1、定位技术全景：从GNSS到多传感器融合的演进之路
大家好，我是你们这期课程的讲师。在自动驾驶这个行当里摸爬滚打了快十年，我最大的感触就是——定位这事儿，看着简单，做起来全是坑。
你想想看，一辆车在高速上跑，如果定位偏差了半米，可能就压线了。如果偏差了一米，可能就撞护栏了。更别提城市里那些复杂的立交桥、隧道、高楼林立的CBD。说实话，我见过太多团队在定位上栽跟头，最后不得不返工重做。
所以这第一节课，我想带大家把定位技术的全景图捋一遍。从最基础的GNSS，到如今主流的多传感器融合，咱们一步步看明白：这条路是怎么走过来的？
核心观点：没有一种传感器是万能的。定位的终极答案，一定是融合。
1.1 GNSS：定位的起点，但不是终点
GNSS，全球导航卫星系统。说白了就是GPS、北斗、GLONASS这些。它是目前最普及的定位手段，也是所有自动驾驶方案的起点。
我记得刚入行那会儿，大家觉得有GPS就够了。毕竟手机导航都能用，车为什么不行？
但实际一跑就发现问题了——GNSS的精度，在理想环境下是米级，在复杂环境下直接崩盘。
| 场景 | GNSS精度 | 问题 |
|---|---|---|
| 开阔道路 | 2-5米 | 基本可用，但无法满足车道级定位 |
| 城市峡谷 | 10-50米 | 多路径效应严重，信号反射导致偏差 |
| 隧道/地下 | 无信号 | 完全失效 |
| 高架桥下 | 5-20米 | 信号遮挡，频繁跳变 |
为什么会这样？因为GNSS依赖卫星信号，而卫星信号太弱了。它穿透不了混凝土，也扛不住高楼反射。我在项目中遇到过最夸张的一次，车在高架桥下正常行驶，定位突然跳到了对面车道——差点把测试工程师吓出心脏病。
避坑指南：我曾经以为RTK（实时动态差分定位）能解决一切。确实，RTK能把精度做到厘米级，但它需要基站信号。一旦离开基站覆盖范围，或者基站信号被遮挡，RTK就退化成普通GPS。所以千万别迷信RTK，它只是工具之一。
1.2 惯性导航：GNSS的黄金搭档
既然GNSS有这么多毛病，那怎么办？加IMU（惯性测量单元）。
IMU这东西，说白了就是加速度计+陀螺仪。它不依赖任何外部信号，自己就能算位置。但它的毛病也很明显——误差会随时间累积。你跑一分钟，它可能偏几米。跑十分钟，可能偏几百米。
所以业界最常见的做法是：GNSS + IMU 组合导航。
- GNSS提供绝对位置，用来修正IMU的累积误差
- IMU提供高频姿态和短时位置，填补GNSS的更新间隙
- 两者互补，实现100Hz以上的定位输出
嗯，这里要注意。组合导航不是简单的加权平均，而是要用卡尔曼滤波来做状态估计。我见过不少新手直接把GNSS和IMU的位置做平均，结果两个信号打架，定位反而更差。
警告：组合导航的调参是个玄学。过程噪声、测量噪声、初始协方差，任何一个参数设错了，滤波器都可能发散。我建议你从最简单的松耦合开始，跑通了再上紧耦合。
1.3 视觉定位：让车学会看路
GNSS+IMU的组合，在开阔道路上已经够用了。但到了城市环境，尤其是隧道、地下车库、密集高楼区，这套方案还是不够稳。
这时候，视觉定位登场了。
视觉定位的核心思路是：让车通过摄像头看到的环境特征，来推算自己的位置。比如看到路边的电线杆、地面的车道线、墙上的广告牌，这些都能作为定位的锚点。
常用的视觉定位方法有两种：
- 视觉里程计（VO）：通过连续帧之间的特征匹配，推算相对运动。说白了就是「我上一帧看到这个角点，这一帧它移动了这么多，所以我走了这么远」。
- 视觉SLAM：在VO的基础上，加入回环检测和全局优化。能消除累积误差，构建全局一致的地图。
我个人习惯在项目中先用VO做短时定位，然后定期用回环检测做全局修正。这样计算量可控，精度也够用。
关键点：视觉定位的精度取决于特征点的质量和数量。在纹理丰富的场景（比如城市街道），效果很好。但在白墙、雪地、夜间等低纹理场景，视觉定位会直接失效。
1.4 激光雷达定位：精度之王
如果说视觉定位是「看路」，那激光雷达定位就是「摸路」。它通过发射激光束，直接测量周围环境的3D点云。精度可以达到厘米级，而且不受光照影响。
激光雷达定位的主流方案是：
- 点云配准：将当前帧的点云与高精地图或上一帧点云进行匹配，算出相对位姿。常用算法有ICP、NDT。
- 激光SLAM：在配准的基础上，构建和维护局部地图，实现实时定位与建图。
我记得有一次在夜间测试，视觉方案完全失效，GNSS信号也断断续续。但激光雷达定位稳如老狗，全程保持10cm以内的精度。那一刻我真心觉得，激光雷达才是定位的终极武器。
当然，它也有缺点：贵、体积大、对雨雾天气敏感。所以目前量产车很少单独用激光雷达做定位，更多是作为融合方案的一部分。
1.5 多传感器融合：集大成者
好了，现在我们有GNSS、IMU、视觉、激光雷达。每个都有优点，每个都有短板。那怎么办？
答案是：融合。
多传感器融合不是简单地把所有数据堆在一起，而是要用一个统一的框架，把不同传感器的优势发挥出来，同时抑制它们的劣势。
目前业界最常用的融合框架是：
- 松耦合：各传感器独立做定位，然后通过卡尔曼滤波融合结果。实现简单，但精度有限。
- 紧耦合：在滤波器的观测层面直接融合原始数据（比如GNSS的伪距、IMU的加速度、视觉的特征点）。精度更高，但实现复杂。
- 因子图优化：用图优化的方式，把历史所有观测和状态都纳入优化。精度最高，但计算量大，适合离线或高算力平台。
我个人习惯在量产项目中用紧耦合方案。虽然开发周期长一点，但精度和鲁棒性都更可控。至于因子图，我一般只用在离线标定和高精地图制作中。
经验之谈：做融合定位，最重要的不是算法有多花哨，而是异常处理。传感器会坏、信号会丢、数据会跳变。你的融合框架必须能检测这些异常，并优雅地降级。我曾经见过一个团队，融合算法写得漂亮，但没处理传感器失效的情况，结果一个GPS跳变直接让车冲上了马路牙子。
1.6 知识体系总览
说了这么多，我画了一张图，帮你把整个定位技术的知识体系串起来。你可以把它当作这章课程的思维导图。
从这张图你能看到，定位技术不是一条单一路径，而是一个不断叠加、不断融合的过程。从最早的GNSS单打独斗，到GNSS+IMU组合，再到视觉和激光雷达的加入，最后汇聚到多传感器融合这个终极方案。
每一层都有它的价值，每一层也都有它的局限。真正的高手，不是只会用一种传感器，而是知道在什么场景下用什么传感器，以及如何把它们拧成一股绳。
好了，这一章的内容就到这里。下一章我们会深入GNSS的核心原理，聊聊那些让你头疼的误差源到底是怎么来的，以及怎么用RTK把它们压下去。