对于智能驾驶汽车而言，确定自身位置的过程类似于人类依靠路标、建筑和记忆中的地图进行导航，但其精度要求达到了厘米级别。本章将系统阐述支撑这一高精度定位的五大核心技术。

6.1 全球卫星导航系统及其增强系统：来自太空的“路标”

6.1.1 核心原理

全球卫星导航系统（GNSS），涵盖美国的GPS、中国的北斗、欧洲的伽利略以及俄罗斯的格洛纳斯，构成了现代定位技术的基础。其工作基于三角定位原理： - 车载接收机测量至少四颗卫星信号的传播时间，从而计算出与各卫星之间的距离。 - 以每颗卫星为球心，测得的距离为半径，在三维空间中构建球面。 - 多个球面的交点即为车辆当前的位置坐标（经度、纬度、高度）及精确时间。

6.1.2 普通GPS为何无法满足需求？

普通GNSS存在多种误差来源，包括卫星轨道偏差、时钟漂移，尤其是大气层对信号的延迟影响以及多路径效应——信号在高楼间反射后才被接收。这些因素导致定位偏差可达数米甚至数十米，难以支持车道级判断，远不能满足自动驾驶的需求。

6.1.3 增强系统：实现厘米级精度的关键

为了消除上述误差，各类增强系统应运而生，核心思想是差分定位： - 在地面设立已知精确坐标的基准站； - 基准站通过接收卫星信号计算当前位置，并与真实位置对比，得出综合误差值； - 将该误差校正值通过移动通信网络（如RTK）或地球静止轨道卫星（如SBAS）广播给周边车辆； - 车辆接收到校正信息后，实时修正自身定位结果，使精度从米级提升至厘米级。 常见的增强技术包括RTK（实时动态差分）、PPP（精密单点定位）以及各国部署的星基增强系统SBAS（例如中国的BDSBAS）。[此处为图片1]

6.2 惯性导航系统：短时高精度定位的“基石”

6.2.1 核心原理

惯性导航系统（IMU）是一种完全自主运行、无需依赖外部信号的装置。它利用内部的加速度计和陀螺仪，分别感知车辆在三个轴向上的线加速度和角速度： - 对加速度进行一次积分，获得速度； - 再对速度积分，推算出位置变化； - 对角速度积分，则可得到姿态（方向）的变化。

6.2.2 优势与局限性

主要优势体现在三个方面： - 高频输出：更新频率通常在100Hz到1000Hz之间，提供极其平滑且连续的位姿估计； - 短期内精度极高：在极短时间内，积分累积误差极小； - 完全独立运作：不依赖任何外部信号，适用于隧道、地下停车场或城市峡谷等遮挡严重区域。 然而，IMU存在一个致命缺陷——**积分漂移**。由于传感器本身存在微小偏差，这些误差在连续积分过程中不断放大，导致定位偏差随时间迅速增长。单独使用IMU时，几分钟内位置可能偏离数百甚至上千米。 这就像一个人蒙着眼睛行走，虽然能准确感知每一步的步伐和转向，但由于缺乏视觉参照，最终会彻底迷失方向。

6.3 融合定位：GNSS/IMU组合导航——天作之合

GNSS与IMU在性能上具有天然互补性，二者融合成为高精度定位的核心架构。 - GNSS具备长期绝对精度高的优点，但更新频率较低（一般为1–10Hz），且在信号受阻区域无法工作； - IMU则擅长短期相对定位，响应速度快，全天候可用，但误差随时间累积。 典型的融合策略采用卡尔曼滤波算法实现数据整合： - 在开阔地带，GNSS持续提供准确的绝对位置，用于校正IMU的漂移，相当于不断提醒“你已经偏了，请回归正确路线”； - 当进入隧道或高楼林立的城市峡谷导致GNSS信号中断时，系统转而依赖已被校准、漂移较小的IMU数据，通过惯性推算维持短时间内的位置连续性，直至重新捕获有效卫星信号。 这种“GNSS锚定长期基准 + IMU保障瞬时连续性”的协同机制，构成了目前最基础也最可靠的高精度车辆定位方案。[此处为图片2]

6.4 基于激光雷达的点云匹配定位：与高精地图“对答案”

6.4.1 核心原理

该方法模拟人类通过观察周围环境确认位置的行为。其前提是拥有一张预先采集并处理完成的、具备厘米级精度的激光雷达点云高精地图。 - 车辆行驶过程中，车载激光雷达实时扫描周边环境，生成当前视野范围内的局部点云； - 匹配算法（如ICP迭代最近点算法、NDT正态分布变换）将此局部点云与预存的高精地图进行比对； - 寻找最优的空间变换参数（平移与旋转），使得两组点云尽可能重合； - 所得的最佳变换即为车辆相对于地图的精确位姿。

6.4.2 优势与挑战

优势显著： - 定位精度可达厘米级； - 不依赖GNSS信号，适合复杂城市环境； - 是实现L4级自动驾驶稳定运行的重要支撑技术。 面临的挑战也不容忽视： - 需要大规模投入制作和持续维护高精地图，成本高昂； - 环境发生剧烈变化（如季节更替、道路施工）可能导致匹配失败； - 数据处理计算量大，对硬件性能要求较高。[此处为图片3]

6.5 基于视觉的里程计与重定位：用“眼睛”丈量世界

6.5.1 视觉里程计

该技术模仿生物通过视觉感知运动的方式，利用摄像头捕捉图像序列来估算自身位移。 - 提取连续两帧图像中的特征点（如角点、边缘等）； - 在前后帧之间进行特征匹配； - 分析特征点的位移变化，反推出相机（即车辆）在此期间发生的运动轨迹。 这种方法无需额外基础设施支持，具备良好的扩展性和低成本潜力，常作为多源融合定位体系中的重要补充手段。

通过分析特征点在图像中的像素变化，结合对极几何等原理，可推算出相机从上一帧到当前帧所发生的旋转与平移运动。

将这些微小的位姿变化进行连续累积，即可估算出车辆的整体运动路径，实现视觉里程计功能。

该方法属于相对定位技术，能够反映“移动的距离和方向”，但无法提供“当前所处的绝对地理坐标”。与IMU类似，该方式也存在随时间推移而逐渐加剧的累积误差问题。

[此处为图片1]

6.5.2 视觉重定位

其基本思想类似于激光雷达的点云匹配，但采用的是视觉信息而非激光数据。

首先构建一个预先采集的视觉地图，该地图包含大量具有对应三维空间坐标的图像特征点。

在实际运行过程中，系统提取当前摄像头画面中的特征，并与地图中存储的特征进行比对和匹配。

一旦匹配成功，便可利用PNP等位姿求解算法，直接计算出车辆在全局地图中的六自由度绝对位姿（即三维位置和姿态朝向）。

视觉重定位的主要优势在于传感器成本低廉，部署灵活。然而，其性能易受光照变化、恶劣天气以及场景中动态物体的干扰，稳定性相对较弱。