评估，一条线走到底。

1.3 核心技术栈概览

做轨迹评估，工具选型很重要。我这些年换过不少方案，最后沉淀下来三样东西：Python、GIS、卡尔曼滤波。

1.3.1 Python —— 胶水语言，也是主力

为什么选 Python？

• 生态丰富：NumPy 做矩阵运算，SciPy 做滤波，Matplotlib 画图，Pandas 处理数据。一套下来，基本不用写 C++。
• 快速迭代：做算法验证，Python 改一行代码跑一次，C++ 编译半天。你想想看，哪个效率高？
• GIS 支持：shapely、geopandas、folium，处理地理数据不要太方便。

1.3.2 GIS —— 地理信息处理的基础

做城市道路轨迹，绕不开 GIS。

你拿到的 GPS 坐标是 WGS84 经纬度，但计算距离要用 UTM 米制坐标。怎么转？用 pyproj。

你要匹配高精地图上的车道线，怎么算最近距离？用 shapely 的 distance 方法。

你要把轨迹画在地图上，用什么？folium 或者 kepler.gl。

我举个例子，坐标转换的代码长这样：

import pyproj

# 定义坐标转换器
wgs84 = pyproj.Proj(init='epsg:4326')  # WGS84 经纬度
utm = pyproj.Proj(init='epsg:32650')   # UTM 50N 带

# 转换：北京天安门坐标
lon, lat = 116.397, 39.908
x, y = pyproj.transform(wgs84, utm, lon, lat)
print(f"UTM 坐标: ({x:.2f}, {y:.2f})")
# 输出: UTM 坐标: (452678.34, 4416845.67)

这段代码我几乎每个项目都会用到。记住，做轨迹评估，先把坐标系统一了。不然算出来的误差全是错的。

1.3.3 卡尔曼滤波 —— 状态估计的基石

卡尔曼滤波，说白了就是「用模型预测 + 用观测修正」。

我刚开始学的时候，觉得公式好复杂。后来做多了，发现核心就五个公式：

步骤	公式	说明
预测状态	x̂ₖ = F·x̂ₖ₋₁ + B·uₖ	根据上一时刻估计当前状态
预测协方差	Pₖ = F·Pₖ₋₁·Fᵀ + Q	估计的不确定性传播
卡尔曼增益	Kₖ = Pₖ·Hᵀ·(H·Pₖ·Hᵀ + R)⁻¹	决定相信模型还是观测
更新状态	x̂ₖ = x̂ₖ + Kₖ·(zₖ - H·x̂ₖ)	用观测修正预测
更新协方差	Pₖ = (I - Kₖ·H)·Pₖ	更新不确定性

1.4 课程内容概览

这门课一共 30 章，我把它分成四个模块：

1. 基础篇（第1-8章）：Python 数据处理、GIS 基础、卡尔曼滤波原理与实现
2. 核心篇（第9-18章）：多传感器融合、轨迹生成、误差分析与评估指标
3. 实战篇（第19-25章）：真实路测数据处理、可视化、自动化评估流水线
4. 进阶篇（第26-30章）：非线性滤波、图优化、与高精地图的联合评估

每一章我都会配上代码示例和真实数据。你跟着敲一遍，基本就能上手了。

好，第一章就到这里。记住这张架构图，后面的内容都是围绕它展开的。