全局定位与局部定位在自动驾驶中的协同机制
共读科技
全局定位与局部定位在自动驾驶中的协同机制
自动驾驶汽车在运行过程中，不仅需要了解当前所处的街道，还必须掌握精确的车道位置、车身朝向，以及与周边基础设施和其他车辆的距离。只有在获得高精度定位信息的前提下，车辆的规划与控制系统才能做出合理判断，执行变道、转弯或避障等复杂操作。
在自动驾驶技术体系中，定位功能根据参考坐标系的不同，通常被分为两类：全局定位与局部定位。两者各司其职，又互为补充，在不同场景下协同工作，共同支撑车辆的高精度定位。
全局定位：确定车辆在地球坐标系中的位置
全局定位的核心任务是为车辆提供一个基于地球标准坐标系统（如WGS-84）的绝对位置。这一功能通常依赖全球导航卫星系统（GNSS），如美国的GPS、中国的北斗系统以及欧盟的伽利略系统。
GNSS返回的定位数据包括经度、纬度和高度，为车辆提供全球一致的位置信息。以北京市朝阳区某十字路口为例，借助高精度GNSS与实时动态定位（RTK）技术，定位精度可达到厘米级。
全局定位的优势在于其独立性，不依赖车辆的行驶轨迹或内部估计，而是直接从外部获取数据。这意味着无论车辆此前的行驶路线如何，只要GNSS信号稳定，系统即可即时获取位置。
尽管如此，全局定位也存在局限性。GNSS信号在隧道、高楼密集区或植被覆盖区域容易受到干扰，导致精度下降或完全失效。即便在开阔地带，GNSS误差也可能达到数米，难以满足自动驾驶对精度的高要求。因此，通常需将其与其他定位技术结合使用。
局部定位：实现高精度的环境感知
当车辆行驶在特定场景中时，全局定位所提供的绝对坐标可能不足以支撑高速行驶或精细控制的需求。此时，局部定位技术便发挥关键作用。
局部定位依赖车载传感器，如激光雷达、视觉系统和惯性测量单元（IMU），通过实时感知环境并将其与已构建的高精地图或局部特征模型进行匹配，从而确定车辆在局部环境中的精确位置。
该类技术通常被称为视觉里程计（Visual Odometry）、激光雷达里程计（Lidar Odometry）或同时定位与建图（SLAM）。例如，在信号屏蔽的隧道中，车辆可通过激光雷达扫描周围环境，并与高精地图进行比对，以计算位置变化。同样的原理也适用于基于视觉特征的定位，如通过识别道路标线、路缘或建筑物，结合IMU数据实现定位。
局部定位具有高精度和连续性，适用于动态变化的环境。然而，它本质上是一种相对定位方式，长期使用可能导致误差累积。如果仅依赖IMU和轮速计进行估计，微小误差会随时间叠加，最终影响定位的准确性。因此，局部定位需要定期与全局定位或已知地标进行校正。
融合定位：构建鲁棒的多源系统
鉴于全局定位与局部定位的互补性，现代自动驾驶系统通常采用多传感器融合的方式，将两种定位信息进行整合，以实现高精度、高可靠性的定位。
融合策略常采用状态估计技术，如扩展卡尔曼滤波（EKF）或图优化方法。这些算法能够将全局定位提供的绝对位置与局部定位的高精度相对位置进行融合，从而在保留前者稳定性的同时，兼顾后者的高精度。
在实际应用中，融合方式有多种。一种典型做法是，先由GNSS提供粗略初始位置，再由SLAM或视觉里程计进行局部细化；在信号不佳的区域，局部定位独立运行；当信号恢复后，系统再将局部估计与全局定位对齐，修正误差。此外，还可以通过实时图优化技术，将局部定位信息嵌入到全局定位网络中，提升系统整体的鲁棒性。
实际应用场景与技术挑战
全局定位与局部定位的协同在不同场景下表现出差异化的应用价值。在开阔道路或高速公路上，GNSS信号稳定，可作为主要定位手段，局部定位则用于提升车道级别的精度。而在城市隧道、地下停车场或高楼林立的区域，局部定位则成为主要依赖。
与此同时，自动驾驶定位仍面临多重挑战。例如，在复杂光照条件或道路遮挡的情况下，特征匹配可能失效；GNSS信号在信号屏蔽区域失效；动态障碍物对环境感知和地图匹配也可能造成干扰。因此，系统需要具备智能场景识别、多传感器融合和自适应调整能力。
此外，构建并维护高精度地图、实时更新环境数据以及有效处理动态对象干扰，都是推动自动驾驶落地过程中的关键问题。
结语
全局定位与局部定位构成了自动驾驶定位系统的核心框架。前者提供世界级别的绝对位置信息，确保车辆在宏观地图上的定位；后者则在短时间内提供高精度、连续性的局部信息，支撑车辆的实时控制。两者的融合是实现全局导航与精细驾驶的基础。
构建稳定、鲁棒的定位系统，是推动自动驾驶技术走向成熟与应用的关键环节之一。
查看全文
作者最近更新
评论0条评论