朱晓章
开通时间 : ..
最后更新时间 : ..
卫星惯导联合定位的需求，在汽车领域主要来自两类，一类是近几年火热的智能驾驶领域，通常要求分米级厘米级，但是有RTK可用，系统成本接受度也较高；另一类是长久以来一直存在的座舱娱乐、导航以及监管领域，通常要求米级精度，且成本严重受限，在没有RTK可用的情况下，对于IMU器件的高精度动态校准也存在较大困难，因此工业界和学术界会各显神通，加入各种先验信息，例如“前轮转向”、“一般人开车不会power sliding”、“车在路上跑”等等。如下是关于道路特征信息和GNSS/INS组合导航优化的简单综述。
https://docs.google.com/document/d/1_mrvwHsRTpIhzB9O7slIXe2wpH9WlJ8SVSLR12l7L4E
【考虑到读者不一定能有各种学术论文数据库的权限，里面的参考文章约束了open access，开门抛砖】
传统的GNSS和INS导航系统在复杂环境中面临严峻考验，如城市峡谷中的信号遮挡和INS固有的累积误差。这为利用高精度地图信息辅助定位带来了前所未有的机遇。
城市峡谷、隧道等环境易导致GNSS信号衰减或丢失，严重影响定位精度。
多路径效应和非视距传播进一步加剧了GNSS在城市环境中的定位误差。
漂移效应
INS定位误差随时间无限累积，若无外部校正，数分钟内即可产生数十米甚至更大的偏差。
即使是高精度INS，长期自主导航的可靠性也难以保证，亟需外部信息源进行校正。
地图匹配是将车辆的初步定位结果与数字道路网络相关联的关键技术。它不仅能校正误差，还能确保车辆轨迹的合理性，是地图辅助定位的核心。
基于《综述》表1，对不同地图匹配算法在“实现复杂度”与“鲁棒性”方面的定性评估（1-5分，分数越高代表越优/越复杂）。
解读：虽然几何匹配实现简单，但在复杂路网中表现不佳。概率匹配方法（如HMM、粒子滤波）因其对噪声的鲁棒性和处理不确定性的能力而备受关注，尽管其实现可能更为复杂。高级/混合匹配则试图结合各方优点，追求更高精度。
超越传统的点线匹配，利用道路的精细几何特征（如回旋线表示、车道级细节）和曲率信息，为定位算法提供了更丰富的约束，是提升定位精度的重要突破口。
多段线 (Polyline) vs. 回旋线 (Clothoid)
近似表示, 曲率不连续
精确平滑, $C^2$连续
回旋线能更精确地描述道路的缓和曲线段，为车辆动态建模和预测提供坚实基础，显著优于传统的多段线表示。
地图特征约束定位
📍(GNSS/INS初步定位)
🛣️ (道路边界/中心线/曲率/朝向)
🎯 (精确校正后定位)
道路边界信息约束车辆横向位置，路段朝向校正INS航向漂移，曲率信息则有助于预测车辆动态和评估定位状态的合理性。
先进的滤波与优化算法，如粒子滤波器和因子图优化，能够有效融合道路形态、曲率等复杂地图约束，处理非线性问题，从而实现更优的定位性能。
基于《综述》表2及相关章节，对不同融合算法在集成道路形态/曲率约束方面的研究关注度进行的定性示意。
解读：粒子滤波器（PF）因其处理非线性/非高斯问题的能力，在融合复杂地图特征方面受到广泛研究。因子图优化（FGO）作为一种批处理方法，也展现出集成多源信息和复杂约束的巨大潜力。传统的EKF/UKF虽然成熟，但在处理强非线性和复杂地图约束时面临挑战。
多项研究案例表明，利用道路形态与曲率信息能够显著提升GNSS/INS组合导航在各种挑战环境下的定位精度和可靠性。
特征: 回旋线, 车道连通性
方法: 粒子滤波器 + Emap
实现车道级定位，回旋线精确描述道路几何。
特征: 路段几何, 地图拓扑
方法: HMM + 自适应EKF
显著减轻GNSS多路径误差，提升融合稳健性。
特征: 高精车道图, LiDAR曲率
方法: LiDAR地图匹配校正
隧道内横向误差 <0.3m，纵向 <0.6m。
尽管成就显著，但地图辅助定位仍面临地图质量、计算复杂度等挑战。人工智能、高精地图动态更新、完整性监测等技术将引领未来发展方向。
有效利用道路形态与曲率信息，将地图从静态参考转变为导航系统中的主动动态组成部分，是实现下一代智能车辆系统的关键。
