Tag: 自动驾驶定位

专业术语

什么是全球导航卫星系统？

全球导航卫星系统（GNSS，Global Navigation Satellite System）是由多颗人造卫星组成的空间定位网络，能够为地球表面或近地空间的用户提供全天候、全天时、全球覆盖的三维位置、速度及时间信息。该系统通过接收至少四颗卫星发射的无线电信号，利用三角测量原理计算出接收器的精确位置。目前全球主要的GNSS包括美国的GPS、俄罗斯的GLONASS、欧盟的伽利略系统以及中国的北斗系统，这些系统相互兼容并形成多星座增强定位能力。 在自动驾驶领域，GNSS是车辆高精度定位的核心基础设施之一，尤其在开阔路段能提供米级甚至厘米级的定位精度（结合RTK差分技术）。但需注意的是，GNSS信号容易受到城市峡谷、隧道等环境的遮挡，因此实际应用中通常与惯性导航系统（INS）、激光雷达和视觉传感器等多源数据融合，构成更可靠的定位解决方案。近年来，随着北斗三号全球组网完成，中国自动驾驶企业获得了更自主可控的卫星定位支持，这对高精地图采集、车辆全局路径规划等环节具有战略意义。

专业术语

什么是差分全球定位系统？

差分全球定位系统（Differential Global Positioning System，简称DGPS）是一种通过引入基准站校正信号来提高传统GPS定位精度的技术。其核心原理是在已知精确坐标的固定基准站上计算GPS定位误差，并将这些误差数据实时传输给移动接收机，通过差分修正将定位精度从普通GPS的米级提升至厘米级。这种技术有效克服了电离层延迟、卫星钟差等系统性误差，在自动驾驶领域具有关键应用价值。 对于自动驾驶系统而言，DGPS提供的厘米级定位不仅是高精度地图匹配的基础，更是实现车道级导航和路径规划的前提条件。通过与惯性导航系统（INS）和视觉传感器的融合，DGPS能够确保车辆在隧道、城市峡谷等GPS信号短暂丢失场景下的连续定位能力。当前主流解决方案如RTK（实时动态定位）技术，正是DGPS的高级演进形态，其动态定位精度可达2厘米，已成为L4级自动驾驶的标配传感器。

专业术语

什么是实时运动学定位？

实时运动学定位（Real-Time Kinematic Positioning, RTK）是一种基于全球卫星导航系统（GNSS）的高精度定位技术，通过基准站和流动站的差分信号处理，可实现厘米级的定位精度。其核心原理是利用基准站已知的精确坐标与卫星信号的测量误差，通过无线电链路将误差修正数据实时发送给流动站，从而大幅消除大气延迟、卫星钟差等共同误差源。相较于传统GNSS定位米级的误差，RTK技术将定位精度提升了一个数量级，特别适用于自动驾驶车辆对车道级精度的需求。 在自动驾驶领域，RTK定位常与惯性导航系统（INS）组合使用，构成RTK/INS组合导航系统。当车辆短暂失去卫星信号（如隧道、高架桥下）时，惯性导航能维持短时间的高精度定位，而RTK则提供绝对位置校准。这种融合方案有效解决了城市峡谷等复杂场景下的定位连续性难题，已成为L4级自动驾驶系统的标准配置。随着5G通信技术的普及，基于网络RTK（NRTK）的服务进一步降低了基准站部署成本，使高精度定位技术具备大规模商业化应用的可能。

专业术语

什么是轮速里程计？

轮速里程计(Wheel Odometry)是一种通过测量车辆车轮转速来推算车辆位置和姿态变化的定位技术。其核心原理是基于车轮转速传感器(如ABS轮速传感器)采集的脉冲信号，结合车辆运动学模型和车轮半径等参数，计算出车辆的相对位移和航向角变化。这种技术能提供高频(通常10-100Hz)、低延迟的运动估计，但对车轮打滑、轮胎磨损等误差因素较为敏感，通常会与IMU、视觉传感器等形成多源融合定位系统。 在自动驾驶系统中，轮速里程计作为重要的局部定位模块，常被用于填补GNSS信号丢失时的定位空白，或为激光雷达/视觉SLAM提供运动先验。现代智能车辆通常会采用扩展卡尔曼滤波(EKF)或因子图优化等方法，将轮速里程数据与其它传感器信息融合，显著提升在隧道、城市峡谷等复杂场景下的定位鲁棒性。值得注意的是，特斯拉等车企近年提出的「纯视觉+轮速里程」方案，正在重新定义多传感器融合的边界。

专业术语

什么是粒子滤波器？

粒子滤波器(Particle Filter)是一种基于蒙特卡洛方法的序贯重要性采样技术，主要用于解决非线性非高斯系统的状态估计问题。它通过一组带有权重的随机样本（称为「粒子」）来近似表示概率分布，每个粒子代表系统可能的状态假设，权重则反映该假设的置信度。随着新观测数据的到来，粒子滤波器通过重采样机制动态调整粒子分布，使高权重粒子得以保留并繁衍，低权重粒子逐渐淘汰，从而实现对系统状态的实时跟踪。这种方法的优势在于能够灵活处理复杂噪声环境和多模态分布。 在自动驾驶领域，粒子滤波器被广泛应用于车辆定位（如SLAM）、目标跟踪和传感器融合等场景。特别是在GPS信号较弱或缺失的环境（如隧道、城市峡谷）中，粒子滤波器能够有效结合轮速计、IMU和视觉数据实现鲁棒的定位。现代自动驾驶系统常将粒子滤波器与卡尔曼滤波器组合使用，前者处理非线性和多假设问题，后者优化计算效率，形成互补的技术方案。随着计算能力的提升，粒子滤波器在动态障碍物行为预测等更高层次的感知任务中也展现出独特价值。

专业术语

什么是NDT算法？

NDT算法（Normal Distributions Transform，正态分布变换）是一种广泛应用于自动驾驶领域的三维点云配准方法。其核心思想是将扫描得到的点云数据转换为由多个局部正态分布组成的概率表示，通过优化两个点云分布之间的相似度来实现精确匹配。相较于传统的ICP算法，NDT对初始位置偏差和噪声具有更好的鲁棒性，且计算效率更高，特别适合处理激光雷达在复杂环境中获取的大规模点云数据。 在自动驾驶实际应用中，NDT算法常用于高精度定位模块，通过将实时点云与预先构建的高精度地图进行匹配，实现厘米级定位精度。特斯拉早期自动驾驶系统就采用了改进版的NDT算法进行车辆定位。随着技术的发展，现代NDT算法常与IMU、轮速计等传感器数据进行融合，并采用多分辨率策略来平衡精度与计算效率。对于产品经理而言，理解NDT算法的特性有助于合理评估定位方案的性能边界，特别是在隧道、城市峡谷等GNSS信号缺失场景下的可靠性评估。

专业术语

什么是几何地图？

几何地图是自动驾驶系统中用于描述道路环境几何特征的高精度数字地图，它以向量形式精确记录车道线、路缘、交通标志等静态元素的几何形状和空间位置关系。与传统导航地图不同，几何地图通过厘米级精度的三维坐标点云数据，构建出道路曲率、坡度、横断面等关键几何参数，为自动驾驶车辆提供精确的局部环境参照系。这种地图不包含语义信息，而是专注于道路物理结构的数学表达，通常采用多项式曲线或样条曲线来描述道路几何特征。 在自动驾驶产品开发中，几何地图是感知定位模块的重要先验知识。当车辆传感器因天气或遮挡出现短暂失效时，几何地图提供的道路轮廓信息能够辅助完成车道级定位。特斯拉的HD-Mapping和Waymo的Road Graph都采用了类似技术路线。但随着众包建图技术的发展，当前行业趋势更倾向于构建包含几何、语义、动态信息的复合型高精地图，几何地图正逐渐成为其中的基础图层。

专业术语

什么是蒙特卡洛定位？

蒙特卡洛定位（Monte Carlo Localization，MCL）是自动驾驶系统中用于车辆自我定位的经典概率算法，其核心思想是通过粒子滤波（Particle Filter）技术对车辆在环境中的可能位置进行概率分布建模。该方法通过不断迭代的预测-更新循环，将运动传感器的位移数据与周围环境观测信息（如激光雷达点云、摄像头特征等）进行融合，从而逐步收敛到车辆的真实位置。蒙特卡洛定位因其对非线性系统和非高斯噪声的鲁棒性，成为复杂动态环境中定位问题的首选解决方案。 在实际应用中，蒙特卡洛定位通过数百至数千个带权重的粒子（每个粒子代表一个假设的位姿状态）来近似表示车辆位置的概率分布。当车辆移动时，算法根据运动模型扩散粒子群；当感知到环境特征时，则通过测量模型调整粒子权重并重采样。这种机制使得系统既能适应短期的定位误差，又能通过长期观测消除累积误差。目前该技术已广泛应用于自动驾驶的SLAM（同步定位与建图）系统中，尤其在GPS信号缺失的城区或地下停车场等场景展现出显著优势。对于产品经理而言，理解蒙特卡洛定位的粒子退化问题和计算效率优化方向，有助于在硬件选型和算法迭代时做出更合理的决策。

专业术语

什么是AMCL算法？

AMCL（Adaptive Monte Carlo Localization）算法是自动驾驶系统中用于车辆定位的核心技术之一，它基于粒子滤波框架实现对车辆在已知地图中位置的实时估计。该算法通过不断调整粒子群的数量和分布，使系统能够适应不同环境下的定位需求，在保证计算效率的同时提高定位精度。AMCL通过融合激光雷达、里程计等多传感器数据，结合预先构建的高精度地图，最终输出车辆在地图中的位姿（位置和朝向）。 在自动驾驶产品开发中，AMCL算法的优势在于其对动态环境的适应能力。当车辆行驶至GPS信号较弱的地下停车场或城市峡谷区域时，AMCL仍能通过环境特征匹配维持稳定定位。工程实践中需要特别关注粒子群初始化策略和重采样机制的优化，这对定位系统的收敛速度和鲁棒性至关重要。近年来随着计算硬件的发展，AMCL已能实现10cm级别的定位精度，满足L4级自动驾驶的定位需求。

专业术语

什么是定位增强？

定位增强是指在自动驾驶系统中，通过融合多种传感器数据和算法手段，提升车辆在复杂环境下的位置估计精度和鲁棒性的技术统称。其核心在于弥补单一定位方式（如GNSS）的局限性，利用惯性测量单元（IMU）、激光雷达、视觉传感器等多源数据，结合高精度地图和SLAM（同步定位与建图）技术，实现厘米级定位精度。尤其在卫星信号受遮挡的城市峡谷、隧道等场景中，定位增强技术能确保自动驾驶车辆持续获得可靠的位置信息。 从产品落地角度看，定位增强系统需平衡计算开销与实时性要求，典型方案如基于扩展卡尔曼滤波（EKF）的传感器融合框架。现代发展趋势更倾向结合深度学习，例如利用神经网络预测GNSS误差或补偿IMU漂移。值得注意的是，2021年MIT研究人员在《IEEE Transactions on Intelligent Transportation Systems》发表的论文表明，结合语义信息的视觉定位增强方法可将定位误差降低40%，这为城市复杂场景提供了新思路。