[首發于智駕最前沿微信公眾號]精準定位是自動駕駛得以實現的核心技術之一。自動駕駛汽車需要準確了解自身在道路上的位置，才能安全地規劃路徑、保持車道、避讓障礙。常見的定位技術包括全球導航衛星系統（GNSS，如GPS/北斗）、慣性測量單元（IMU）、激光雷達（LiDAR）、攝像頭（視覺SLAM）以及高精地圖匹配等。每種技術各有優劣，GNSS能提供全球坐標但在隧道或山區容易信號丟失，IMU不依賴外界信號但會隨時間累積誤差，激光雷達和視覺SLAM能實時感知環境但對光照和環境紋理敏感。

想要真正實現自動駕駛，就要求自動駕駛汽車可以在各種交通環境下靈活應對，但在很多交通場景中，會出現隧道、山區等場景，這些地方衛星信號若，且有路況會被遮擋，這時應如何讓自動駕駛汽車實現厘米級定位？今天智駕最前沿就帶大家聊聊這個話題。

自動駕駛常見定位技術解析

1）GNSS/衛星定位：優勢與局限

GNSS（
GlobalNavigationSatelliteSystem）包括GPS、北斗、伽利略等多國衛星導航系統。它通過接收至少4顆衛星信號，計算出車輛的經緯度和高度。其優點是提供全球覆蓋的絕對定位，一般能給出米級甚至更高精度的位置。為了提高精度，通常會使用實時動態差分（RTK）或精密單點定位（PPP）等增強技術，將定位精度提升到分米甚至厘米級。例如，雙頻RTK在95%置信度下橫向誤差可達0.2米以內，而單頻僅為0.4米。此外，多星座（同時接收GPS、北斗等信號）和雙頻設計可以減少電離層和多路徑誤差，將進一步提高可靠性。

對于自動駕駛需求來說，GNSS其實有明顯局限，它依賴衛星信號傳輸，在信號被阻擋或反射的環境中會出大問題。比如在隧道、地下車庫、森林茂密的山區峽谷中，衛星信號經常被遮擋或多路徑反射。有測試發現，當車輛穿越高樓林立、立交橋或隧道等區域時，直接路徑信號經常被遮擋，接收機只能接收到反射信號，導致定位誤差明顯增加。此外，GNSS還受制于大氣電離層、衛星鐘差和接收機噪聲等誤差源，這些誤差雖可通過雙頻或差分技術緩解，但在連續遮擋區一旦信號中斷，GNSS定位將完全失效。實際駕駛場景中，如果定位精度要求達到10厘米級別（安全過彎和車道級控制所需），一旦GNSS丟失，系統的定位性能就會急劇下降。如在10公里長的隧道中，若僅靠視覺里程計系統，其定位誤差可能累計到2.3米（超過一般車道寬度的一半），表明傳統GPS方案在此類場景下并不能滿足精度要求。

為應對這些問題，常用的做法是增強型GNSS與輔助信號結合，如使用地基RTK網絡或衛星增強信號（PPP-RTK）來提高精度；還有提議通過低軌衛星（如星鏈）發射增強信號。需要了解的是，低軌衛星本身并不直接提升定位精度，但它們可以在半遮擋區域內增加可見衛星數目。例如，在高架橋下或靠近建筑物的區域，通過低軌衛星發送的導航信號可以讓接收器“看到”足夠多的衛星，從而增強導航可靠性，即使單顆衛星的精度沒有改變，但重疊的定位可以讓定位更加準確。另外，傳統蜂窩網絡（如5G/6G基站）和未來的衛星互聯網也有望通過信號覆蓋來輔助定位。

2）慣性導航（IMU）和里程計

當GNSS不可用時，車輛還可以利用慣性導航進行短時間的定位補償。IMU（慣性測量單元）由加速度計和陀螺儀組成，能夠測量車輛在三個軸向的加速度和旋轉角速度。IMU更新頻率很高（通常可達100–200Hz），能在GNSS定位更新間隔（10Hz左右）“接力”估算車輛的位移。通常的做法是將IMU讀數進行積分，獲得車輛的速度和位置增量，這種方法稱為慣性航位推算（DeadReckoning）。在GNSS丟失時，車輛可以根據最近的速度和加速度推算短時間內的位置變化。

IMU的優點是，不依賴外部信號，可在隧道或地下等任何環境下連續輸出數據；更新頻率高，可捕捉高速運動的短時動態。很多技術方案中，會將IMU和GNSS視為“黃金搭檔”，GNSS可以修正IMU的累計漂移誤差，IMU則可以在GNSS信號不穩定時保持短期位置連續。因此，大部分自動駕駛系統都采用GNSS+IMU組合導航，通過濾波算法融合兩者數據。

但IMU也有固有缺陷，那就是隨著時間推移，它輸出的速度和位置誤差會持續累積。高精度IMU昂貴，低成本IMU誤差更大。衡量IMU累積誤差常用的方法是在GNSS信號完全丟失的情況下，讓車輛勻速行駛1000米，然后看推算值與真實值的偏差。實測中，這個誤差通常在千分之一到千分之五（1σ）之間。這意味著，如果車輛行駛1公里，縱向漂移可能達到數米（如下述案例），長距離推算精度會迅速下降。因此，純靠IMU/里程計在隧道或山區行駛超過幾百米，就需要其他定位方式來修正誤差。

3）激光雷達（LiDAR）與視覺SLAM

為了在GNSS失效時依然精確定位，自動駕駛系統常利用外部環境特征。激光雷達（LiDAR）是一種通過發射激光束測距的傳感器，能夠生成高密度的三維點云。LiDAR的優勢在于它自帶光源（激光），能在夜間或光線差的環境下探測到周圍障礙物和道路邊界。有測試發現，LiDAR在昏暗環境或隧道出入口場景效果顯著優于普通攝像頭，因為它給出了穩定的光源和精確的距離信息；理想汽車CEO李想也曾公開指出，保留激光雷達是出于安全考量，而非技術不足。

LiDAR的另一大應用是點云地圖匹配，自動駕駛公司通常會事先利用高精度LiDAR對道路環境進行掃描，構建高清地圖。當車輛行駛時，再用實時LiDAR掃描結果與地圖對齊定位。常用的算法有ICP（迭代最近點）和NDT（正態分布變換）等。通過匹配固定環境特征（如山體邊緣、隧道壁面、隧道入口結構等），車輛能在地圖中“找到”自身位置。這種方法不依賴衛星信號，非常適合隧道、室內或山區道路。

但LiDAR也有不足，它成本高、數據量大。高清點云地圖每秒會產生數百萬個數據點，存儲和處理壓力極大。在實時定位中需要快速匹配大量點云，計算量龐大，可能會影響實時性。如果道路環境相對單調（如長直隧道內壁形狀重復、或茂密森林中少有顯著特征），LiDAR匹配也可能出現困難。

視覺SLAM則利用車載攝像頭（單目、立體或RGB-D）進行特征提取與匹配。視覺SLAM可通過識別道路標志、車道線、建筑物邊緣等視覺特征來完成定位和建圖。視覺系統優點是成本相對低，分辨率高，還能捕捉顏色信息。在光照良好、景物豐富的場景下，視覺定位效果很好。它的缺點是易受光照和天氣影響：在強光、逆光、夜間、雨雪等情況下，攝像頭圖像質量下降，特征提取難度增大，定位精度顯著降低。當光線劇烈變化時，純視覺系統可能無法正確跟蹤環境，車輛定位可能出現偏差。因此，視覺SLAM往往與其他傳感器（如IMU）共同使用，形成視覺慣導（VIO）系統，以緩解單一視覺漂移。

4）地圖匹配與車道線參考

除了實時傳感器，高精地圖（HD地圖）也是自動駕駛重要的定位輔助。HD地圖記錄了道路如車道線、交通標志、周邊建筑等詳細三維幾何和語義信息，。車輛可以通過地圖匹配（MapMatching）將傳感器捕捉到的路邊線、路緣石、標志物等與地圖上的對應要素對齊，獲取精確位置。在隧道中，如果地圖中標注了隧道入口的位置和形態，車輛進入隧道后，LiDAR或視覺系統檢測到隧道口結構，就可以匹配定位。

HD地圖的使用可以顯著提高定位精度，但也有很多的問題需要解決，制作和維護高精地圖成本高，需要頻繁更新；同時地圖數據量極大，加載和查詢都需強大算力。為此，有方案提出分塊加載或車輛—基礎設施（V2I）共享地圖等方式，減少車載處理壓力。高精地圖是自動駕駛中重要的先驗信息源，但在無地圖區域就要依賴純SLAM技術。

隧道與山區的定位挑戰

隧道、山區等復雜環境對自動駕駛定位提出了獨特挑戰。隧道內完全屏蔽了衛星信號，必須依賴車載傳感器進行閉環定位。如果使用激光雷達/視覺建圖與車道線參考，當隧道入口和出口被識別時，可以部分校正定位誤差。但若隧道內道路結構單一、車道線不明顯、或車輛之間擁堵形成復雜交通環境，則SLAM匹配難度增大。實測表明，當隧道內車道線識別正常時，車輛定位效果可以滿足安全要求；但如果車道線丟失而推算里程超過約400米，橫向誤差可能超過0.78米，不滿足高速輔助駕駛要求。此外，隧道內連續數百米全靠慣性推算，出隧道后縱向誤差可能累計到米級（如1公里隧道+1公里隧道外，縱向誤差可能達3米，99.7%置信度下）。這意味著，僅靠IMU+車速計的融合，在長隧道下定位很快會偏離實際車道，需要采取特殊措施。

山區道路雖然不完全遮擋天空，但山體、峽谷和森林也會造成衛星信號多路徑和間歇性丟失。加之山區道路往往彎道多、起伏大，IMU的坡度和橫滾測量更加重要，同時周圍景物較復雜，也給視覺SLAM帶來機遇（豐富特征）和挑戰（樹影、積雪等變化多）。山區定位與城市高速類似，也需要多傳感器配合：充分利用車道標線、道路邊緣、隧道和橋梁結構、路邊樹木等環境特征，與地圖匹配，同時通過IMU短期慣性推算，實現連續定位。

典型實踐與解決方案

1）車道線與視覺輔助

一些廠商會在高速公路隧道內施工特定的車道線或RFID標識，幫助車輛定位。有研究表明，只要隧道內部車道線正常可見，車輛就能順利通過1公里長隧道；即便車道線中斷，只要里程低于400米，也可通過高精IMU+輪速組合保持車道內0.8米誤差以內。

2）隧道地圖SLAM

高頻出入同一隧道的車隊（如公交或校車）會提前測繪隧道內部3D點云，建立隧道內部地圖。進入隧道前將該地圖下載到車上，隧道內利用LiDAR點云匹配保持定位。當駛出隧道恢復GNSS時，再用衛星信號更新全局位置。

3）高精地圖支持

百度Apollo、Pony.ai等中國自動駕駛項目，都依賴于詳盡的高精地圖。在高架橋和山路交界或隧道入口前后，這些系統通過地圖和傳感器同時定位。當車輛駛出隧道后，它會首先識別入口處的特征（標志、燈光），立即將當前相對位置“鎖”到地圖上，從而校正經過隧道內的漂移。這樣，高精地圖匹配成為重要校準手段。

4）激光雷達和毫米波雷達使用

越高級別的自動駕駛功能，對雷達和激光雷達的依賴越高。統計顯示，在L2以上的駕駛系統中，激光雷達的配備率超過60%，城市NOA場景更接近100%。有很多技術方案中都提出，夜間或復雜環境下需要保留LiDAR以保證感知安全。而毫米波雷達則可在煙霧和塵土天氣下穿透率較高，用于長期穩定的目標跟蹤，也是隧道場景常用的輔助傳感器。

5）多連走冗余定位

國外如Waymo也采用多模態冗余定位，它在部分隧道或地下環路布置慣性導航地標，與高精地圖聯合使用，雖然細節不公開，但思路和上述類似。特斯拉暫時只用視覺+GPS定位，因而在中國高速隧道測試中定位誤差被網友曝出高達2.3米，后續據報道稱特斯拉已與百度合作將HD地圖等信息融入FSD系統中，這或將改進隧道定位不精準的情況。

未來趨勢展望

1）低軌衛星定位

如前所述，LEO衛星（如SpaceX星鏈或國內低軌星座）可擴展衛星覆蓋范圍。華為預計，到6G時代通過地面網絡和非地面網絡一體化，可將定位精度從米級提升到厘米級。雖然單個低軌衛星本身不直接提高精度，但它們可播發增強信號，尤其在半遮擋區域增加可用衛星，理論上輔助GNSS達到更高的可用性。

2）6G與V2X輔助

未來6G網絡可能內置定位能力（如側邊通信單元做超寬帶定位），并通過車—車、車—基站協作感知（C-V2X）來增強定位精度。有研究提到“6G交通”將融合通信和感知，利用實時大帶寬低延遲網絡讓汽車間交換地圖、位置信息，提高在復雜環境下的安全冗余定位。

3）智能傳感器升級

高性能IMU（如光纖陀螺）和新型視覺雷達（融合毫米波與攝像的傳感器）、量子陀螺等也在研發中，未來可能進一步減小慣性漂移或增加環境特征感知。同時，人工智能技術在SLAM中的應用也越來越成熟，能更靈活地處理隧道與山區特殊景象。

4）云端與邊緣計算

自動駕駛車輛可實時向邊緣服務器傳輸環境數據，讓云端的高性能計算資源參與定位與建圖。即使GNSS信號差，云端服務器憑借遠端觀測與歷史數據也許能幫助車輛校正位置。如邊緣基站記錄的環境雷達回波和歷史車流信息都可作為定位輔助。

總之，隧道和山區定位是自動駕駛的“硬骨頭”。目前已有多種方案互補，短時過度靠IMU死算，利用LiDAR/視覺進行局部SLAM，與高精地圖匹配校正，最終融合所有傳感器輸出最優解。未來，隨著衛星導航網絡升級和通信技術發展，相信自動駕駛車輛在隧道、山區等弱信號環境中的定位精度將進一步提升，為高等級自動駕駛的安全運行保駕護航。

審核編輯 黃宇