對于自動駕駛車輛而言，不僅需要感知周圍的障礙物，更需要時刻明確自己的精確位置，以及相對于道路邊界的細微偏差。然而，在真實的城市街道中，實現(xiàn)厘米級、高頻率且具備極高魯棒性的定位是一項極其復(fù)雜的系統(tǒng)工程。

衛(wèi)星導(dǎo)航定位技術(shù)（GNSS）與慣性導(dǎo)航技術(shù)（IMU）雖然構(gòu)成了定位系統(tǒng)的基礎(chǔ)架構(gòu)，但它們在面對摩天大樓林立的“城市峽谷”、深邃的隧道以及交錯的立交橋時，會表現(xiàn)出顯著的性能衰減。那如何解決城市復(fù)雜環(huán)境下定位失準的問題？

城市環(huán)境對基礎(chǔ)定位傳感器的挑戰(zhàn)與局限分析

全球衛(wèi)星導(dǎo)航系統(tǒng)（GNSS）在提供絕對地理位置參考方面具有天然的優(yōu)勢，其工作原理主要基于衛(wèi)星到接收機之間的距離測量。但在城市中心區(qū)域，這種基于電磁波傳播的測量方式極易受到物理環(huán)境的干擾。其問題主要源于多路徑效應(yīng)（Multipath）和非視距接收（NLOS）。

當衛(wèi)星信號在到達車載接收機之前，經(jīng)過高大建筑物的玻璃幕墻、地面或其他反射面的多次折射或反射后，接收機捕獲到的信號路徑會長于真實的直線距離。這種現(xiàn)象會導(dǎo)致偽距觀測產(chǎn)生數(shù)米甚至數(shù)十米的誤差。

若當直接視距被建筑完全遮擋，接收機僅收到反射信號，此時定位結(jié)果會出現(xiàn)劇烈的跳變，甚至導(dǎo)致定位解算完全失效。在深窄的城市街道中，可見衛(wèi)星數(shù)量可能在短時間內(nèi)從十余顆銳減至三顆以下，無法滿足標準定位所需的最小觀測條件。

為了彌補衛(wèi)星信號的波動，慣性測量單元（IMU）被引入系統(tǒng)，其利用加速度計和陀螺儀感知車輛的即時運動狀態(tài)。IMU的優(yōu)勢在于其完全自主性，不需要外部信號，且輸出頻率極高。

然而，IMU本質(zhì)上是一個積分系統(tǒng)，它通過對加速度和角速度進行二次積分來推算位置和姿態(tài)，這種機制導(dǎo)致其存在誤差累積。IMU傳感器存在復(fù)雜的誤差分量，其中包括偏置不穩(wěn)定性、軸偏斜和隨時間增長的隨機游走。

偏置不穩(wěn)定性意味著即使車輛靜止，IMU輸出的微小偏差也會隨著時間不斷積分，導(dǎo)致位置估算迅速漂移。對于常見的微機電系統(tǒng)（MEMS）級別的IMU，如果沒有外部參考信號進行校正，其推算的位置誤差在一分鐘內(nèi)就可能達到數(shù)十米甚至更多，這對于厘米級定位要求的自動駕駛而言是不可接受的。

城市環(huán)境的復(fù)雜性還體現(xiàn)在其多變的氣候與光照條件下。在隧道或高架橋下，衛(wèi)星信號會被完全切斷，定位系統(tǒng)必須完全依賴車輛的“內(nèi)感知”能力。

而在暴雨、大霧或降雪等惡劣天氣中，空氣中懸浮的微小顆粒會嚴重散射激光雷達的紅外脈沖，導(dǎo)致點云數(shù)據(jù)中出現(xiàn)大量噪聲和假陽性障礙物。

視覺傳感器則在強光直射、夜晚低照度或面對單調(diào)的白墻時，難以提取到有效的紋理特征，從而導(dǎo)致特征跟蹤失敗。

SLAM算法的介入與多源信息融合的技術(shù)演進

面對上述單一傳感器的局限性，融合激光雷達SLAM（LIO）及視覺SLAM（VIO）算法成為了提升系統(tǒng)魯棒性的路徑之一。

SLAM算法的本質(zhì)是通過感知環(huán)境特征來反推自身的位姿變化。激光雷達通過發(fā)射激光束并接收反射回波，能夠?qū)崟r生成車輛周圍三維環(huán)境的“點云地圖”。在SLAM過程中，算法會將當前幀的點云與之前的地圖進行幾何匹配（如常用的ICP或NDT算法），從而推算出車輛的相對位移。

在衛(wèi)星信號失效的隧道或地下停車場，激光雷達可以憑借周圍墻壁、支柱等固定特征，提供非常穩(wěn)定的運動約束，極大地減緩了IMU的漂移速度。視覺SLAM則利用圖像序列中的特征點（如路牌、建筑輪廓）進行運動估計，其在幾何特征不明顯的平坦道路上具有較好的補充作用。

在技術(shù)實現(xiàn)方案上，多傳感器融合正經(jīng)歷著從松耦合到緊耦合的跨越。

松耦合方案將GNSS給出的絕對坐標、SLAM給出的相對位移以及IMU的推算結(jié)果分別作為獨立的輸入，在卡爾曼濾波器中進行結(jié)果級的融合。

雖然這種方式邏輯清晰、計算量小，但在極具挑戰(zhàn)性的城市環(huán)境中，它的表現(xiàn)依舊不盡如人意。如當可見衛(wèi)星不足四顆時，GNSS解算器可能直接報錯退出，此時松耦合系統(tǒng)就無法利用剩余的三顆衛(wèi)星所包含的信息。

緊耦合方案則完全打破了傳感器之間的邊界，它直接處理每個傳感器的原始觀測數(shù)據(jù)，如GNSS的偽距和多普勒頻率、激光雷達的原始反射點坐標以及IMU的高頻采樣信號等。

這些原始數(shù)據(jù)會被放置在同一個數(shù)學(xué)優(yōu)化框架中進行聯(lián)合求解。在這種模式下，即使衛(wèi)星數(shù)量極少，哪怕只有兩三顆，系統(tǒng)依然可以結(jié)合激光雷達提供的地面約束和IMU提供的運動先驗，對車輛位姿進行有效約束，從而在極大程度上縮短信號盲區(qū)的“斷檔期”。

更進一步的“深耦合”（Deep Coupling）技術(shù)甚至深入到GNSS接收機的信號跟蹤環(huán)路，利用IMU感知到的瞬時速度變化去輔助載波跟蹤環(huán)路，從而讓車輛在復(fù)雜環(huán)境下能夠鎖定衛(wèi)星信號，有效對抗由于震動或快速運動導(dǎo)致的失鎖問題。

因子圖優(yōu)化，構(gòu)建抗干擾的魯棒估計框架

在融合定位的數(shù)學(xué)求解中，因子圖優(yōu)化（Factor Graph Optimization, FGO）正在逐漸取代傳統(tǒng)的擴展卡爾曼濾波（EKF），成為支撐自動駕駛定位系統(tǒng)的核心框架。

EKF作為一種基于時間遞歸的方法，其最大的弱點在于“健忘”，它在每個時刻只保留前一刻的狀態(tài)，并根據(jù)當前觀測進行一次更新，無法利用歷史數(shù)據(jù)進行回溯修正。

在城市環(huán)境中，如果接收機誤將一個被建筑反射的強信號當作真值，EKF會由于單次權(quán)重的傾斜而瞬間產(chǎn)生巨大的定位誤差，且很難在之后的步驟中自我修正。

因子圖優(yōu)化則將定位問題建模為一個龐大的數(shù)學(xué)圖表。在這個圖中，節(jié)點代表車輛在不同歷史時刻的位姿和運動參數(shù)，而連接節(jié)點的邊（即因子）則代表各種傳感器提供的觀測約束。

簡單理解下，IMU因子連接著相鄰的時間節(jié)點，代表運動的連續(xù)性；GNSS因子為特定節(jié)點提供全球坐標約束；SLAM因子則通過匹配環(huán)境特征建立起不同時刻節(jié)點間的相對位置聯(lián)系。

FGO的工作過程就像是解一個多約束的最優(yōu)方案，它會在一個滑動窗口內(nèi)，同時對過去幾秒鐘甚至更長時間內(nèi)的所有位姿進行迭代優(yōu)化，尋找一個能讓所有傳感器觀測“矛盾最小”的最優(yōu)路徑。

這種“滑動窗口”加“多次迭代”的機制賦予了系統(tǒng)極強的魯棒性。當系統(tǒng)在窗口內(nèi)發(fā)現(xiàn)某一幀GNSS觀測與IMU及雷達的推算結(jié)果嚴重不符時，它并不會盲目跟隨這個錯誤觀測，而是可以通過魯棒核函數(shù)（Robust Kernels）有效地降低這個“離群點”的權(quán)重，甚至將其徹底剔除，從而確保整體軌跡的平穩(wěn)。

為了實現(xiàn)高效的因子圖優(yōu)化，有技術(shù)引入了“預(yù)積分”（Pre-integration）技術(shù)。由于IMU的數(shù)據(jù)頻率極高（通常在100Hz至400Hz之間），如果將每一幀IMU數(shù)據(jù)都作為因子加入圖中，計算量將呈指數(shù)級增長。

預(yù)積分技術(shù)巧妙地將兩個關(guān)鍵幀之間的大量IMU原始觀測合并成一個相對位移和旋轉(zhuǎn)增量，并計算出相應(yīng)的誤差傳遞矩陣。

這不僅保證了數(shù)學(xué)上的嚴謹性，還讓高頻率的慣性數(shù)據(jù)能夠與低頻率的GNSS（1Hz至10Hz）和SLAM（10Hz至20Hz）觀測完美契合，使得系統(tǒng)能夠?qū)崟r輸出厘米級的位姿信息。

場景適應(yīng)性與城市環(huán)境下的穩(wěn)定性評估

高精定位系統(tǒng)的穩(wěn)定性不僅取決于算法本身，更取決于對特定城市工況的深度適配。在長達數(shù)公里的海底隧道或地下環(huán)路中，GNSS信號會完全“靜默”，此時定位系統(tǒng)將進入純里程計模式。

為了防止在此期間產(chǎn)生不可控的漂移，有些技術(shù)方案中引入了高精度地圖（HD Map）匹配技術(shù)。高精度地圖不僅僅是導(dǎo)航坐標的集合，更包含了車道線的曲率、紅綠燈的精確位置、甚至是路緣石的三維輪廓等城市環(huán)境的精細語義信息。

車輛通過激光雷達實時掃描到的周圍輪廓與地圖中的先驗信息進行“二次對齊”，這就像是在黑暗中摸索時找到了固定的扶手，能夠瞬間消除掉IMU累積的誤差，實現(xiàn)長時間、長距離的零漂移定位。

在應(yīng)對動態(tài)交通流方面，城市環(huán)境同樣充滿了不確定性。當車輛周圍被多輛大型公交車或卡車環(huán)繞時，SLAM算法提取到的很多特征點實際上是移動的。如果系統(tǒng)誤將這些動態(tài)點當作靜止參考，定位就會隨之偏離。

因此，先進的融合系統(tǒng)會結(jié)合深度學(xué)習(xí)模型進行語義過濾，在算法層面自動屏蔽掉圖像或點云中屬于行人、車輛等動態(tài)物體的部分，只鎖定路牌、建筑和電線桿等永恒的地理特征進行解算。

評估系統(tǒng)在城市環(huán)境中的魯棒性，需要通過一系列嚴苛的指標，其中包括均方根誤差、系統(tǒng)可用性以及完整性。

均方根誤差反映了定位結(jié)果在長時間序列下的平均精準度；可用性則衡量在99.9%甚至更高的運行時間內(nèi)，定位精度能否始終維持在安全閾值（如車道線居中要求的20厘米）以內(nèi)。

在實際的城市路測中，一個設(shè)計良好的緊耦合融合系統(tǒng)在面臨隧道出入口的劇烈光照變化、高架橋下的衛(wèi)星遮擋以及繁忙路口的多路徑干擾時，仍能保持極為平滑的軌跡輸出。這種穩(wěn)定性不僅降低了后續(xù)感知與規(guī)劃模塊的負擔，更為自動駕駛的決策提供了最高級別的心理“安全墊”。

最后的話

GNSS/IMU組合定位在城市環(huán)境中的魯棒性問題，實質(zhì)上是不同傳感物理特性與復(fù)雜環(huán)境特征之間的博弈。通過引入激光雷達與視覺SLAM作為運動補償，并利用緊耦合的因子圖優(yōu)化框架進行多維約束，已經(jīng)能夠讓自動駕駛車輛在大多數(shù)城市工況下表現(xiàn)得像資深老司機一樣淡定自如。

技術(shù)的演進從未停步，未來的城市定位系統(tǒng)或?qū)⑸疃葥肀�AI，通過神經(jīng)網(wǎng)絡(luò)自適應(yīng)地調(diào)整不同傳感器的權(quán)重，甚至在惡劣天氣下模擬人類的視覺記憶進行定位。

-- END --

       原文標題 : 城市復(fù)雜環(huán)境下自動駕駛定位失準如何解？