城市復雜環境下自動駕駛定位失準如何解？

[首發于智駕最前沿微信公眾號]對于自動駕駛車輛而言，不僅需要感知周圍的障礙物，更需要時刻明確自己的精確位置，以及相對于道路邊界的細微偏差。然而，在真實的城市街道中，實現厘米級、高頻率且具備極高魯棒性的定位是一項極其復雜的系統工程。

衛星導航定位技術（GNSS）與慣性導航技術（IMU）雖然構成了定位系統的基礎架構，但它們在面對摩天大樓林立的“城市峽谷”、深邃的隧道以及交錯的立交橋時，會表現出顯著的性能衰減。那如何解決城市復雜環境下定位失準的問題？

城市環境對基礎定位傳感器的挑戰與局限分析

全球衛星導航系統（GNSS）在提供絕對地理位置參考方面具有天然的優勢，其工作原理主要基于衛星到接收機之間的距離測量。但在城市中心區域，這種基于電磁波傳播的測量方式極易受到物理環境的干擾。其問題主要源于多路徑效應（Multipath）和非視距接收（NLOS）。

當衛星信號在到達車載接收機之前，經過高大建筑物的玻璃幕墻、地面或其他反射面的多次折射或反射后，接收機捕獲到的信號路徑會長于真實的直線距離。這種現象會導致偽距觀測產生數米甚至數十米的誤差。

圖片源自：網絡

若當直接視距被建筑完全遮擋，接收機僅收到反射信號，此時定位結果會出現劇烈的跳變，甚至導致定位解算完全失效。在深窄的城市街道中，可見衛星數量可能在短時間內從十余顆銳減至三顆以下，無法滿足標準定位所需的最小觀測條件。

為了彌補衛星信號的波動，慣性測量單元（IMU）被引入系統，其利用加速度計和陀螺儀感知車輛的即時運動狀態。IMU的優勢在于其完全自主性，不需要外部信號，且輸出頻率極高。

然而，IMU本質上是一個積分系統，它通過對加速度和角速度進行二次積分來推算位置和姿態，這種機制導致其存在誤差累積。IMU傳感器存在復雜的誤差分量，其中包括偏置不穩定性、軸偏斜和隨時間增長的隨機游走。

偏置不穩定性意味著即使車輛靜止，IMU輸出的微小偏差也會隨著時間不斷積分，導致位置估算迅速漂移。對于常見的微機電系統（MEMS）級別的IMU，如果沒有外部參考信號進行校正，其推算的位置誤差在一分鐘內就可能達到數十米甚至更多，這對于厘米級定位要求的自動駕駛而言是不可接受的。

圖片源自：網絡

城市環境的復雜性還體現在其多變的氣候與光照條件下。在隧道或高架橋下，衛星信號會被完全切斷，定位系統必須完全依賴車輛的“內感知”能力。

而在暴雨、大霧或降雪等惡劣天氣中，空氣中懸浮的微小顆粒會嚴重散射激光雷達的紅外脈沖，導致點云數據中出現大量噪聲和假陽性障礙物。

視覺傳感器則在強光直射、夜晚低照度或面對單調的白墻時，難以提取到有效的紋理特征，從而導致特征跟蹤失敗。

SLAM算法的介入與多源信息融合的技術演進

面對上述單一傳感器的局限性，融合激光雷達SLAM（LIO）及視覺SLAM（VIO）算法成為了提升系統魯棒性的路徑之一。

SLAM算法的本質是通過感知環境特征來反推自身的位姿變化。激光雷達通過發射激光束并接收反射回波，能夠實時生成車輛周圍三維環境的“點云地圖”。在SLAM過程中，算法會將當前幀的點云與之前的地圖進行幾何匹配（如常用的ICP或NDT算法），從而推算出車輛的相對位移。

在衛星信號失效的隧道或地下停車場，激光雷達可以憑借周圍墻壁、支柱等固定特征，提供非常穩定的運動約束，極大地減緩了IMU的漂移速度。視覺SLAM則利用圖像序列中的特征點（如路牌、建筑輪廓）進行運動估計，其在幾何特征不明顯的平坦道路上具有較好的補充作用。

圖片源自：網絡

在技術實現方案上，多傳感器融合正經歷著從松耦合到緊耦合的跨越。

松耦合方案將GNSS給出的絕對坐標、SLAM給出的相對位移以及IMU的推算結果分別作為獨立的輸入，在卡爾曼濾波器中進行結果級的融合。

雖然這種方式邏輯清晰、計算量小，但在極具挑戰性的城市環境中，它的表現依舊不盡如人意。如當可見衛星不足四顆時，GNSS解算器可能直接報錯退出，此時松耦合系統就無法利用剩余的三顆衛星所包含的信息。

緊耦合方案則完全打破了傳感器之間的邊界，它直接處理每個傳感器的原始觀測數據，如GNSS的偽距和多普勒頻率、激光雷達的原始反射點坐標以及IMU的高頻采樣信號等。

圖片源自：網絡

這些原始數據會被放置在同一個數學優化框架中進行聯合求解。在這種模式下，即使衛星數量極少，哪怕只有兩三顆，系統依然可以結合激光雷達提供的地面約束和IMU提供的運動先驗，對車輛位姿進行有效約束，從而在極大程度上縮短信號盲區的“斷檔期”。

更進一步的“深耦合”（Deep Coupling）技術甚至深入到GNSS接收機的信號跟蹤環路，利用IMU感知到的瞬時速度變化去輔助載波跟蹤環路，從而讓車輛在復雜環境下能夠鎖定衛星信號，有效對抗由于震動或快速運動導致的失鎖問題。

因子圖優化，構建抗干擾的魯棒估計框架

在融合定位的數學求解中，因子圖優化（Factor Graph Optimization, FGO）正在逐漸取代傳統的擴展卡爾曼濾波（EKF），成為支撐自動駕駛定位系統的核心框架。

EKF作為一種基于時間遞歸的方法，其最大的弱點在于“健忘”，它在每個時刻只保留前一刻的狀態，并根據當前觀測進行一次更新，無法利用歷史數據進行回溯修正。

在城市環境中，如果接收機誤將一個被建筑反射的強信號當作真值，EKF會由于單次權重的傾斜而瞬間產生巨大的定位誤差，且很難在之后的步驟中自我修正。

圖片源自：網絡

因子圖優化則將定位問題建模為一個龐大的數學圖表。在這個圖中，節點代表車輛在不同歷史時刻的位姿和運動參數，而連接節點的邊（即因子）則代表各種傳感器提供的觀測約束。

簡單理解下，IMU因子連接著相鄰的時間節點，代表運動的連續性；GNSS因子為特定節點提供全球坐標約束；SLAM因子則通過匹配環境特征建立起不同時刻節點間的相對位置聯系。

FGO的工作過程就像是解一個多約束的最優方案，它會在一個滑動窗口內，同時對過去幾秒鐘甚至更長時間內的所有位姿進行迭代優化，尋找一個能讓所有傳感器觀測“矛盾最小”的最優路徑。

這種“滑動窗口”加“多次迭代”的機制賦予了系統極強的魯棒性。當系統在窗口內發現某一幀GNSS觀測與IMU及雷達的推算結果嚴重不符時，它并不會盲目跟隨這個錯誤觀測，而是可以通過魯棒核函數（Robust Kernels）有效地降低這個“離群點”的權重，甚至將其徹底剔除，從而確保整體軌跡的平穩。

圖片源自：網絡

為了實現高效的因子圖優化，有技術引入了“預積分”（Pre-integration）技術。由于IMU的數據頻率極高（通常在100Hz至400Hz之間），如果將每一幀IMU數據都作為因子加入圖中，計算量將呈指數級增長。

預積分技術巧妙地將兩個關鍵幀之間的大量IMU原始觀測合并成一個相對位移和旋轉增量，并計算出相應的誤差傳遞矩陣。

這不僅保證了數學上的嚴謹性，還讓高頻率的慣性數據能夠與低頻率的GNSS（1Hz至10Hz）和SLAM（10Hz至20Hz）觀測完美契合，使得系統能夠實時輸出厘米級的位姿信息。

場景適應性與城市環境下的穩定性評估

高精定位系統的穩定性不僅取決于算法本身，更取決于對特定城市工況的深度適配。在長達數公里的海底隧道或地下環路中，GNSS信號會完全“靜默”，此時定位系統將進入純里程計模式。

為了防止在此期間產生不可控的漂移，有些技術方案中引入了高精度地圖（HD Map）匹配技術。高精度地圖不僅僅是導航坐標的集合，更包含了車道線的曲率、紅綠燈的精確位置、甚至是路緣石的三維輪廓等城市環境的精細語義信息。

車輛通過激光雷達實時掃描到的周圍輪廓與地圖中的先驗信息進行“二次對齊”，這就像是在黑暗中摸索時找到了固定的扶手，能夠瞬間消除掉IMU累積的誤差，實現長時間、長距離的零漂移定位。

在應對動態交通流方面，城市環境同樣充滿了不確定性。當車輛周圍被多輛大型公交車或卡車環繞時，SLAM算法提取到的很多特征點實際上是移動的。如果系統誤將這些動態點當作靜止參考，定位就會隨之偏離。

圖片源自：網絡

因此，先進的融合系統會結合深度學習模型進行語義過濾，在算法層面自動屏蔽掉圖像或點云中屬于行人、車輛等動態物體的部分，只鎖定路牌、建筑和電線桿等永恒的地理特征進行解算。

評估系統在城市環境中的魯棒性，需要通過一系列嚴苛的指標，其中包括均方根誤差、系統可用性以及完整性。

均方根誤差反映了定位結果在長時間序列下的平均精準度；可用性則衡量在99.9%甚至更高的運行時間內，定位精度能否始終維持在安全閾值（如車道線居中要求的20厘米）以內。

在實際的城市路測中，一個設計良好的緊耦合融合系統在面臨隧道出入口的劇烈光照變化、高架橋下的衛星遮擋以及繁忙路口的多路徑干擾時，仍能保持極為平滑的軌跡輸出。這種穩定性不僅降低了后續感知與規劃模塊的負擔，更為自動駕駛的決策提供了最高級別的心理“安全墊”。

最后的話

GNSS/IMU組合定位在城市環境中的魯棒性問題，實質上是不同傳感物理特性與復雜環境特征之間的博弈。通過引入激光雷達與視覺SLAM作為運動補償，并利用緊耦合的因子圖優化框架進行多維約束，已經能夠讓自動駕駛車輛在大多數城市工況下表現得像資深老司機一樣淡定自如。

技術的演進從未停步，未來的城市定位系統或將深度擁抱AI，通過神經網絡自適應地調整不同傳感器的權重，甚至在惡劣天氣下模擬人類的視覺記憶進行定位。