自动驾驶汽车如何确定自己的位置和所在车道？

我们平时开车时，判断自己在哪条路、哪个车道，只需要看一眼导航、扫几眼车道线、再听听提示就够了。但对自动驾驶汽车来说，这件事既简单又复杂。简单在于自动驾驶汽车拥有比人类更多的“感官”和更强的计算能力；复杂则在于，这项工作必须做到精准（米级甚至分米级）、稳定、连续，并且要在各种极端环境下都要可靠。那自动驾驶汽车是如何确定自己的位置和所在车道的？

图源自：网络

车辆如何感知世界？

自动驾驶汽车要知道“我在哪儿”，首先要做的就是得能感知周围环境。自动驾驶汽车的“感官”主要包括卫星定位系统、惯性测量单元、车速传感器、摄像头和激光雷达等传感器。每种传感器各有优缺点，通常会把它们组合起来，取长补短。

卫星定位（如GPS、北斗、GLONASS等）能提供车辆大致的经纬度和高度。卫星定位精度可达几米，但仅靠原始信号难以满足车道级（小于一米）的精度要求。因此常采用差分技术、实时动态定位（RTK）或星基增强系统，将精度提升至亚米甚至分米级别。不过这些技术对基站覆盖、信号遮挡和多路径反射比较敏感，如果在高楼林立、立交桥下或隧道中，就容易发生信号丢失或误差增大的情况。

图片源自：网络

惯性测量单元（IMU）中包含加速度计和陀螺仪，能提供短时间内的姿态变化和加速度信息。它的优点是响应快、短时稳定，但长时间使用就会产生漂移。车轮里程计或车速传感器则用于提供行驶里程信息，但轮胎打滑或直径误差会影响其准确性。

摄像头可以捕捉车道线、路缘、交通标志和周围车辆等信息，是判断“在哪个车道”的关键传感器之一。不过摄像头对光照、雨雪、雾霾和污渍比较敏感，但在能见度好的情况下，它能提供丰富的语义信息。激光雷达（LiDAR）能精确测量周围物体的三维距离，生成点云，用于匹配高精地图或提取道路几何特征。激光雷达不受光线影响，但在雨雪雾天气中，点云质量也会下降。通过综合这些传感器的信息，自动驾驶汽车就能建立起对自身位置和周边环境的认知。

传感器融合与滤波，把“杂乱信息”变成可靠的位置

融合卫星定位、IMU、里程计、激光雷达和摄像头的数据，需要借助卡尔曼滤波及其扩展形式、粒子滤波，以及现代机器学习方法的辅助等数学工具来处理不确定性。每个传感器给出一个估计值和不确定度，再通过状态空间模型和观测模型，把这些估计融合成一个最优的、带有不确定度的位姿估计。

扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）作为比较常见的方案，它们用于融合IMU和轮速计的高频短期信息与GPS的低频绝对信息。这样可以在有GPS信号时校正IMU漂移，在无GPS时依靠IMU维持短期稳定。粒子滤波（蒙特卡洛定位）则广泛用于地图匹配问题，尤其适合非线性和非高斯噪声的场景。现在的技术方案中，常采用分层融合架构，底层用高频IMU进行即时状态传播，中层用里程计和视觉/激光里程信息施加短期约束，高层则周期性地使用GPS或地图匹配进行全局校准。

图片源自：网络

时间同步和空间标定也非常关键。不同传感器的数据必须对齐到同一时间戳，否则融合结果会出现明显偏差。空间标定则用于确定各传感器在车体坐标系下的位置和朝向，标定误差会直接导致定位错误。因此要采用严格的时间同步机制（如PPS信号、PTP网络时间协议）和标定流程（如标定板、静态点云配准）来避免这个问题。

不确定性的管理也很重要。融合算法不仅要输出最优估计值，还要给出置信度或协方差。这个置信度对上层决策至关重要，当定位置信度低时，车辆需要降低速度、加大跟车距离、增强环境感知，或切换至更保守的驾驶策略。

地图与定位，从“在哪条路”到“在哪条车道”

卫星和惯性信息能把车辆定位到路网的大致位置，但要精确到具体车道，还需要高精地图和地图匹配技术的支持。高精地图包含车道中心线、车道边界、路缘、车道拓扑关系、斑马线、交通标志以及路面几何细节，精度一般达到厘米级。车辆通过将实时传感器观测与高精地图进行匹配，就能实现车道级定位。

地图匹配有多种方式。激光雷达点云匹配常用迭代最近点（ICP）或正态分布变换（NDT）等方法，将当前扫描到的点云与地图中的点云或网格进行配准，从而修正位姿。视觉方法则利用摄像头捕捉的路面特征（如路缘、地面标志、建筑物等）与地图中的视觉标记或语义信息进行匹配。现阶段的技术方案中还会借助深度学习提取更稳健的特征描述子来提升匹配效果。

判断具体车道还需要实时检测与跟踪车道线。摄像头常用于车道线检测，配合鸟瞰变换和多帧跟踪算法，可以稳定估计车辆相对于车道中心线的横向偏差和航向角误差。激光雷达也能在某些场景下，通过点云中地面与路缘的高度差或连续性辅助判断车道边界。将检测到的车道线与地图中的车道线匹配后，就能明确“当前在哪条车道、在车道中的具体位置”。

需要注意的是，地图并非绝对可靠。当出现道路施工、临时交通管制、车道标线褪色等情况时，都可能导致地图与实际路况不符。因此，定位系统不仅要匹配当前地图，还要能检测地图与现实是否一致，并及时调整策略。

没有地图或地图失配时怎么办？

当地图缺失或失配时，自动驾驶汽车如何确定自己的位置？如果地图缺失时，可采用视觉/激光SLAM（即时定位与地图构建）、视觉里程计，以及基于学习方法的场景识别与重定位。SLAM的核心目标是同时估计自身位姿并增量构建环境地图，再通过回环检测减少累积误差，得到一致性更好的轨迹和局部地图。

视觉里程计通过跟踪相邻帧之间的特征点或使用光流来估计相对运动，结合IMU可以在短时间内获得较好的位移估计，适合在地图缺失或GPS不可用的短暂时段维持定位连续性。激光里程计基于连续点云配准，抗光照变化能力强，但在点云稀疏或遮挡严重的区域也可能出现问题。

由于各方案都存在不确定性，冗余设计就非常重要，即使GPS失效，车辆仍可依靠IMU和里程计维持短期定位；即使摄像头在夜间或雾中受限，激光雷达还能提供结构信息；即使激光雷达被遮挡或失效，视觉和地图信息也能辅助定位。系统会持续评估每个传感器的健康状况与数据质量，并动态选择最可靠的组合。

图片源自：网络

除了传感器冗余，软件层面也需采用冗余策略，当全局匹配失败时，系统应进入“退化模式”，要求车辆减速、增大横向容错空间、启用更保守的轨迹规划或提示人工接管。在完全无人值守的场景下，车辆则需缓慢驶离主路，进入安全停靠区，直至定位恢复。

对于自动驾驶汽车来说，定位并不是最终目的，而是自动驾驶车辆做出决策和控制的基础。车辆的定位收集到的道路参考、车道可用性信息、与交通法规相关的位置标注等结果会提供给路径规划模块。规划模块需要知道车辆在车道内的具体位置、未来几米到几百米的车道拓扑结构，以便执行变道、超车、转弯等动作。

最后的话

自动驾驶汽车判断自己在哪个车道这一看似简单的动作，其实需要卫星定位、惯性导航、视觉与激光感知、高精地图、实时滤波与地图匹配算法、传感器冗余、时间与空间同步，以及一整套容错与降级策略的配合。这些模块就像乐队中的各种乐器，各自演奏着自己的部分，又必须紧密协作。