城市复杂环境下自动驾驶定位失准如何解？
自动驾驶车辆不仅需要识别周围障碍物，还必须持续掌握自身在道路上的精确位置，包括与道路边界的细微偏差。然而，在现实城市街道中，实现高鲁棒性、高频率、厘米级精度的定位，是一项高度复杂的系统工程。
全球导航卫星系统（GNSS）和惯性测量单元（IMU）构成了定位系统的核心框架，但它们在面对城市峡谷、隧道、高架桥等复杂环境时，往往表现出明显的性能下降。这引出了一个关键问题：如何在城市复杂环境下提升定位精度与可靠性？
城市环境对基础定位传感器的挑战与局限分析
GNSS在提供绝对地理坐标准确性方面具有天然优势，其原理依赖于卫星与接收机之间距离的测量。然而，在城市中心区域，信号容易受到多路径效应（Multipath）和非视距接收（NLOS）的影响。
当卫星信号在抵达车载接收机前，经过建筑物玻璃幕墙、地面或其他表面反射后，捕获的信号路径往往长于实际直线距离。这种情况可能导致伪距观测出现数米甚至数十米的偏差。
在建筑物遮挡严重的街道中，卫星信号可能完全被遮挡，仅接收反射信号，致使定位结果剧烈跳变，甚至完全失效。同时，可见卫星数量可能骤降至不足四颗，无法满足标准定位的基本要求。
为应对GNSS信号波动，惯性测量单元（IMU）被引入系统。IMU通过加速度计和陀螺仪感知车辆的加速度和角速度，其优势在于完全自主，无需依赖外部信号，且数据输出频率高。
但IMU本质上是积分系统，位置和姿态信息是通过对加速度和角速度进行积分得出的，这使其容易累积误差。IMU传感器中存在偏置不稳定性、轴偏斜、随机游走等误差项。
即便车辆处于静止状态，IMU的微小输出偏差也会随着时间推移不断积累，导致位置估算快速漂移。以MEMS级别的IMU为例，若没有外部校正信号，其定位误差在一分钟内可能达到数十米，这对于厘米级定位要求的自动驾驶系统而言，显然是不可接受的。
城市环境的复杂性还体现在气候与光照条件的多变性。在隧道或高架桥下方，GNSS信号完全中断，定位系统只能依靠车辆内部传感器。
在暴雨、大雾或降雪等恶劣天气中，激光雷达的红外脉冲容易被空气中的微粒散射，导致点云数据中出现大量噪声和误检。
视觉传感器在强光直射、夜晚低照度或面对单调背景时，难以提取有效纹理特征，从而造成特征跟踪失败。
SLAM算法的介入与多源信息融合的技术演进
在单一传感器难以满足定位精度需求的情况下，融合激光雷达SLAM（LIO）和视觉SLAM（VIO）成为提升系统鲁棒性的有效手段。
SLAM算法的核心理念是通过识别环境特征来估算自身位姿变化。激光雷达通过发射与接收激光束，实时构建车辆周围三维点云地图。在SLAM处理中，当前帧点云通常与历史地图进行几何匹配（如ICP或NDT算法），从而推导出车辆的相对位移。
在GNSS信号失能的隧道或地下车库中，激光雷达依靠周围固定的墙面、立柱等结构，能够提供稳定的运动约束，显著减缓IMU漂移。视觉SLAM则利用图像中的特征点（如路标、建筑物轮廓）进行位姿估计，在几何信息较少的道路上具有良好的补充作用。
多传感器融合技术正从松耦合向紧耦合演进。松耦合系统将GNSS、SLAM和IMU的输出分别作为独立输入，在卡尔曼滤波器中进行融合。
尽管计算负担较轻且逻辑清晰，但在城市复杂环境下，松耦合仍存在明显缺陷。例如，当可见卫星数不足四颗时，GNSS解算器可能直接退出，此时松耦合系统无法利用剩余卫星数据。
紧耦合方案则将各传感器原始观测数据（如GNSS伪距、多普勒频率、激光雷达点坐标、IMU高频信号等）统一纳入一个数学优化框架，实现联合求解。
在这种框架下，即便卫星数量极少，系统仍能结合激光雷达的环境约束与IMU的运动先验，对车辆位姿进行有效估计，大幅缩短信号盲区。
更进一步的“深耦合”技术甚至介入GNSS接收机的信号跟踪环路，通过IMU检测的瞬时速度变化辅助载波跟踪，提高在复杂环境中的信号锁定能力。
因子图优化，构建抗干扰的鲁棒估计框架
在融合定位的数学建模中，因子图优化（Factor Graph Optimization, FGO）正逐步取代扩展卡尔曼滤波（EKF），成为支撑自动驾驶定位系统的核心方法。
EKF作为一种递归算法，其核心弱点在于“健忘”——它仅保留前一时刻状态，难以利用历史数据进行修正。在城市环境中，若某一帧GNSS误将反射信号当作真实值，EKF将迅速产生巨大误差，且难以恢复。
因子图优化将定位问题建模为一个全局优化图模型。图中的节点表示不同时刻的车辆位姿与运动状态，边（因子）则表示传感器观测约束。
具体而言，IMU因子连接相邻时间点，代表运动连续性；GNSS因子提供全球坐标约束；SLAM因子则通过环境特征匹配，建立不同时间点之间的相对关系。
FGO的过程类似于寻找一个满足所有观测约束的最优路径。系统在滑动窗口内，同时优化过去几秒内的所有位姿，寻找一个使所有传感器观测矛盾最小的解。
“滑动窗口+多次迭代”的机制赋予系统极高的鲁棒性。当某一帧GNSS观测与IMU和SLAM结果明显不符时，系统不会盲目跟随，而是通过鲁棒核函数有效降低该点的权重，甚至将其剔除，从而保证轨迹的平稳。
为提高计算效率，预积分技术被引入因子图优化中。由于IMU采样频率高达100Hz至400Hz，若将每个采样点单独作为因子，计算量将急剧上升。
预积分将两个关键帧之间的IMU数据整合为一个位姿变化增量，并计算相应的误差传递矩阵。这不仅保持了数学一致性，也让高频IMU数据与低频GNSS和SLAM数据自然融合，从而实现实时厘米级位姿估计。
场景适应性与城市环境下的稳定性评估
高精度定位系统的稳定性不仅依赖于算法本身，还取决于对城市特定工况的深度适配。在海底隧道或地下环路中，GNSS信号完全消失，系统将依赖纯里程计模式。
为防止漂移，部分方案引入了高精度地图（HD Map）匹配技术。HD Map不仅包含车道线、红绿灯等导航信息，还涵盖道路轮廓等语义信息。车辆通过激光雷达扫描与地图对齐，从而消除IMU累积误差，实现长距离零漂移定位。
在动态交通流中，城市环境的不确定性同样显著。当车辆周围存在大型公交或卡车时，SLAM提取的特征点中可能包含移动物体。如果系统误判这些点为静态参考，定位结果将出现偏差。
为解决这一问题，先进系统引入深度学习模型进行语义过滤，自动屏蔽图像或点云中属于行人、车辆等动态物体的特征，仅保留路标、建筑等静态地理特征。
评估系统在城市环境中的性能需依据多个关键指标，包括均方根误差、系统可用性与完整性。
均方根误差反映定位结果的平均精度；可用性衡量系统在绝大多数运行时间内，能否维持在安全阈值（如车道居中要求的20厘米）内。
在实际城市路测中，一个设计良好的紧耦合融合系统即便在隧道出入口的剧烈光照变化、高架桥下的卫星遮挡、繁忙路口的多路径干扰等复杂条件下，依然能够保持高度平滑的轨迹输出。这种稳定性不仅降低了后续感知与规划模块的负担，也为自动驾驶决策提供了坚实保障。
结语
GNSS/IMU组合在城市环境中的鲁棒性问题，本质上是传感器物理特性与环境复杂性之间的博弈。通过引入LIO和VIO，结合紧耦合因子图优化框架，当前的自动驾驶车辆在多数城市场景中已能实现稳定可靠的定位。
未来，随着AI的深度应用，定位系统或将具备自适应调整传感器权重的能力，甚至在恶劣天气下模拟人类视觉记忆进行定位。
-- END --
原文标题 : 城市复杂环境下自动驾驶定位失准如何解？