本文目录导读：
自动驾驶的定位方案通常采用多传感器融合策略，因为没有任何单一传感器能在所有场景下满足L3级以上（L2+及以上）的高精度、高可靠性要求。
主流的定位方案可以分为三大类，实际量产车通常是将这三类方案进行深度融合：
卫惯组合导航
这是目前绝对定位的基础，也是所有方案中覆盖范围最广的。
- 核心组成：GNSS（全球导航卫星系统，如GPS/北斗）+ IMU（惯性测量单元）。
- 工作原理：
- GNSS 提供全球绝对位置（经纬度），但更新频率低（10Hz左右），且在隧道、高楼峡谷、地下车库容易失锁或产生多径效应（信号反射导致误差）。
- IMU 提供高频（100Hz-200Hz）的加速度和角速度，通过积分推算相对位移，但存在漂移问题（时间越长误差越大）。
- 组合方式（RTK + INS）：通过RTK（实时动态载波相位差分）技术将GNSS精度提升到厘米级，再用IMU填补GNSS信号丢失时的空隙，当GNSS短暂丢失时，系统依赖IMU推算；当GNSS恢复时，校准IMU的漂移。
- 痛点：依赖卫星信号，无法在室内或深隧道独立工作。
环境特征匹配定位
这是实现车道级定位的核心，解决“我在本车道的具体横向位置”的问题。
主要分为两种技术路线：
A. 激光雷达定位（LiDAR SLAM）
- 原理：实时扫描车辆周围3D点云，与预先制作的高精地图（点云地图）进行实时匹配（如NICP、NDT算法），计算出车辆的精确位姿（位置+姿态）。
- 优势：精度极高（可达厘米级），抗光照干扰能力强（白天黑夜都一样）。
- 劣势：成本高，在空旷无结构物（如大草原）或暴雨、浓雾天气下（物理遮挡和噪声）性能会下降。
B. 视觉定位（Visual SLAM）
- 原理：采用多目相机拍摄图像，提取车道线、路沿、交通标志牌等语义特征，与高精地图中的矢量特征进行匹配。
- 优势：传感器（摄像头）成本低廉，且能直接识别语义信息（如车道线类型）。
- 劣势：高度依赖光照和天气（逆光、黑夜、无车道线或积雪覆盖时容易失效）。
车路协同与临时参考
这是弥补上述方案在特定场景（如室内、地下）失效的补充。
- 原理：利用路侧单元（RSU，即Road Side Unit）或铺设在车道的磁钉、UWB（超宽带）标签等设施，发送精确位置信息给车辆。
- 应用场景：主要用于地下停车场（AVP，即自主代客泊车）或特定园区，因为卫星信号无法覆盖且高精地图未生成。
核心算法：多传感器融合（卡尔曼滤波/因子图）
在实际的域控制器（计算平台）中，以上的传感器数据会进入融合定位引擎，通常采用误差卡尔曼滤波（EKF）或因子图优化进行解算。
- 过程：GNSS提供低频绝对位置修正 → IMU提供高频运动预测 → 视觉/激光雷达提供横向约束修正。
- 评价：定位系统通常会输出位置、航向角、速度，并附带不确定度（协方差），如果某个传感器数据与融合结果残差过大，系统会判定该传感器失效，自动降级到其他可靠源。
不同等级车辆的方案分档
| 方案等级 | 典型配置 | 适用场景与精度 | 代表案例 |
|---|---|---|---|
| 低成本方案 （L2+辅助驾驶） | 高精定位RTK + IMU（低精度MEMS）+ 摄像头视觉高精地图 | 高速/城市快速路，横向误差< 30cm | 特斯拉FSD（主要靠视觉）、部分自主品牌 |
| 高阶量产方案 （L3/L4乘用车） | 高精定位RTK + 高精度IMU（光纤陀螺）+ 摄像头 + 毫米波雷达 | 复杂城市道路，误差< 10-20cm | 华为ADS、小鹏XNGP、理想AD Max |
| 高阶Robotaxi方案 （L4无人驾驶） | 高精定位RTK + 高精度IMU + 激光雷达 + 摄像头 + 轮速计 | 全场景（含隧道、极暗环境），冗余度高 | Waymo、百度Apollo、Cruise |
未来发展：视觉与AI的深度融合
目前行业正在向“重感知、轻地图”（或“无图化”）发展，传统的高精地图（依赖激光雷达采集车绘制）更新成本太高，现在更多依赖端到端神经网络，让模型直接从视觉图像中提取“地图要素”（如车道线、路牌），即使没有高精地图，也能结合相对定位实现车道保持，但需要注意的是，“无图”方案在L4级全无人驾驶中尚未成为主流，其主要原因是绝对定位的冗余度依然不够。
现在的自动驾驶最稳妥的方案依然是 “RTK卫星定位（管大方向） + 惯性导航（管姿态秒级更新） + 视觉/激光雷达（管车道横向位置）”，三者互为冗余，缺一不可。
