城市复杂环境中自动驾驶定位失准的应对之道
尽管全球导航卫星系统（GNSS）与惯性测量单元（IMU）构成了定位系统的基础架构，但在高楼林立的城市峡谷、深邃隧道以及密集的立交桥环境中，它们的性能往往显著下降。如何在这些复杂场景中提升定位精度，成为自动驾驶系统亟待解决的问题。
城市环境对基础定位传感器带来的挑战
GNSS在提供绝对地理定位方面具有天然优势，其原理基于卫星信号与接收机之间的距离测量。然而，在城市中心，电磁波传播容易受到建筑物的遮挡与反射，引发多路径效应（Multipath）和非视距接收（NLOS）。
卫星信号在到达车载接收机前，可能经过玻璃幕墙、地面或其他反射面多次折射，导致伪距观测出现几米甚至数十米的误差。当直接视距完全被遮挡时，系统接收到的信号可能仅来自反射路径，从而引发剧烈的定位跳变，甚至完全失效。
在一些狭窄街道中，可视卫星数量可能在短时间内由十几颗骤降至三颗以下，无法满足基本定位所需的最小观测条件。
IMU通过加速度计与陀螺仪测量车辆的运动状态，具备完全自主性和高输出频率。但其本质上是一个积分系统，误差会随着时间不断累积，尤其是在没有外部校正信号的情况下，MEMS级别的IMU可能在一分钟内产生数十米的定位偏差，这在需要厘米级精度的自动驾驶系统中难以接受。
SLAM算法的应用与多源融合的演进
为克服单一传感器的局限，激光雷达SLAM（LIO）与视觉SLAM（VIO）算法被引入，以增强系统的鲁棒性。
SLAM通过感知环境特征来推算自身位姿。激光雷达利用反射回波构建周围环境的三维点云，在SLAM过程中，算法将当前点云与历史地图进行几何匹配（如ICP或NDT），以计算车辆的位移。
在信号中断的隧道或地下停车场，激光雷达能够借助固定结构提供稳定约束，减缓IMU误差累积。而VIO则利用图像中的特征点（如路牌或建筑轮廓）进行位姿估计，在缺乏特征的环境中具备一定补充作用。
从松耦合到紧耦合的融合演进
早期的松耦合方案将GNSS、SLAM与IMU的数据分别处理，并在卡尔曼滤波中进行融合。这种方式虽计算量低，但在卫星数量不足时表现欠佳。
紧耦合方案则突破传感器边界，直接处理原始观测数据，如GNSS的伪距、激光雷达的点云与IMU的高频信号等，并在统一框架下进行联合优化。这种策略即使在仅有两颗卫星可用的情况下，也能结合IMU与SLAM数据对位姿进行有效约束，缩短信号盲区。
更进一步的“深耦合”技术可深入GNSS接收机内部，利用IMU数据辅助载波跟踪，增强在复杂环境中的信号锁定能力。
因子图优化与鲁棒估计框架的构建
因子图优化（FGO）正在逐步取代传统的扩展卡尔曼滤波（EKF），成为融合定位系统的核心求解方法。
与EKF仅依赖前一状态更新不同，FGO将定位建模为一个图结构，节点代表车辆位姿，边表示传感器约束。IMU因子体现时间连续性，GNSS因子提供全球坐标约束，SLAM因子通过特征匹配建立相对位姿。
FGO在滑动窗口内同时优化多个历史帧，寻找最符合所有观测的最优轨迹。通过鲁棒核函数处理异常观测，系统能够有效避免单帧误差对整体轨迹的干扰。
为提高计算效率，预积分技术被引入，将高频IMU数据合并为相对位移与旋转增量，并构建误差传递模型，使IMU与低频GNSS、SLAM数据在统一框架下高效融合。
城市环境下的稳定性与适应性评估
定位系统的稳定性不仅依赖算法，还需适应具体城市工况。在无信号的隧道或地下环路中，系统将依赖纯里程计运行，容易产生漂移。
为此，高精度地图匹配技术被引入，通过激光雷达实时扫描与地图先验进行对齐，消除IMU误差，实现长时间零漂移。
在动态交通场景下，如多车环绕，SLAM算法可能误将移动物体识别为静止参考，影响定位精度。因此，先进的融合系统结合深度学习模型，自动过滤动态目标，只使用永久性地理特征。
系统鲁棒性评估通常包含均方根误差、可用性与完整性等关键指标。在实际城市测试中，优秀的紧耦合系统能够在隧道出入口、高架桥下及繁忙路口等复杂场景中，输出高度平稳的轨迹，为自动驾驶提供坚实的安全保障。