位姿图优化（Pose Graph Optimization）是自动驾驶系统中用于提升定位精度的关键技术，其本质是通过图模型对车辆在不同时刻的位姿（位置和姿态）及其相互关系进行数学建模，并利用优化算法求解最优位姿配置的过程。具体而言，位姿图中的节点代表车辆在不同时间点的位姿状态，边则代表相邻位姿间的约束关系（如通过惯性测量单元或轮速计获取的相对运动信息），当这些约束存在噪声或冲突时，优化算法通过最小化整体误差函数来获得全局一致的位姿估计。
在自动驾驶实际应用中，位姿图优化能有效解决长期行驶中的累积误差问题。例如当车辆行驶在GPS信号缺失的隧道或城市峡谷区域时，系统通过融合激光雷达点云匹配、视觉特征匹配等传感器数据构建位姿约束，再经后端优化得到厘米级精度的连续轨迹。近年来，基于因子图（Factor Graph）的GTSAM等开源框架已成为行业标准工具，其采用稀疏矩阵优化技术可实时处理上万节点的位姿图，显著提升了高精地图构建与定位的鲁棒性。