全局定位与局部定位在自动驾驶中的角色解析

自动驾驶汽车在道路上行驶的时候，需要持续知道自己在哪里。这听起来很简单，就像手机地图显示你当前所在哪条街道上一样，只是自动驾驶汽车对位置的要求远比手机定位严格得多。

自动驾驶汽车不仅需要明确自身所处的街道，还需要精准掌握在车道中的具体位置、朝向角度，以及与周边设施和车辆的距离。唯有如此，系统才能生成合理的路径规划并执行相应的控制操作，如变道、转弯或避让行人等。

在自动驾驶技术中，定位功能通常被划分为两个基本层面：全局定位与局部定位。这两类定位方式相互配合，共同构建车辆的精准位置感知体系。

全局定位的核心目标是为自动驾驶系统提供一个不随时间漂移的绝对坐标，其参考基准通常为地球标准坐标系统。这一功能主要依赖全球导航卫星系统（GNSS），包括美国的GPS、中国的北斗以及欧盟的伽利略等。

通过GNSS，车辆可以获得包含经度、纬度和海拔高度的三维坐标信息，从而确定其在全球范围内的具体位置。以北京朝阳区的一个十字路口为例，高精度GNSS结合差分定位技术（RTK）能够将定位精度提升至厘米级别。

全局定位最大的优势在于其独立性。它不依赖车辆的历史轨迹或内部估计，而是直接从外部世界获取位置数据。这意味着，即使车辆曾经历复杂路径，只要卫星信号稳定，它依然能够快速确定当前位置。

作为整个定位体系的基础，全局定位为导航模块提供必要的绝对坐标，使其能够规划从起点到终点的行驶路径。车辆随后的路径跟踪与控制则基于这一全局框架展开。

尽管全局定位具有全球一致性与低计算依赖性的优点，但其在卫星信号受到遮挡的环境中存在局限。例如，城市高楼密集区域、隧道或森林地带可能造成信号丢失或精度下降。在开放区域，GNSS误差也可能达到数米，难以满足高精度自动驾驶的需求。

当车辆行驶在具体路段中时，仅依赖全局定位所提供的宏观坐标往往无法满足控制精度要求。这时，局部定位技术就显得尤为关键。

局部定位主要借助车载传感器（如激光雷达、视觉系统、IMU等）采集周围环境信息，并将这些数据与高精地图或已建立的局部模型进行匹配，从而推算出车辆在当前环境中的准确位置。

这类定位方式强调短距离、高精度与连续性。在自动驾驶系统中，常见的实现方法包括视觉里程计（Visual Odometry）、激光雷达里程计（Lidar Odometry）以及SLAM（同时定位与地图构建）等。

例如，车辆驶入隧道时，GNSS信号可能完全中断，此时需依赖激光雷达扫描周围点云，并与预先构建的高精地图匹配，以确定车辆的相对位置。同样，视觉系统也能通过识别道路标志、路缘和建筑物等特征，结合IMU实现局部定位。

局部定位的另一个优势在于其连续性。只要传感器和计算模块正常运行，它能够持续输出车辆在局部坐标系下的位置变化。这使其特别适用于高速行驶中的路径控制。

然而，局部定位本质上是一种相对定位，依赖于初始状态或参考点。如果长时间仅依赖此类技术，误差会随着行驶时间累积，最终影响定位精度。因此，它通常需要定期与全局定位或其他绝对参考进行校准。

全局定位与局部定位各具特点，彼此互补。前者提供世界尺度的位置参考，后者则强调局部环境内的高精度控制。自动驾驶系统要实现从宏观导航到微观控制的无缝衔接，就必须将二者融合。

常见的融合方法包括扩展卡尔曼滤波（EKF）、因子图优化等状态估计技术。这些方法能够将GNSS提供的绝对位置与激光雷达、视觉等系统提供的相对位置信息结合起来，既保留全局定位的稳定性，又继承局部定位的高精度。

融合策略通常根据应用场景动态调整。例如，当车辆驶入信号不佳区域时，系统可切换至局部定位主导模式，待信号恢复后，再通过重新对齐进行误差修正。此外，高级地图系统也可将局部定位结果实时集成至全局框架，提升整体定位鲁棒性。

在不同道路环境中，全局与局部定位的权重各不相同。在高速公路等开阔区域，GNSS表现良好，可作为主要参考，局部定位用于细节优化；而在城市中心、隧道或地下停车场等信号受限区域，则主要依赖局部定位。

然而，实际应用中仍面临诸多挑战。局部定位在环境突变（如光照变化、道路施工）时可能失效；而全局定位在信号遮挡区域则完全不可用。这就要求系统具备强大的多传感器融合能力以及智能场景识别机制。

此外，构建和维护高精地图、实时更新环境信息、识别并过滤动态障碍物对定位的影响，也是实现自动驾驶落地必须攻克的技术难题。

全局定位与局部定位分别从宏观与微观层面支撑自动驾驶车辆的位置感知。它们的深度融合，是实现精准导航与安全驾驶的关键环节。构建稳定、可靠、适应性强的定位系统，是推动自动驾驶技术走向成熟的基石。

查看全文

作者最近更新