[首發(fā)于智駕最前沿微信公眾號]我們平時開車時，判斷自己在哪條路、哪個車道，只需要看一眼導航、掃幾眼車道線、再聽聽提示就夠了。但對自動駕駛汽車來說，這件事既簡單又復雜。簡單在于自動駕駛汽車擁有比人類更多的“感官”和更強的計算能力；復雜則在于，這項工作必須做到精準（米級甚至分米級）、穩(wěn)定、連續(xù)，并且要在各種極端環(huán)境下都要可靠。那自動駕駛汽車是如何確定自己的位置和所在車道的？

車輛如何感知世界？

自動駕駛汽車要知道“我在哪兒”，首先要做的就是得能感知周圍環(huán)境。自動駕駛汽車的“感官”主要包括衛(wèi)星定位系統(tǒng)、慣性測量單元、車速傳感器、攝像頭和激光雷達等傳感器。每種傳感器各有優(yōu)缺點，通常會把它們組合起來，取長補短。

衛(wèi)星定位（如GPS、北斗、GLONASS等）能提供車輛大致的經(jīng)緯度和高度。衛(wèi)星定位精度可達幾米，但僅靠原始信號難以滿足車道級（小于一米）的精度要求。因此常采用差分技術、實時動態(tài)定位（RTK）或星基增強系統(tǒng)，將精度提升至亞米甚至分米級別。不過這些技術對基站覆蓋、信號遮擋和多路徑反射比較敏感，如果在高樓林立、立交橋下或隧道中，就容易發(fā)生信號丟失或誤差增大的情況。

慣性測量單元（IMU）中包含加速度計和陀螺儀，能提供短時間內(nèi)的姿態(tài)變化和加速度信息。它的優(yōu)點是響應快、短時穩(wěn)定，但長時間使用就會產(chǎn)生漂移。車輪里程計或車速傳感器則用于提供行駛里程信息，但輪胎打滑或直徑誤差會影響其準確性。

攝像頭可以捕捉車道線、路緣、交通標志和周圍車輛等信息，是判斷“在哪個車道”的關鍵傳感器之一。不過攝像頭對光照、雨雪、霧霾和污漬比較敏感，但在能見度好的情況下，它能提供豐富的語義信息。激光雷達（LiDAR）能精確測量周圍物體的三維距離，生成點云，用于匹配高精地圖或提取道路幾何特征。激光雷達不受光線影響，但在雨雪霧天氣中，點云質(zhì)量也會下降。通過綜合這些傳感器的信息，自動駕駛汽車就能建立起對自身位置和周邊環(huán)境的認知。

傳感器融合與濾波，把“雜亂信息”變成可靠的位置

融合衛(wèi)星定位、IMU、里程計、激光雷達和攝像頭的數(shù)據(jù)，需要借助卡爾曼濾波及其擴展形式、粒子濾波，以及現(xiàn)代機器學習方法的輔助等數(shù)學工具來處理不確定性。每個傳感器給出一個估計值和不確定度，再通過狀態(tài)空間模型和觀測模型，把這些估計融合成一個最優(yōu)的、帶有不確定度的位姿估計。

擴展卡爾曼濾波（EKF）或無跡卡爾曼濾波（UKF）作為比較常見的方案，它們用于融合IMU和輪速計的高頻短期信息與GPS的低頻絕對信息。這樣可以在有GPS信號時校正IMU漂移，在無GPS時依靠IMU維持短期穩(wěn)定。粒子濾波（蒙特卡洛定位）則廣泛用于地圖匹配問題，尤其適合非線性和非高斯噪聲的場景。現(xiàn)在的技術方案中，常采用分層融合架構，底層用高頻IMU進行即時狀態(tài)傳播，中層用里程計和視覺/激光里程信息施加短期約束，高層則周期性地使用GPS或地圖匹配進行全局校準。

時間同步和空間標定也非常關鍵。不同傳感器的數(shù)據(jù)必須對齊到同一時間戳，否則融合結果會出現(xiàn)明顯偏差。空間標定則用于確定各傳感器在車體坐標系下的位置和朝向，標定誤差會直接導致定位錯誤。因此要采用嚴格的時間同步機制（如PPS信號、PTP網(wǎng)絡時間協(xié)議）和標定流程（如標定板、靜態(tài)點云配準）來避免這個問題。

不確定性的管理也很重要。融合算法不僅要輸出最優(yōu)估計值，還要給出置信度或協(xié)方差。這個置信度對上層決策至關重要，當定位置信度低時，車輛需要降低速度、加大跟車距離、增強環(huán)境感知，或切換至更保守的駕駛策略。

地圖與定位，從“在哪條路”到“在哪條車道”

衛(wèi)星和慣性信息能把車輛定位到路網(wǎng)的大致位置，但要精確到具體車道，還需要高精地圖和地圖匹配技術的支持。高精地圖包含車道中心線、車道邊界、路緣、車道拓撲關系、斑馬線、交通標志以及路面幾何細節(jié)，精度一般達到厘米級。車輛通過將實時傳感器觀測與高精地圖進行匹配，就能實現(xiàn)車道級定位。

地圖匹配有多種方式。激光雷達點云匹配常用迭代最近點（ICP）或正態(tài)分布變換（NDT）等方法，將當前掃描到的點云與地圖中的點云或網(wǎng)格進行配準，從而修正位姿。視覺方法則利用攝像頭捕捉的路面特征（如路緣、地面標志、建筑物等）與地圖中的視覺標記或語義信息進行匹配。現(xiàn)階段的技術方案中還會借助深度學習提取更穩(wěn)健的特征描述子來提升匹配效果。

判斷具體車道還需要實時檢測與跟蹤車道線。攝像頭常用于車道線檢測，配合鳥瞰變換和多幀跟蹤算法，可以穩(wěn)定估計車輛相對于車道中心線的橫向偏差和航向角誤差。激光雷達也能在某些場景下，通過點云中地面與路緣的高度差或連續(xù)性輔助判斷車道邊界。將檢測到的車道線與地圖中的車道線匹配后，就能明確“當前在哪條車道、在車道中的具體位置”。

需要注意的是，地圖并非絕對可靠。當出現(xiàn)道路施工、臨時交通管制、車道標線褪色等情況時，都可能導致地圖與實際路況不符。因此，定位系統(tǒng)不僅要匹配當前地圖，還要能檢測地圖與現(xiàn)實是否一致，并及時調(diào)整策略。

沒有地圖或地圖失配時怎么辦？

當?shù)貓D缺失或失配時，自動駕駛汽車如何確定自己的位置？如果地圖缺失時，可采用視覺/激光SLAM（即時定位與地圖構建）、視覺里程計，以及基于學習方法的場景識別與重定位。SLAM的核心目標是同時估計自身位姿并增量構建環(huán)境地圖，再通過回環(huán)檢測減少累積誤差，得到一致性更好的軌跡和局部地圖。

視覺里程計通過跟蹤相鄰幀之間的特征點或使用光流來估計相對運動，結合IMU可以在短時間內(nèi)獲得較好的位移估計，適合在地圖缺失或GPS不可用的短暫時段維持定位連續(xù)性。激光里程計基于連續(xù)點云配準，抗光照變化能力強，但在點云稀疏或遮擋嚴重的區(qū)域也可能出現(xiàn)問題。

由于各方案都存在不確定性，冗余設計就非常重要，即使GPS失效，車輛仍可依靠IMU和里程計維持短期定位；即使攝像頭在夜間或霧中受限，激光雷達還能提供結構信息；即使激光雷達被遮擋或失效，視覺和地圖信息也能輔助定位。系統(tǒng)會持續(xù)評估每個傳感器的健康狀況與數(shù)據(jù)質(zhì)量，并動態(tài)選擇最可靠的組合。

除了傳感器冗余，軟件層面也需采用冗余策略，當全局匹配失敗時，系統(tǒng)應進入“退化模式”，要求車輛減速、增大橫向容錯空間、啟用更保守的軌跡規(guī)劃或提示人工接管。在完全無人值守的場景下，車輛則需緩慢駛離主路，進入安全停靠區(qū)，直至定位恢復。

對于自動駕駛汽車來說，定位并不是最終目的，而是自動駕駛車輛做出決策和控制的基礎。車輛的定位收集到的道路參考、車道可用性信息、與交通法規(guī)相關的位置標注等結果會提供給路徑規(guī)劃模塊。規(guī)劃模塊需要知道車輛在車道內(nèi)的具體位置、未來幾米到幾百米的車道拓撲結構，以便執(zhí)行變道、超車、轉彎等動作。

最后的話

自動駕駛汽車判斷自己在哪個車道這一看似簡單的動作，其實需要衛(wèi)星定位、慣性導航、視覺與激光感知、高精地圖、實時濾波與地圖匹配算法、傳感器冗余、時間與空間同步，以及一整套容錯與降級策略的配合。這些模塊就像樂隊中的各種樂器，各自演奏著自己的部分，又必須緊密協(xié)作。

審核編輯 黃宇