3、定位漂移成因分析：GNSS多路径效应与遮挡、INS积分误差累积、轮速计打滑与标定误差、视觉特征丢失与光照影响
定位漂移，说白了就是你的车明明停在原地，地图上的点却在慢慢“溜达”。或者拐了个弯，定位轨迹却画了个大圆弧。我做了这么多年融合定位，见过太多这种让人头疼的场景了。今天咱们就把这些“罪魁祸首”一个个揪出来分析。
核心观点：定位漂移不是单一传感器的问题，而是每个传感器都有“阿喀琉斯之踵”。融合算法的本质，就是让它们互相兜底。
3.1 GNSS多路径效应与遮挡
GNSS（全球导航卫星系统）看着高大上，其实在城市峡谷里特别脆弱。我印象最深的一次，是在上海陆家嘴测试，定位误差直接跳了30多米。
3.1.1 多路径效应
卫星信号本来是直线传播的，但遇到高楼、玻璃幕墙就会反射。接收机收到直射信号和反射信号叠加在一起，算出来的伪距就变了。嗯，这里要注意：反射信号比直射信号多走了路，所以伪距偏大，定位点就会往反方向偏。
我个人习惯把多路径分为两类：
- 慢衰落多路径：反射路径相对稳定，误差缓慢变化，像个“慢性毒药”
- 快衰落多路径：车辆移动时反射路径快速变化，误差剧烈抖动
我在项目中遇到过最极端的情况：一辆车在高架桥下等红灯，GNSS定位点直接跳到了对面车道。后来分析日志发现，当时有6颗卫星的信号都受到了多路径影响。
3.1.2 遮挡问题
遮挡比多路径更直接——卫星信号被挡住了，能用的卫星数量骤降。GPS定位至少需要4颗卫星，如果只剩3颗，那就只能输出2D定位，高度方向直接放飞自我。
| 遮挡场景 | 可用卫星数 | 典型误差 |
|---|---|---|
| 开阔道路 | 12-16颗 | 2-5米 |
| 城市峡谷 | 6-10颗 | 10-30米 |
| 隧道/地下车库 | 0颗 | 完全失效 |
避坑指南：我曾经在隧道出口处吃过亏。车辆刚出隧道，GNSS信号恢复，但定位点还在用隧道内的推算位置，和真实位置差了50多米。融合算法如果没有做“信号恢复后的平滑过渡”，就会产生一个巨大的跳变。
3.2 INS积分误差累积
惯性导航系统（INS）是个“老实人”，它不会撒谎，但会慢慢跑偏。为什么？因为它在做积分运算。
你想想看，加速度计测的是加速度，要得到速度就得积分一次，要得到位置就得积分两次。每次积分都会把误差放大。陀螺仪的角速度误差积分后，会导致姿态角漂移，然后加速度的投影方向就错了，位置误差会以时间的三次方增长。
我习惯用一个公式来理解这个累积过程：
位置误差 ∝ 加速度计偏置 × t² + 陀螺仪漂移 × t³其中 t 是时间。你看，时间越长，误差增长得越快。这就是为什么纯惯性导航只能撑几十秒。
我记得有一次做车载测试，车辆在隧道里行驶了大约2分钟。出隧道时，INS推算的位置已经偏了将近200米。虽然INS的短期精度很好（毫秒级），但长期稳定性确实不行。
个人经验：INS的误差模型不是白噪声，而是“随机游走”。这意味着误差会一直累积，不会自己消除。所以融合算法里一定要有“重置”机制，比如用GNSS或者视觉来定期修正INS的累积误差。
3.3 轮速计打滑与标定误差
轮速计（或者叫里程计）看起来简单，其实坑特别多。它通过车轮转动的圈数来推算行驶距离，但前提是——车轮和地面之间没有相对滑动。
3.3.1 打滑问题
打滑分两种：
- 加速打滑：猛踩油门时，驱动轮转速快于车速，轮速计会多算距离
- 制动打滑：急刹车时，车轮抱死，轮速计显示速度为0，但车还在滑行
我在项目中遇到过最典型的情况：一辆车在冰雪路面上起步，轮速计显示已经走了5米，但实际上只移动了2米。融合算法如果直接信任轮速计，定位点就会“超前”。
3.3.2 标定误差
轮速计的标定参数包括：
- 脉冲当量：每个脉冲对应的行驶距离
- 左右轮比例因子：左右轮直径差异导致的误差
- 安装角度：轮速计轴线与车辆轴线的夹角
我曾经吃过标定不准的亏。一辆车的左右轮胎压不一样，导致左右轮的有效半径不同。标定时没注意这个细节，结果车辆直线行驶时，定位轨迹慢慢向右偏。后来用了一个简单的标定方法：让车在直道上跑100米，对比左右轮的脉冲数，算出比例因子。
// 左右轮比例因子标定示例
left_pulses = 1000; // 左轮脉冲数
right_pulses = 1020; // 右轮脉冲数
scale_factor = left_pulses / right_pulses; // 0.9804
// 后续使用时，右轮脉冲数乘以scale_factor进行校正避坑指南：轮速计的标定不是一劳永逸的。轮胎磨损、胎压变化、载重不同都会影响标定参数。我建议每隔一段时间或者更换轮胎后重新标定一次。
3.4 视觉特征丢失与光照影响
视觉定位（VIO/Visual SLAM）在光照好的时候表现不错，但一旦环境变化，就容易“失明”。
3.4.1 特征丢失
视觉定位依赖图像中的特征点（角点、边缘、纹理等）。如果场景中缺少特征，比如：
- 长距离的白墙或单色路面
- 重复纹理（比如一模一样的路灯杆）
- 动态物体遮挡（比如前面有辆大卡车）
特征点数量不足时，视觉里程计就无法估计运动。我遇到过最尴尬的情况：车辆在一条笔直的隧道里行驶，隧道墙壁是白色的，没有任何纹理。视觉定位直接“摆烂”，输出结果全是NaN。
3.4.2 光照影响
光照变化对视觉定位的影响非常大：
- 过曝：正对太阳时，图像一片白，特征点全丢失
- 欠曝：夜间或隧道内，图像太暗，特征点提取不出来
- 光照突变：车辆进出隧道时，图像亮度瞬间变化，特征匹配失败
我记得有一次夜间测试，车辆经过一个路灯下，光照从暗到亮再到暗，视觉定位的轨迹出现了明显的抖动。后来分析发现，是因为光照变化导致特征点的描述子发生了变化，前后帧匹配不上。
个人经验：视觉定位的鲁棒性很大程度上取决于图像质量。我建议在融合算法中加入“视觉置信度”指标，比如特征点数量、平均跟踪时长、光度一致性等。当置信度低于阈值时，降低视觉的权重，甚至完全禁用视觉。
3.5 本章知识体系
下面这张图总结了四种定位漂移的成因及其相互关系：
你看，每个传感器都有自己的“软肋”。GNSS怕遮挡，INS怕时间久，轮速计怕打滑，视觉怕光照。融合定位不是选一个最好的传感器，而是让它们互相弥补。我个人的经验是：理解每个传感器的误差特性，比优化算法参数更重要。
总结一下：定位漂移的根源在于每个传感器都有其固有的局限性。GNSS的多路径和遮挡是环境问题，INS的积分误差是物理规律，轮速计的打滑是力学问题，视觉的特征丢失是感知问题。融合算法的任务，就是识别出当前哪个传感器“靠谱”，哪个在“撒谎”，然后做出最优的估计。