自动驾驶汽车在隧道、山区如何精准定位？

[首发于智驾最前沿微信公众号]精准定位是自动驾驶得以实现的核心技术之一。自动驾驶汽车需要准确了解自身在道路上的位置，才能安全地规划路径、保持车道、避让障碍。常见的定位技术包括全球导航卫星系统（GNSS，如GPS/北斗）、惯性测量单元（IMU）、激光雷达（LiDAR）、摄像头（视觉SLAM）以及高精地图匹配等。每种技术各有优劣，GNSS能提供全球坐标但在隧道或山区容易信号丢失，IMU不依赖外界信号但会随时间累积误差，激光雷达和视觉SLAM能实时感知环境但对光照和环境纹理敏感。

想要真正实现自动驾驶，就要求自动驾驶汽车可以在各种交通环境下灵活应对，但在很多交通场景中，会出现隧道、山区等场景，这些地方卫星信号若，且有路况会被遮挡，这时应如何让自动驾驶汽车实现厘米级定位？今天智驾最前沿就带大家聊聊这个话题。

自动驾驶常见定位技术解析

1）GNSS/卫星定位：优势与局限

GNSS（
GlobalNavigationSatelliteSystem）包括GPS、北斗、伽利略等多国卫星导航系统。它通过接收至少4颗卫星信号，计算出车辆的经纬度和高度。其优点是提供全球覆盖的绝对定位，一般能给出米级甚至更高精度的位置。为了提高精度，通常会使用实时动态差分（RTK）或精密单点定位（PPP）等增强技术，将定位精度提升到分米甚至厘米级。例如，双频RTK在95%置信度下横向误差可达0.2米以内，而单频仅为0.4米。此外，多星座（同时接收GPS、北斗等信号）和双频设计可以减少电离层和多路径误差，将进一步提高可靠性。

对于自动驾驶需求来说，GNSS其实有明显局限，它依赖卫星信号传输，在信号被阻挡或反射的环境中会出大问题。比如在隧道、地下车库、森林茂密的山区峡谷中，卫星信号经常被遮挡或多路径反射。有测试发现，当车辆穿越高楼林立、立交桥或隧道等区域时，直接路径信号经常被遮挡，接收机只能接收到反射信号，导致定位误差明显增加。此外，GNSS还受制于大气电离层、卫星钟差和接收机噪声等误差源，这些误差虽可通过双频或差分技术缓解，但在连续遮挡区一旦信号中断，GNSS定位将完全失效。实际驾驶场景中，如果定位精度要求达到10厘米级别（安全过弯和车道级控制所需），一旦GNSS丢失，系统的定位性能就会急剧下降。如在10公里长的隧道中，若仅靠视觉里程计系统，其定位误差可能累计到2.3米（超过一般车道宽度的一半），表明传统GPS方案在此类场景下并不能满足精度要求。

为应对这些问题，常用的做法是增强型GNSS与辅助信号结合，如使用地基RTK网络或卫星增强信号（PPP-RTK）来提高精度；还有提议通过低轨卫星（如星链）发射增强信号。需要了解的是，低轨卫星本身并不直接提升定位精度，但它们可以在半遮挡区域内增加可见卫星数目。例如，在高架桥下或靠近建筑物的区域，通过低轨卫星发送的导航信号可以让接收器“看到”足够多的卫星，从而增强导航可靠性，即使单颗卫星的精度没有改变，但重叠的定位可以让定位更加准确。另外，传统蜂窝网络（如5G/6G基站）和未来的卫星互联网也有望通过信号覆盖来辅助定位。

2）惯性导航（IMU）和里程计

当GNSS不可用时，车辆还可以利用惯性导航进行短时间的定位补偿。IMU（惯性测量单元）由加速度计和陀螺仪组成，能够测量车辆在三个轴向的加速度和旋转角速度。IMU更新频率很高（通常可达100–200Hz），能在GNSS定位更新间隔（10Hz左右）“接力”估算车辆的位移。通常的做法是将IMU读数进行积分，获得车辆的速度和位置增量，这种方法称为惯性航位推算（DeadReckoning）。在GNSS丢失时，车辆可以根据最近的速度和加速度推算短时间内的位置变化。

IMU的优点是，不依赖外部信号，可在隧道或地下等任何环境下连续输出数据；更新频率高，可捕捉高速运动的短时动态。很多技术方案中，会将IMU和GNSS视为“黄金搭档”，GNSS可以修正IMU的累计漂移误差，IMU则可以在GNSS信号不稳定时保持短期位置连续。因此，大部分自动驾驶系统都采用GNSS+IMU组合导航，通过滤波算法融合两者数据。

但IMU也有固有缺陷，那就是随着时间推移，它输出的速度和位置误差会持续累积。高精度IMU昂贵，低成本IMU误差更大。衡量IMU累积误差常用的方法是在GNSS信号完全丢失的情况下，让车辆匀速行驶1000米，然后看推算值与真实值的偏差。实测中，这个误差通常在千分之一到千分之五（1σ）之间。这意味着，如果车辆行驶1公里，纵向漂移可能达到数米（如下述案例），长距离推算精度会迅速下降。因此，纯靠IMU/里程计在隧道或山区行驶超过几百米，就需要其他定位方式来修正误差。

3）激光雷达（LiDAR）与视觉SLAM

为了在GNSS失效时依然精确定位，自动驾驶系统常利用外部环境特征。激光雷达（LiDAR）是一种通过发射激光束测距的传感器，能够生成高密度的三维点云。LiDAR的优势在于它自带光源（激光），能在夜间或光线差的环境下探测到周围障碍物和道路边界。有测试发现，LiDAR在昏暗环境或隧道出入口场景效果显著优于普通摄像头，因为它给出了稳定的光源和精确的距离信息；理想汽车CEO李想也曾公开指出，保留激光雷达是出于安全考量，而非技术不足。

LiDAR的另一大应用是点云地图匹配，自动驾驶公司通常会事先利用高精度LiDAR对道路环境进行扫描，构建高清地图。当车辆行驶时，再用实时LiDAR扫描结果与地图对齐定位。常用的算法有ICP（迭代最近点）和NDT（正态分布变换）等。通过匹配固定环境特征（如山体边缘、隧道壁面、隧道入口结构等），车辆能在地图中“找到”自身位置。这种方法不依赖卫星信号，非常适合隧道、室内或山区道路。

但LiDAR也有不足，它成本高、数据量大。高清点云地图每秒会产生数百万个数据点，存储和处理压力极大。在实时定位中需要快速匹配大量点云，计算量庞大，可能会影响实时性。如果道路环境相对单调（如长直隧道内壁形状重复、或茂密森林中少有显著特征），LiDAR匹配也可能出现困难。

视觉SLAM则利用车载摄像头（单目、立体或RGB-D）进行特征提取与匹配。视觉SLAM可通过识别道路标志、车道线、建筑物边缘等视觉特征来完成定位和建图。视觉系统优点是成本相对低，分辨率高，还能捕捉颜色信息。在光照良好、景物丰富的场景下，视觉定位效果很好。它的缺点是易受光照和天气影响：在强光、逆光、夜间、雨雪等情况下，摄像头图像质量下降，特征提取难度增大，定位精度显著降低。当光线剧烈变化时，纯视觉系统可能无法正确跟踪环境，车辆定位可能出现偏差。因此，视觉SLAM往往与其他传感器（如IMU）共同使用，形成视觉惯导（VIO）系统，以缓解单一视觉漂移。

4）地图匹配与车道线参考

除了实时传感器，高精地图（HD地图）也是自动驾驶重要的定位辅助。HD地图记录了道路如车道线、交通标志、周边建筑等详细三维几何和语义信息，。车辆可以通过地图匹配（MapMatching）将传感器捕捉到的路边线、路缘石、标志物等与地图上的对应要素对齐，获取精确位置。在隧道中，如果地图中标注了隧道入口的位置和形态，车辆进入隧道后，LiDAR或视觉系统检测到隧道口结构，就可以匹配定位。

HD地图的使用可以显著提高定位精度，但也有很多的问题需要解决，制作和维护高精地图成本高，需要频繁更新；同时地图数据量极大，加载和查询都需强大算力。为此，有方案提出分块加载或车辆—基础设施（V2I）共享地图等方式，减少车载处理压力。高精地图是自动驾驶中重要的先验信息源，但在无地图区域就要依赖纯SLAM技术。

隧道与山区的定位挑战

隧道、山区等复杂环境对自动驾驶定位提出了独特挑战。隧道内完全屏蔽了卫星信号，必须依赖车载传感器进行闭环定位。如果使用激光雷达/视觉建图与车道线参考，当隧道入口和出口被识别时，可以部分校正定位误差。但若隧道内道路结构单一、车道线不明显、或车辆之间拥堵形成复杂交通环境，则SLAM匹配难度增大。实测表明，当隧道内车道线识别正常时，车辆定位效果可以满足安全要求；但如果车道线丢失而推算里程超过约400米，横向误差可能超过0.78米，不满足高速辅助驾驶要求。此外，隧道内连续数百米全靠惯性推算，出隧道后纵向误差可能累计到米级（如1公里隧道+1公里隧道外，纵向误差可能达3米，99.7%置信度下）。这意味着，仅靠IMU+车速计的融合，在长隧道下定位很快会偏离实际车道，需要采取特殊措施。

山区道路虽然不完全遮挡天空，但山体、峡谷和森林也会造成卫星信号多路径和间歇性丢失。加之山区道路往往弯道多、起伏大，IMU的坡度和横滚测量更加重要，同时周围景物较复杂，也给视觉SLAM带来机遇（丰富特征）和挑战（树影、积雪等变化多）。山区定位与城市高速类似，也需要多传感器配合：充分利用车道标线、道路边缘、隧道和桥梁结构、路边树木等环境特征，与地图匹配，同时通过IMU短期惯性推算，实现连续定位。

典型实践与解决方案

1）车道线与视觉辅助

一些厂商会在高速公路隧道内施工特定的车道线或RFID标识，帮助车辆定位。有研究表明，只要隧道内部车道线正常可见，车辆就能顺利通过1公里长隧道；即便车道线中断，只要里程低于400米，也可通过高精IMU+轮速组合保持车道内0.8米误差以内。

2）隧道地图SLAM

高频出入同一隧道的车队（如公交或校车）会提前测绘隧道内部3D点云，建立隧道内部地图。进入隧道前将该地图下载到车上，隧道内利用LiDAR点云匹配保持定位。当驶出隧道恢复GNSS时，再用卫星信号更新全局位置。

3）高精地图支持

百度Apollo、Pony.ai等中国自动驾驶项目，都依赖于详尽的高精地图。在高架桥和山路交界或隧道入口前后，这些系统通过地图和传感器同时定位。当车辆驶出隧道后，它会首先识别入口处的特征（标志、灯光），立即将当前相对位置“锁”到地图上，从而校正经过隧道内的漂移。这样，高精地图匹配成为重要校准手段。

4）激光雷达和毫米波雷达使用

越高级别的自动驾驶功能，对雷达和激光雷达的依赖越高。统计显示，在L2以上的驾驶系统中，激光雷达的配备率超过60%，城市NOA场景更接近100%。有很多技术方案中都提出，夜间或复杂环境下需要保留LiDAR以保证感知安全。而毫米波雷达则可在烟雾和尘土天气下穿透率较高，用于长期稳定的目标跟踪，也是隧道场景常用的辅助传感器。

5）多连走冗余定位

国外如Waymo也采用多模态冗余定位，它在部分隧道或地下环路布置惯性导航地标，与高精地图联合使用，虽然细节不公开，但思路和上述类似。特斯拉暂时只用视觉+GPS定位，因而在中国高速隧道测试中定位误差被网友曝出高达2.3米，后续据报道称特斯拉已与百度合作将HD地图等信息融入FSD系统中，这或将改进隧道定位不精准的情况。

未来趋势展望

1）低轨卫星定位

如前所述，LEO卫星（如SpaceX星链或国内低轨星座）可扩展卫星覆盖范围。华为预计，到6G时代通过地面网络和非地面网络一体化，可将定位精度从米级提升到厘米级。虽然单个低轨卫星本身不直接提高精度，但它们可播发增强信号，尤其在半遮挡区域增加可用卫星，理论上辅助GNSS达到更高的可用性。

2）6G与V2X辅助

未来6G网络可能内置定位能力（如侧边通信单元做超宽带定位），并通过车—车、车—基站协作感知（C-V2X）来增强定位精度。有研究提到“6G交通”将融合通信和感知，利用实时大带宽低延迟网络让汽车间交换地图、位置信息，提高在复杂环境下的安全冗余定位。

3）智能传感器升级

高性能IMU（如光纤陀螺）和新型视觉雷达（融合毫米波与摄像的传感器）、量子陀螺等也在研发中，未来可能进一步减小惯性漂移或增加环境特征感知。同时，人工智能技术在SLAM中的应用也越来越成熟，能更灵活地处理隧道与山区特殊景象。

4）云端与边缘计算

自动驾驶车辆可实时向边缘服务器传输环境数据，让云端的高性能计算资源参与定位与建图。即使GNSS信号差，云端服务器凭借远端观测与历史数据也许能帮助车辆校正位置。如边缘基站记录的环境雷达回波和历史车流信息都可作为定位辅助。

总之，隧道和山区定位是自动驾驶的“硬骨头”。目前已有多种方案互补，短时过度靠IMU死算，利用LiDAR/视觉进行局部SLAM，与高精地图匹配校正，最终融合所有传感器输出最优解。未来，随着卫星导航网络升级和通信技术发展，相信自动驾驶车辆在隧道、山区等弱信号环境中的定位精度将进一步提升，为高等级自动驾驶的安全运行保驾护航。

审核编辑 黄宇