1、定位技术全景：GNSS、IMU、轮速计、视觉SLAM、激光SLAM、高精地图的定位角色
各位同学，咱们今天聊聊定位技术的全家福。
做自动驾驶这几年，我最大的感触就是：没有一种传感器是万能的。你想想看，GNSS在隧道里直接罢工，IMU长时间跑着跑着就飘了，视觉SLAM遇到白墙就懵圈……所以，搞定位本质上就是一场「取长补短」的游戏。
我个人习惯把定位技术分成两大类：绝对定位和相对定位。下面咱们一个一个过。
1.1 GNSS：那个「天上来」的坐标
GNSS，说白了就是GPS、北斗这些卫星导航系统的统称。它的定位角色很明确——提供全局绝对坐标。
我在项目中遇到过最头疼的事：城市峡谷里，GNSS信号被高楼反射，定位误差能飙到几十米。嗯，这里要注意，单点GNSS的精度通常在3-5米，但加上RTK（实时动态差分）后，可以做到厘米级。
核心角色：全局初始化、长时间漂移修正、绝对位置约束。
避坑指南：我曾经以为RTK能解决一切，结果在立交桥下照样丢星。记住，GNSS是「参考系」，不是「保险箱」。
1.2 IMU：那个「自己跟自己较劲」的传感器
IMU（惯性测量单元）测量的是加速度和角速度。它的定位角色是——短时高精度、高频姿态推算。
说白了，IMU就是个「积分器」。你给我一个初始位置，我就能通过积分算出你下一秒在哪。但问题来了：积分误差会累积。我做过一个测试，纯IMU推算10秒后，位置误差能到几米。
核心角色：高频姿态更新（100Hz以上）、短时盲区填补、与GNSS互补。
个人经验：我习惯把IMU的零偏标定放在每次启动后的前30秒。别小看这一步，能省掉后面很多滤波的麻烦。
1.3 轮速计：那个「接地气」的家伙
轮速计，就是车轮上的编码器。它的定位角色很朴实——提供车辆速度约束。
你想想看，车轮转一圈，车就走一个轮胎周长的距离。这个信息虽然粗糙，但胜在稳定。我在做停车场定位时，GNSS信号全无，IMU又飘得厉害，最后全靠轮速计+航向角撑着。
核心角色：速度约束、非完整性约束（车辆不能侧滑）、低成本方案。
注意：轮速计在打滑、急刹车时完全不可信。我曾经在雪天测试，轮速计显示车速30km/h，实际车在原地打转……
1.4 视觉SLAM：那个「看世界」的眼睛
视觉SLAM（同步定位与地图构建）通过摄像头图像来推算自身位置。它的定位角色是——特征丰富的环境中的相对定位。
我做过一个视觉SLAM项目，在纹理丰富的室内，定位精度能到厘米级。但一跑到白墙走廊，特征点直接消失，定位就崩了。为什么会这样？因为视觉SLAM依赖「特征点匹配」，没有特征，它就瞎了。
核心角色：视觉里程计、回环检测、语义信息提取。
避坑指南：我曾经在夜间测试视觉SLAM，结果路灯下的光晕让特征点全乱套。后来我加了曝光补偿和自适应阈值，才算稳住。
1.5 激光SLAM：那个「摸黑也能干活」的硬汉
激光SLAM（激光雷达同步定位与地图构建）用激光点云来定位。它的定位角色是——高精度、全天候的相对定位。
激光雷达不受光照影响，晚上、雨天都能工作。我做过对比测试：同一段路，视觉SLAM在白天精度5cm，晚上直接崩了；激光SLAM不管白天黑夜，精度稳定在2-3cm。但代价是——贵。
核心角色：高精度点云匹配、地图构建、恶劣环境下的主力定位。
个人经验：我习惯用NDT（正态分布变换）做点云匹配，比ICP（迭代最近点）快很多，而且对初值不敏感。
1.6 高精地图：那个「参考答案」
高精地图不是传感器，但它提供了先验信息。它的定位角色是——提供绝对位置参考、车道级约束、语义先验。
你想想看，如果车知道前方50米有个红绿灯，知道当前车道宽度3.5米，那定位就不仅仅是「我在哪」，而是「我在哪条车道、离路沿多远」。我做过一个项目，只用GNSS+IMU，定位误差1.5米；加上高精地图匹配后，误差降到0.3米。
核心角色：车道级定位、语义约束、长期定位稳定性。
注意：高精地图需要定期更新。我曾经遇到过地图上显示「施工中」，但实际路已经修好了，结果定位直接偏了一个车道。
1.7 它们怎么配合？
好了，现在咱们有了这么多传感器，怎么让它们一起干活？
我个人习惯用多传感器融合框架，核心思路就一句话：用绝对定位（GNSS/高精地图）修正长期漂移，用相对定位（IMU/轮速计/SLAM）填补短期盲区。
举个例子：
- 正常行驶时，GNSS+IMU+轮速计做EKF（扩展卡尔曼滤波）融合，输出100Hz的位置和姿态。
- 进入隧道后，GNSS失效，系统自动切换到IMU+轮速计+视觉SLAM的融合模式。
- 出隧道后，GNSS信号恢复，系统用GNSS+高精地图匹配做全局修正，把累积误差拉回来。
总结一下各传感器的定位角色：
| 传感器 | 定位角色 | 优势 | 劣势 |
|---|---|---|---|
| GNSS | 绝对位置 | 全局无漂移 | 易受遮挡 |
| IMU | 姿态/短时位置 | 高频、不受环境干扰 | 积分漂移 |
| 轮速计 | 速度约束 | 稳定、低成本 | 打滑时失效 |
| 视觉SLAM | 相对定位 | 特征丰富时精度高 | 光照敏感、纹理依赖 |
| 激光SLAM | 高精度相对定位 | 全天候、精度高 | 成本高、点云稀疏场景受限 |
| 高精地图 | 先验参考 | 车道级约束、语义信息 | 需要维护更新 |
好了，这一章咱们把定位技术的全家福过了一遍。下一章，我会详细讲多传感器融合的数学框架——说白了，就是怎么把这些传感器的数据「揉」在一起，得到最靠谱的定位结果。
记住一句话：没有完美的传感器，只有完美的融合。