1. 融合定位概述：什么是融合定位、为什么需要融合定位、常见传感器特性对比
大家好，我是老张。做定位这行十几年了，今天咱们聊聊融合定位。
先问个问题：你开车用导航的时候，有没有遇到过这种情况？明明在高架桥上，导航却显示你在桥下。或者进了隧道，定位直接飘到隔壁小区去了。嗯，这就是单一传感器的局限性。
什么是融合定位
说白了，融合定位就是把多个传感器的数据揉在一起，取长补短，得到一个更准、更稳的位置估计。
举个例子：GNSS（卫星定位）在开阔地很准，但进了隧道就废了。IMU（惯性测量单元）不受环境影响，但时间长了会漂。视觉和激光雷达能感知周围环境，但计算量大、怕恶劣天气。你想想看，要是把它们组合起来，是不是就能互相兜底了？
我在项目里遇到过最典型的场景：一个AGV小车在仓库里跑，仓库顶棚遮挡了卫星信号，纯靠IMU推了十分钟，位置已经偏了半米。后来加了激光雷达做SLAM，问题就解决了。
核心思想：融合定位不是简单的数据叠加，而是利用不同传感器的互补特性，通过算法（比如卡尔曼滤波、因子图优化）得到最优估计。
为什么需要融合定位
原因其实很简单——没有一种传感器是万能的。
- GNSS：室外好用，室内、隧道、高楼峡谷里就抓瞎。更新频率也低，一般10Hz。
- IMU：更新快（100Hz以上），短时精度高，但误差会累积。你站着一动不动，它都能给你算出走了几米。
- 视觉：信息丰富，能识别车道线、路标，但怕光线暗、怕快速运动、怕纹理少的地方。
- 激光雷达：测距准，不受光照影响，但怕雨雪雾，而且贵。
所以，融合定位的出发点就是：用GNSS做长期校准，用IMU做短时推算，用视觉/激光做环境约束。这样组合下来，定位的鲁棒性会好很多。
我的经验：做融合定位，第一件事不是调算法，而是搞清楚你的应用场景。是室内还是室外？动态还是静态？精度要求多少？这些决定了传感器选型和融合策略。
常见传感器特性对比
下面这张表，是我自己整理的。做项目时经常拿出来对照，帮你快速选型。
| 传感器 | 优点 | 缺点 | 典型频率 | 适用场景 |
|---|---|---|---|---|
| GNSS | 绝对定位，无累积误差 | 信号易遮挡，更新慢 | 1-20 Hz | 室外开阔环境 |
| IMU | 高频，不受外部信号影响 | 误差随时间累积 | 100-1000 Hz | 短时推算、姿态估计 |
| 视觉 | 信息丰富，成本低 | 受光照、纹理影响 | 15-60 Hz | 室内、结构化道路 |
| 激光雷达 | 测距准，不受光照影响 | 成本高，受天气影响 | 10-20 Hz | 自动驾驶、高精度建图 |
这里有个坑，我提醒一下：千万别只看精度指标。比如IMU的零偏稳定性，你买的时候标称0.1°/h，实际用起来可能差一个数量级。我曾经在一个项目里，IMU的零偏标定没做好，导致融合后的定位精度还不如单用GNSS。嗯，后来花了整整一周重新标定才搞定。
融合定位的核心逻辑
为了让你更直观地理解，我画了一张流程图。这张图基本概括了融合定位的骨架。
这张图里，我特别想强调数据预处理这一步。很多人一上来就调融合算法，结果发现效果不好。其实八成问题出在预处理上——时间戳没对齐、坐标系没统一、异常值没剔除。你想想看，输入都是错的，算法再牛也没用。
避坑指南：我曾经在一个项目里，GNSS和IMU的时间戳差了200毫秒没发现。结果融合出来的轨迹，在转弯时总是滞后半拍。后来排查了三天，才发现是时间同步的问题。所以，时间同步是融合定位的第一步，也是最重要的一步。
小结
融合定位的本质，就是用多个传感器的优势，弥补各自的短板。没有银弹，只有权衡。选什么传感器、用什么算法，完全取决于你的应用场景和精度要求。
下一章，我会带你深入卡尔曼滤波的细节，看看它到底是怎么把多传感器数据揉在一起的。到时候我会拿一个实际项目中的代码例子来讲，保证你能听懂。