3. 定位技术基础：GNSS、IMU、轮速计、激光雷达、视觉定位的原理与优缺点对比
做高精地图这些年，我接触过各种各样的定位传感器。说实话，没有哪一种传感器是万能的。每个都有它的脾气，也都有它的短板。今天我就把常用的几种定位技术掰开揉碎了讲讲，都是我在项目里踩过的坑和总结的经验。
3.1 GNSS：全球导航卫星系统
GNSS 就是咱们常说的 GPS、北斗这些。原理很简单——卫星给你发信号，你算距离，然后定位。嗯，听起来挺直接的，但实际用起来问题不少。
核心原理：通过至少4颗卫星的伪距测量，解算三维位置和时间。
优点：
- 全球覆盖，室外基本都能用
- 绝对定位，没有累积误差
- 成本低，一个接收机几十块钱
缺点：
- 高楼遮挡、隧道里直接失效
- 多路径效应严重，城市峡谷里误差能到几十米
- 更新频率低，一般10Hz，动态场景不够用
我的经验：我曾经在一条两边都是高楼的路上做测试，GNSS 定位直接飘到了马路对面。后来我加了 RTK 差分，才把精度拉到厘米级。但 RTK 需要基站信号，不是哪都有。
3.2 IMU：惯性测量单元
IMU 就是加速度计加陀螺仪。它不依赖外部信号，自己就能算。说白了，就是靠积分——加速度积分得速度，速度积分得位置。但积分这东西，你想想看，误差会越积越大。
优点：
- 完全自主，不受外界干扰
- 更新频率高，能到1000Hz
- 短时间精度很高
缺点：
- 误差随时间累积，几分钟就漂得离谱
- 零偏、温漂需要标定
- 高精度 IMU 价格昂贵
避坑指南：我曾经在项目里只用 IMU 做定位，结果跑了10分钟，位置漂了200多米。后来我学乖了，IMU 必须和其他传感器融合使用。
3.3 轮速计
轮速计就是车轮上的编码器。它测量车轮转了多少圈，然后结合车轮周长算距离。这个方法在车辆上特别常见，因为成本低、实现简单。
优点：
- 成本极低，几乎为零
- 短距离精度不错
- 不受光照、天气影响
缺点：
- 车轮打滑时完全不准
- 只能提供一维距离信息
- 需要知道车轮周长，轮胎磨损会影响精度
我的建议：轮速计最好和 IMU 配合使用。IMU 提供姿态，轮速计提供距离，两者互补。我在一个园区项目里就是这么做的，效果还不错。
3.4 激光雷达
激光雷达用激光束扫描周围环境，得到点云数据。然后通过点云匹配（比如 ICP 算法）来估计位姿。这个方法精度很高，但计算量也大。
优点：
- 精度高，厘米级
- 不受光照影响，白天黑夜都能用
- 能直接获取三维结构信息
缺点：
- 成本高，一个激光雷达几万到几十万
- 受天气影响大，雨雪天性能下降
- 在空旷场景下特征少，容易匹配失败
核心逻辑：激光雷达定位的核心是点云配准。简单说，就是把当前帧的点云和地图点云对齐，算出相对位姿。我习惯用 NDT 算法，比 ICP 快不少。
3.5 视觉定位
视觉定位用摄像头拍图像，然后提取特征点（比如 ORB、SIFT），通过特征匹配来估计位姿。这个方法成本低，但受光照影响大。
优点：
- 成本低，一个摄像头几十块钱
- 信息丰富，能识别车道线、交通标志
- 适合结构化场景
缺点：
- 受光照影响大，晚上基本不能用
- 纹理缺失场景（白墙、路面）容易失败
- 计算量大，需要 GPU 加速
避坑指南：我曾经在隧道里用视觉定位，结果一片漆黑，特征点全丢了。后来我加了红外补光，但效果也一般。视觉定位最好在白天、有纹理的场景下用。
3.6 各传感器对比总结
| 传感器 | 精度 | 成本 | 更新频率 | 环境依赖 | 累积误差 |
|---|---|---|---|---|---|
| GNSS | 米级~厘米级 | 低 | 10Hz | 室外、无遮挡 | 无 |
| IMU | 短时高精度 | 中~高 | 1000Hz | 无 | 严重 |
| 轮速计 | 厘米级 | 极低 | 100Hz | 无打滑 | 有 |
| 激光雷达 | 厘米级 | 高 | 10~20Hz | 天气 | 无 |
| 视觉 | 分米级 | 低 | 30Hz | 光照、纹理 | 有 |
3.7 多传感器融合的思路
看到这里你应该明白了，没有哪个传感器是完美的。所以实际工程里，我们都是做融合。我常用的方案是：
- GNSS + IMU：最经典的组合，GNSS 修正 IMU 的漂移，IMU 填补 GNSS 的缺失
- 激光雷达 + IMU：高精度定位，适合自动驾驶
- 视觉 + IMU：低成本方案，适合辅助驾驶
- 轮速计 + IMU + GNSS：我目前在用的方案，性价比很高
我的经验：融合的核心是卡尔曼滤波。我习惯用误差状态卡尔曼滤波（ESKF），把 IMU 作为状态预测，其他传感器作为观测更新。这样能充分发挥每个传感器的优势。
这张图展示了我常用的融合框架。IMU 作为核心，提供高频的状态预测。其他传感器作为观测，修正 IMU 的漂移。这样既能保证实时性，又能保证精度。
好了，定位技术的基础就讲到这里。每种传感器都有自己的适用场景，关键是要理解它们的特性，然后合理组合。我在项目里试过很多方案，最后还是觉得融合才是王道。