自动驾驶中全局定位与局部定位的功能与协同

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。

自动驾驶车辆必须同时了解自身在宏观地图上的位置以及在微观环境中精确的位姿信息，包括所处的车道、朝向以及与周边交通参与者和基础设施的距离。只有在具备高精度定位的前提下，自动驾驶系统才能进行合理的路径规划和控制决策，从而执行变道、转弯或避让行人等复杂操作。

在自动驾驶系统中，定位通常分为两个层面：全局定位和局部定位。二者各司其职，协同运作，为车辆提供稳定、精确的位置感知。

全局定位的核心在于提供一个基于地球坐标系统的绝对位置参考。该坐标通常由全球导航卫星系统（GNSS）提供，包括美国的GPS、中国的北斗和欧盟的伽利略等。这些系统通过接收卫星信号，输出车辆的经度、纬度和海拔信息。

以北京市某十字路口为例，借助高精度GNSS和实时动态差分（RTK）技术，车辆可以实现厘米级的定位精度。全局定位的优势在于其不依赖车辆过去的运动轨迹，而是直接从外部系统获取位置信息，因此具有全球一致性，不受行驶路径影响。

全局定位是自动驾驶路径规划和导航的基础。例如，当一辆自动驾驶出租车接收到乘客请求时，它首先需要确定起始点和目的地在地图上的绝对位置，导航系统据此生成行驶路线。

尽管全局定位具备广域覆盖和不依赖初始估计的优势，但在城市峡谷、隧道、地下车库等遮挡严重区域，卫星信号可能被削弱甚至中断，导致定位精度下降或失效。此外，GNSS信号本身也可能受到噪声干扰，从而产生数米的误差，这对高精度自动驾驶来说并不足够。

当车辆进入复杂或局部环境时，全局定位提供的绝对位置不足以支撑精确的驾驶控制。此时，局部定位技术就显得尤为重要。

局部定位依赖于车载传感器（如激光雷达、视觉相机、IMU等）对周围环境进行实时感知，并将这些数据与已有的高精度地图或局部建模结果进行匹配，从而推算出车辆在局部坐标系中的位置变化。

这类技术通常包括视觉里程计（Visual Odometry）、激光雷达里程计（Lidar Odometry）以及更通用的同时定位与建图（SLAM）方法。以隧道为例，当卫星信号丢失后，车辆可以利用激光雷达扫描周围环境，将获取的点云数据与高精地图进行配准，从而推算出车辆的位置。

局部定位的优势在于其高精度和连续性，能够实时响应车辆的位姿变化，特别适用于高速场景下的横向和纵向控制。然而，它本质上属于相对定位，依赖于初始状态，因此长时间运行后可能因误差累积而导致定位漂移。

为了兼顾全局定位的稳定性和局部定位的精度，自动驾驶系统通常采用传感器融合策略，将两者的信息进行整合。常用的方法包括扩展卡尔曼滤波（EKF）、粒子滤波（PF）和图优化（Graph-based Optimization）等。

融合过程通常以全局定位提供粗略位置作为初始值，局部定位则在该基础上进行高精度的增量更新。当车辆进入无卫星信号区域时，局部定位持续提供位置信息；一旦重新获得GNSS信号，系统则将局部估计与全局参考进行对齐，以修正可能的漂移。

此外，高级融合方案还可以将局部定位结果实时嵌入全局地图框架中，通过优化算法提升整体系统的稳定性与一致性。

在不同的道路环境中，全局定位与局部定位的权重各不相同。在城市中心、地下车库或隧道中，由于GNSS信号受限，局部定位成为主导手段；而在高速公路上，GNSS信号稳定，车辆更多依赖全局定位进行导航。

尽管定位技术已取得显著进展，但在实际应用中仍面临诸多挑战。例如，局部定位的特征匹配可能受天气变化、光照条件或遮挡影响而失效；全局定位在信号盲区则可能完全不可用。因此，构建具备高适应性的融合定位系统，成为自动驾驶落地的关键。

除了传感器融合外，高精地图的构建与更新、环境特征的动态识别以及干扰对象的排除，都是定位系统必须解决的问题。

全局定位与局部定位分别从宏观和微观层面为自动驾驶提供位置信息。前者赋予车辆全球尺度的绝对坐标，后者则支撑高精度、连续性的局部感知与控制。

两者的融合不仅提升了定位的准确性与鲁棒性，也为自动驾驶的复杂场景适应能力奠定了基础。构建稳定、可靠、适应性强的定位系统，是实现安全、高效自动驾驶的关键技术之一。

查看全文

作者最近更新