全局定位与局部定位在自动驾驶中的协同作用
自动驾驶车辆不仅需要了解自己所处的街道，还需掌握具体车道位置、车辆朝向以及与周围物体的距离。只有在拥有精确的定位信息前提下，自动驾驶系统才能做出合理决策，执行诸如变道、转向或避让等关键操作。
在自动驾驶领域，定位系统通常被划分为两种类型：全局定位和局部定位。这两种定位方式各司其职，相互补充，共同构建出完整的车辆位置感知体系。
全局定位：提供车辆在地球上的绝对位置
全局定位的核心在于为车辆提供一个基于地球坐标系的绝对位置信息，其参考标准通常来自全球导航卫星系统（GNSS），例如美国的GPS、中国的北斗、欧盟的伽利略等。
该类型定位输出的坐标通常包含经度、纬度和海拔，用于精确定位车辆在地球上的位置。例如，在北京市朝阳区的某十字路口，借助高精度GNSS与实时动态定位（RTK）技术，定位精度可达到厘米级。
全局定位的最大优势在于其不依赖于车辆的行驶历史或系统内部估计，而是直接从外部系统获取位置信息。这意味着，只要卫星信号稳定，车辆即可实时获取其地理坐标。
该技术为导航路径规划和车辆控制系统提供基础数据，使自动驾驶系统能够在宏观地图上准确定位自身。同时，它还具备全球一致性和无需累积计算的优点。
然而，全局定位也存在一定局限。在隧道、高楼密集区域或树木遮挡严重的地方，卫星信号易受干扰，导致精度下降甚至失灵。即使在开阔区域，GNSS也可能因信号噪声产生几米至十几米的误差，难以满足自动驾驶对高精度的要求。因此，仅依赖GNSS无法实现可靠定位，通常需与其他技术结合。
局部定位：捕捉车辆在局部环境中的精确位置
当车辆行驶在复杂环境中时，全局定位提供的绝对坐标往往不足以满足高精度控制的需求，这就需要局部定位发挥关键作用。
局部定位主要依靠车载传感器（如激光雷达、视觉相机、IMU等）感知周围环境，并将感知数据与高清地图或历史模型进行匹配，以计算出车辆在局部坐标系下的位置。
该方式强调短距离、高精度和连续性。在自动驾驶系统中，常见的技术包括视觉里程计（Visual Odometry）、激光里程计（Lidar Odometry）以及同时定位与地图构建（SLAM）。
例如，当车辆进入隧道，GNSS信号可能完全失效，此时激光雷达会扫描环境并匹配高精度地图，从而估算车辆的移动轨迹。视觉定位也采用类似机制，通过识别道路标志、路缘和建筑物等视觉特征，并结合IMU数据，实现精确的局部定位。
局部定位的另一个优势是其连续性。只要传感器系统正常运行，它可以持续提供车辆的相对位置变化，尤其适用于高速行驶中的横向和纵向控制。
然而，局部定位本质上是一种相对定位方式，其位置估计依赖于初始状态。如果仅依赖局部定位，误差会随着时间累积，最终导致定位漂移。因此，该技术需定期与全局定位或固定地标校准，以保持长期准确性。
融合定位：实现全局与局部优势互补
全局定位与局部定位各具特点，也各有局限。为实现自动驾驶的全球导航与局部精准控制，两者通常需要通过融合技术结合使用。
融合定位一般采用扩展卡尔曼滤波（EKF）或优化算法等状态估计方法，将全局的绝对位置信息与局部的高精度相对位置信息相结合，从而既保留全局定位的稳定性，又具备局部定位的高精度和实时性。
融合方式多种多样。例如，在GNSS信号良好的环境下，车辆首先依赖全局定位获取粗略坐标，再由局部定位细化位置；而在信号丢失区域，局部定位作为主要手段维持定位连续性，待信号恢复后再重新对齐。
此外，还可以通过图优化等方法，将局部定位结果实时嵌入全局坐标系，提升整个系统的鲁棒性和一致性。
应用场景与技术挑战
从实际部署角度看，全局与局部定位的协作对自动驾驶系统至关重要。在不同道路环境中，二者的作用权重各有差异。
在开阔区域或高速公路，GNSS信号稳定，全局定位发挥主导作用，而局部定位用于提升车道级精度。而在城市中心、隧道或地下停车场等复杂环境中，局部定位则成为主要依赖。
与此同时，该领域仍面临诸多技术挑战。局部定位在光照变化或遮挡严重情况下易失效，而GNSS在信号盲区同样难以依赖。这就要求定位系统具备多传感器融合能力，并支持智能环境识别与自适应调整。
构建和维护高精度地图、处理动态目标干扰、优化定位算法等，都是推动自动驾驶技术落地的关键问题。
定位系统的核心价值
全局定位与局部定位共同构成了自动驾驶系统的核心定位能力。前者提供宏观尺度的绝对坐标，使车辆能够在全球范围内准确定位；后者则在微观尺度上提供高精度、连续的位置信息，支持实时控制。
二者的融合是实现自动驾驶车辆既具备全局导航能力，又能精确操控的关键。构建稳定、可靠的定位系统，是推动自动驾驶走向成熟与普及的重要技术基石。