随着自动驾驶技术的快速发展，车辆的精准定位成为安全驾驶与路径规划的核心基础。相比于传统人类驾驶依赖路标和视觉判断，自动驾驶汽车需要在复杂多变的交通环境中，实现米级乃至厘米级的定位精度，并能够实时响应环境变化。为此，自动驾驶系统通常采用多传感器融合的方式，将全球导航卫星系统（GNSS）、惯性测量单元（IMU）、激光雷达（LiDAR）、摄像头、超宽带（UWB）等多种传感器数据进行综合处理，通过算法层层迭代优化，达到高精度、高可靠性的车辆定位能力。
全球导航卫星系统（GNSS）
GNSS（Global Navigation Satellite System）是定位的基础手段之一，目前常见的系统包括美国的GPS、俄罗斯的GLONASS、欧盟的Galileo和中国的北斗。GNSS通过卫星信号测量载波相位或伪距，理论上可实现米级定位精度。但受制于大气层电离层延迟、多路径效应、信号遮挡等因素，单一GNSS定位往往会出现数米甚至十几米的误差。为提升精度，自动驾驶往往采用差分GNSS（DGNSS）或实时动态改正（RTK）技术，通过基准站网络向车载GNSS接收机发送改正信息，将定位精度提升到10厘米以内。即便如此，在城市峡谷或隧道等GNSS弱覆盖区域，GNSS定位还会出现信号中断或精度骤降，需要依赖其他传感器进行补偿。
惯性测量单元（IMU）
IMU由三轴加速度计和三轴陀螺仪组成，能够以高频率（通常在100Hz以上）测量车辆的线加速度与角速度。基于零速更新（ZUPT）或车辆动力学模型，IMU可以在短时间内提供平滑、连续的姿态与位移估计，弥补GNSS失效时的定位盲区。但IMU本身存在累积误差问题，加速度积分得到速度、位置时，误差随时间呈二次方增长。因此，自动驾驶系统通过滤波器（如扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF或基于因子图的平差）将GNSS与IMU数据融合，实现实时校正与状态估计，使定位既具有GNSS的全局参考，又具备IMU的高频动态响应能力。
激光雷达（LiDAR）SLAM技术
LiDAR能够获取高精度的三维点云，描绘周围环境的几何特征，并对点云序列进行配准，实现基于激光的同时定位与地图构建（LiDAR SLAM）。常见算法包括LOAM（LiDAR Odometry and Mapping）、Cartographer和FAST-LIO等。它们通过点云特征提取（如平面、棱线特征）和匹配，将新一帧点云与已有地图或局部子地图进行位姿估计，并将高置信度位姿作为优化约束，不断更新车辆位姿与地图。LiDAR SLAM具有抗光照变化、强抗干扰的优势，能够在GNSS失效或视觉条件不佳的环境中持续定位。但其计算量大、对点云质量和环境特征丰富度有较高要求，需要与其他传感器协同使用以保证鲁棒性。
视觉惯导与视觉里程计
摄像头具有成本低、分辨率高、信息量丰富的特点，可用于车道线识别、交通标志检测、物体识别等场景感知，同时通过视觉里程计（VO）或视觉惯性里程计（VIO）实现位姿估计。VO方法基于两帧或多帧图像特征匹配（如SIFT、ORB、SuperPoint），求解相对运动；VIO进一步结合IMU数据，通过滤波或优化框架（如MSCKF、VINS-Mono），提高估计精度与稳定性。视觉定位在特征稠密、纹理丰富的场景下精度较高，但易受光照变化、雨雾天气等因素影响。未来还可结合深度学习，利用语义特征辅助定位，提高在相似环境下的鲁棒性。
高精度地图与定位
高精度地图（HD Map）是自动驾驶定位的重要先验，通常包括厘米级精度的车道线中心线、路缘石、坑洞、交通标志、信号灯位置等几何与语义信息。车辆在定位时，将实时传感器感知的环境特征与地图要素进行匹配，通过ICP（Iterative Closest Point）、NDT（Normal Distribution Transform）等方法，计算当前车身位姿。高精度地图一方面可以弥补传感器数据不足，另一方面还可提供冗余校验，当多源传感器出现异常时，定位系统依然有可靠依据。但高精度地图的构建与更新成本较高，需要专业测绘设备和定期维护。
多传感器融合算法
在自动驾驶定位系统中，多传感器融合是核心。最常用的方法包括扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）以及基于因子图的优化（如g2o、GTSAM）。EKF类方法适合实时性要求高的场景，而因子图优化能更好地处理非线性、多模态信息，并支持后端批量优化。融合框架通常分为前端（测量预处理、特征提取与匹配）和后端（状态估计与优化）两部分。前端对传感器数据进行滤波、去噪、时空对齐，并提取关键特征；后端以融合算法为核心，将各传感器的观测值、车辆运动模型、地图先验融入最优化问题，通过稀疏线性求解器不断迭代，得到全局一致的最优位姿。
挑战及展望
尽管当前定位技术已能满足大多数城市与高速公路场景，但在极端恶劣天气（暴雪、浓雾）、地下停车场、高层建筑密集区等“GNSS阴影区”，多传感器融合仍面临信号遮挡、传感器失效、计算资源受限等挑战。未来，随着5G/6G网络、车联网（V2X）、超宽带（UWB）等通讯技术的发展，可实现车车与车路协同定位，进一步提升定位精度与鲁棒性。自监督与强化学习等人工智能技术在SLAM与定位中的应用，还将助力传感器数据的智能融合与误差自适应校正。未来，自动驾驶车辆定位必将向着更高精度、更强鲁棒性、更低成本的方向演进，为智能交通和无人驾驶的大规模商业化奠定坚实基础。
-- END --
原文标题 : 自动驾驶汽车是如何准确定位的？
（来源：维科网）
相关推荐
-
重感知、轻地图下，高精度地图企业过得如何？
2025年以来，重感知、轻地图似乎成了国内智驾行业的标准叙事，华为、小鹏、比亚迪等主流车企先后推出不依赖高精地图的高阶智驾方案，覆盖范围从最初的几十个城市扩展到全国多数地区。博世就曾则规划在2025年
-
为什么无图智驾不使用SLAM建立局部语义地图？
智驾无图的概念已经在自动驾驶领域流传颇深，过去几年，自动驾驶高度依赖高精地图，但现在更追求像人一样开车，也就是在不依赖预设地图的情况下，实时感知并理解周围环境。 在这个过程中，BEV、Occupanc
-
自动驾驶汽车如何探测路面的积水深度？
对于自动驾驶汽车来说，雨天和积水一直是非常棘手的挑战。在晴朗的天气里，传感器可以轻松识别车道线、行人和其他车辆，但当路面出现大面积积水甚至发生内涝时，情况就变得复杂了。 自动驾驶系统不仅需要发现前方有
-
为什么自动驾驶方案不再强调地图了？
不知道大家是否发现，现在很多车企在宣传自动驾驶方案时，很少会再强调或提及高精度地图，甚至很少会再提地图相关的内容，为啥曾经被自动驾驶行业高度依赖的技术，现在却越来越边缘化？ 如何从救命稻草到发展阻碍？
-
自动驾驶汽车如何依靠摄像头判断距离？
车载摄像头在自动驾驶中，就像是“看见世界”的眼睛，其主要任务是把外界的光学信息转换成计算机能理解的像素数据，再通过一系列算法，从这些像素中提炼出“有什么物体、在什么位置、如何运动、可能想做什么”这类高
-
自动驾驶汽车如何完成超车？
在我们日常开车时，别人想要超车，只要确认后方、旁边有没有车，打个灯、稍微加速、换个车道就完成了。这一动作乍一看非常简单，但对自动驾驶汽车来说，这个过程需要多方协调。 自动驾驶车辆要完成超车动作，必须经
-
自动驾驶汽车为什么会发生轨迹漂移？
在自动驾驶技术的快速演进中，车辆能否精准地遵循既定路径行驶，是衡量系统成熟度的核心指标之一。然而，无论是实验车型，还是已经在城市道路上投入运营的无人驾驶出租车，偶尔会出一种异常的驾驶行为，那就是轨迹漂
-
自动驾驶汽车如何应对移动式红绿灯场景？
在交通的日常运转中，由于电力系统维护、偶发性的供电故障或是道路施工引发的交通管制，交管部门会在十字路口临时部署移动式红绿灯。这种红绿灯与我们习以为常的高悬于空中的固定红绿灯塔架有着显著的物理差异。它们
-
自动驾驶汽车能够识别出交警指挥手势吗？
在高度复杂的城市交通网络中，行驶规则并不是一成不变的。虽然交通信号灯、地面标线和各类指示牌可以构成道路运行的基础框架，但在交通事故处理、电力故障导致信号灯失效以及极端交通拥堵等特殊场景下，交警就会介入
-
BEV是如何让自动驾驶汽车“看”得更远的？
在自动驾驶领域，经常会听到BEV相关的技术讨论。BEV是Bird’s Eye View的缩写，中文译为“鸟瞰视角”或“俯视图”。简单理解它的含义，就是把摄像头、激光雷达、毫米波雷达或地图信息，统一映射
