高精度定位：自动驾驶的隐形基石与RTK技术工程实践-开发者社区

1. 从“牵手”看合作：为什么是千寻位置？

最近看到一汽红旗和千寻位置合作的消息，圈内朋友聊起来，都觉得这事儿挺有意思，但又不算太意外。说它有意思，是因为这不仅仅是两家公司的简单合作，更像是一个标志性事件，标志着国内主机厂在自动驾驶核心能力构建上，开始从“全栈自研”的宏大叙事，转向更务实、更聚焦的“强强联合”模式。说它不意外，是因为高精度定位这事儿，确实到了必须啃下来的硬骨头阶段，而千寻位置在这个领域，确实有它的独到之处。

那么，为什么一汽红旗会选择千寻位置？或者说，为什么高精度定位在今天变得如此关键？这得从自动驾驶技术演进的“暗线”说起。过去几年，行业的目光大多被激光雷达、摄像头、算法模型这些“显性”技术所吸引，大家比拼的是谁的传感器更豪华，谁的感知算法更精准。这当然没错，但一个逐渐浮现的共识是：感知再强，如果不知道自己的精确位置，就像一个人视力再好，在茫茫大海上没有GPS，依然会迷失方向。这里的“位置”，不仅仅是“我在哪条路上”，而是厘米级、甚至分米级的绝对位置和姿态。这直接关系到车辆能否在复杂路口精确选择车道、能否在无车道线区域稳定行驶、能否在恶劣天气下保持定位不丢失。

千寻位置提供的，正是这样一套“时空智能”基础设施。它基于遍布全国的北斗地基增强站网络，通过互联网播发差分修正数据，为终端提供实时厘米级定位服务。这套方案的吸引力在于，它把高精度定位从一个需要巨额投入自建基础设施的“重资产”项目，变成了一个可以按需订阅的“云服务”。对于一汽红旗这样的主机厂来说，这意味着可以快速获得稳定可靠的高精度定位能力，而无需从头去建站、维护、运营一套全国性的网络，能将宝贵的研发资源更集中地投入到车辆控制、决策规划等核心算法上。

更深一层看，这次合作可能还瞄准了未来车路协同（V2X）和高级别自动驾驶（L4）的布局。V2X通信要求车辆不仅知道自己，还要知道其他交通参与者的精确位置，这需要一个统一、高精度的时空基准。千寻位置的全国一张网，恰好能提供这样的基准服务。而面向L4的Robotaxi或特定场景自动驾驶，高精度定位更是安全冗余的必需品。所以，这步棋看似是补短板，实则是为未来的技术演进铺路。

2. 高精度定位：自动驾驶的“隐形基石”与技术实现

聊完了合作背景，我们得深入看看，高精度定位到底是怎么实现的，以及它在自动驾驶系统里扮演什么角色。很多人可能觉得，手机GPS精度够用了，为什么汽车需要厘米级？这里有个根本区别：手机导航的容错率很高，偏个几米、十几米，顶多让你走错路口，多绕点路；但自动驾驶车辆，偏几十厘米可能就意味着撞上护栏或闯入对向车道，后果是灾难性的。

目前，实现车载高精度定位主要有几种技术路线，而千寻位置代表的是“卫星定位+地基增强”的RTK（实时动态差分定位）方案。

2.1 RTK技术原理与千寻的“全国一张网”

简单来说，普通的单点GPS定位误差主要来自卫星星历误差、电离层/对流层延迟、接收机噪声等，这些误差加起来可能达到米级甚至十米级。RTK技术的核心思想是“差分消除”。它需要一个已知精确坐标的“基准站”。基准站接收到卫星信号后，会计算出包含各种误差的“伪距观测值”，并与它自身的真实坐标反算出的理论值进行比较，得出一个“差分修正量”。

千寻位置的商业模式，就是建设并运营了覆盖全国的北斗/GNSS地基增强站网络（“全国一张网”）。这些基准站实时计算差分修正数据，然后通过移动互联网（4G/5G）播发给在线的车载终端。车载终端（通常是集成RTK模块的定位域控制器或T-Box）接收到自己的原始观测数据和来自千寻的差分修正数据后，进行实时解算，就能极大地消除公共误差，实现厘米级定位。

这个过程的难点和关键点在于：

基准站网的密度与稳定性：站网越密，电离层等空间相关误差的建模就越准，服务覆盖和可靠性也越高。千寻的优势就在于其已建成的庞大站网。
通信链路的质量与延迟：差分数据需要通过无线网络实时下发，网络延迟和丢包会直接影响定位的实时性和精度。这就需要和运营商有深度合作，优化传输链路。
终端算法的鲁棒性：车载环境复杂，有高楼、高架、隧道等信号遮挡场景。优秀的RTK算法需要具备快速重新收敛（失锁后快速找回高精度定位）、多频点多系统（支持北斗、GPS、GLONASS等）融合、以及与其他传感器（如IMU惯性测量单元）紧耦合的能力。

2.2 定位、定姿与时间同步

高精度定位输出的不仅仅是经纬高（位置），还包括三个方向的姿态角（俯仰、横滚、航向）以及高精度的时间戳。这对于自动驾驶至关重要：

位置：用于在高精度地图（HD Map）的车道级图层中进行匹配定位（Map Matching），确定车辆在哪个车道的具体位置。
姿态（尤其是航向角）：决定车辆的行驶方向。在高速过弯或车辆打滑时，仅靠轮速计等车身信号无法准确估计航向，高精度GNSS/IMU融合给出的航向是关键输入。
时间：为所有传感器数据（摄像头、激光雷达、毫米波雷达）提供统一的时间戳（时间同步），这是多传感器融合的基础。不同传感器数据必须对齐到同一时刻，才能进行有效的融合感知。

2.3 与其他传感器的融合：IMU与轮速计

RTK GNSS有一个致命弱点：信号依赖。在隧道、地下车库、城市峡谷（高楼之间）等场景，卫星信号会严重衰减甚至完全丢失。这时，就必须依靠惯性导航系统（INS），其核心是IMU（惯性测量单元）。

IMU通过加速度计和陀螺仪测量车辆的角速度和线加速度，通过对时间积分来推算位置和姿态的变化。它的优点是完全自主，不依赖外部信号；缺点是积分误差会随时间累积而发散（漂移）。因此，最经典的架构是GNSS/IMU紧耦合组合导航：当GNSS信号良好时，用高精度的GNSS结果来校正IMU，抑制其漂移；当GNSS信号丢失时，利用IMU进行短时间的高频高精度推算，为系统提供连续的定位输出，直到GNSS信号恢复。

此外，车辆本身的轮速计、方向盘转角等车身信号（通过CAN总线获取）也可以作为辅助信息，与GNSS/IMU进行融合，进一步约束推算误差，尤其是在车辆低速或静止时，IMU对速度的观测噪声较大，轮速信息能起到很好的补充作用。

所以，一套完整的车载高精度定位系统，通常是一个以RTK GNSS为核心，深度融合IMU、轮速计等信息的组合导航系统。一汽红旗与千寻的合作，大概率是引入千寻的RTK差分服务数据流，与红旗自研或选型的组合导航硬件/算法进行集成。

3. 集成挑战与工程化落地：从实验室到量产车

把高精度定位技术集成到量产车上，并保证其全天候、全场景的稳定可靠，是比技术原理本身更复杂的工程挑战。这也是主机厂与供应商合作的价值所在——共同解决这些落地难题。

3.1 车规级硬件与成本控制

实验室里用的高精度GNSS板卡和战术级IMU，性能虽好，但价格昂贵、体积大、功耗高，且未必满足车规级（如AEC-Q100， ISO 16750）的温度、振动、寿命要求。量产方案必须在性能、成本、可靠性之间找到平衡。

GNSS芯片/模块：需要选择支持多频点、多系统（BDS, GPS, GLONASS, Galileo）、且集成RTK解算引擎的车规级芯片或模块。同时，天线的设计也极为关键，包括天线相位中心稳定性、抗多径效应能力等，需要与整车造型集成，考虑安装位置（通常在前挡风玻璃顶部或鲨鱼鳍内）对信号接收的影响。
IMU选型：量产车主要采用MEMS（微机电系统）IMU。其精度远低于光纤陀螺或激光陀螺，但成本低、体积小、易集成。如何通过先进的算法（如 Allan方差分析标定误差、在线标定补偿）来挖掘MEMS IMU的潜力，是算法团队的核心工作之一。通常，IMU会与GNSS模块封装在同一盒子内，构成“GNSS-IMU组合导航盒子”，以减少内部连线误差。

3.2 软件算法与功能安全

软件层面，组合导航算法是灵魂。它需要处理多源异构传感器的异步数据，进行时间对齐、数据融合、状态估计（常用卡尔曼滤波或其变种，如扩展卡尔曼滤波EKF、误差状态卡尔曼滤波ESKF）。

紧耦合 vs 松耦合：松耦合是分别解算GNSS位置和IMU推算位置，然后进行融合。紧耦合则是将GNSS的原始伪距、载波相位观测值直接与IMU状态一起放入滤波器进行估计，理论上精度更高、鲁棒性更好，尤其是在可见卫星数少的情况下。量产方案正向紧耦合演进。
功能安全（ISO 26262 ASIL）：定位系统作为自动驾驶的安全相关系统，需要达到一定的功能安全等级（如ASIL B）。这意味着算法需要有故障检测与处理机制（如GNSS欺骗攻击检测、IMU故障诊断）、冗余设计、以及安全状态下的降级策略（如定位精度降级时，系统应如何安全地提示或接管）。

3.3 测试验证与场景覆盖

高精度定位系统的测试极其复杂，需要覆盖海量场景：

开阔天空场景：验证RTK固定率、定位精度、收敛时间等基准性能。
城市复杂场景：测试在高架桥下、楼群间、林荫道等信号多径和遮挡严重环境下的表现。
极端场景：隧道、地下车库等GNSS完全失效场景下，纯惯性导航的维持时间和精度衰减情况。
动态场景：高速行驶、急加减速、激烈过弯等动态条件下，IMU的动态响应和融合算法的跟踪能力。
全国范围路测：验证千寻差分服务在不同地域（电离层活动差异）、不同网络环境下的覆盖率和稳定性。

这些测试需要大量的实车数据积累和自动化测试工具链。一汽红旗与千寻的合作，很可能包含联合测试验证的部分，利用红旗的车辆平台和测试场，结合千寻的服务数据，共同打磨系统的成熟度。

4. 赋能自动驾驶全栈：定位数据如何流动与使用

高精度定位信息不是孤立的，它需要无缝融入自动驾驶的整个软件栈，从感知、预测、规划到控制，每一个环节都可能用到。

4.1 感知与高精地图匹配

这是定位数据最直接的应用。自动驾驶系统通过定位和姿态信息，将自己“钉”在高精度地图上。这个过程称为地图匹配（Localization）。高精地图不仅包含车道线、交通标志等几何信息，还包含语义信息（如车道类型、限速、路口拓扑关系）。通过精准定位，车辆可以：

知道自己所在的车道，以及相邻车道的情况。
提前预知前方的道路曲率、坡度、交通标志位置，为规划和控制提供先验信息。
在感知模块中，可以将检测到的动态物体（车辆、行人）也映射到全局坐标系中，便于跟踪和预测。

4.2 预测、规划与控制

预测：对其他交通参与者的轨迹预测，需要基于一个稳定的全局坐标系。精准的自身定位是准确预测他车行为的前提。
规划：路径规划模块需要在高精地图提供的车道级路网中进行搜索。规划出的轨迹是一系列全局坐标点。车辆需要知道自己的精确位置，才能计算出跟踪这条轨迹所需的控制指令。
控制：控制器（如横向的转向控制、纵向的速度控制）最终执行的是规划模块输出的轨迹。定位的精度和频率（通常要求100Hz以上）直接影响了控制的平顺性和准确性。特别是在高速场景或曲率大的弯道，定位延迟或误差可能导致车辆“画龙”或冲出车道。

4.3 与V2X和云端闭环的联动

这正是此次合作可能瞄准的未来方向。

V2X（车路协同）：V2X消息（如SPAT信号灯相位、RSI路侧信息、其他车辆发送的BSM基本安全消息）中都包含精确的位置信息。所有车辆和路侧设备必须基于同一时空基准（如千寻提供的服务）才能实现有效的协同感知和决策。否则，A车说“我在某经纬度有危险”，B车却因为定位偏差无法理解这个位置，协同就无从谈起。
云端闭环与数据驱动：车辆在行驶中产生的大量数据（包括定位轨迹、感知结果、控制指令）可以上传到云端。通过海量数据，可以反过来优化高精地图（如发现地图与实际情况的差异）、训练更好的感知和预测模型（尤其是在定位准确的场景下，数据标注更可靠）、甚至发现定位系统本身在特定场景下的潜在问题，形成数据驱动的迭代优化闭环。

5. 行业趋势与个人思考：合作模式与未来演进

一汽红旗与千寻位置的合作，可以看作是当前自动驾驶产业链分工协作的一个缩影。过去那种“车企要掌握所有核心技术”的思维正在发生变化，取而代之的是更开放、更专业的“生态合作”。

5.1 为什么“全栈自研”不是唯一解？

高精度定位网络具有强烈的“基础设施”属性，具有前期投入大、规模效应明显、运维要求高的特点。对于单一主机厂而言，自建全国性的地基增强网络经济上不划算，技术上也不一定是其核心能力所在。类似千寻位置、六分科技等专业服务商，通过服务众多客户摊薄成本，持续优化网络和算法，能提供更稳定、更经济的服务。主机厂将非核心但关键的基础能力外包给顶级供应商，自己聚焦于整车集成、用户体验、上层应用算法和品牌塑造，是一种更高效的战略选择。

5.2 高精度定位的未来技术演进

RTK+IMU的组合导航是目前的主流，但技术仍在快速演进：

PPP-RTK：这是RTK技术的演进方向。它试图结合精密单点定位（PPP）和RTK的优点，通过区域或全球的稀疏参考站网生成精密卫星轨道、钟差和大气改正产品，用户端利用这些产品和自身的观测值实现快速厘米级定位。它能减少对密集基准站网的依赖，更适合全球或大范围部署。千寻等厂商已在推进PPP-RTK服务。
视觉/激光SLAM辅助：在GNSS完全失效的长隧道内，可以依靠视觉里程计（VO）或激光SLAM来提供相对定位，与IMU融合，共同抵抗漂移。但这需要额外的传感器和计算资源。
5G/6G定位辅助：未来，蜂窝网络（5G-Advanced, 6G）本身也能提供亚米级甚至分米级的定位能力。与GNSS融合，可以形成在城市峡谷等复杂环境下的补充定位源。
云端定位与众包：车辆可以将自身的传感器特征（如激光雷达点云特征、视觉特征）与云端的高精地图特征进行匹配，实现另一种形式的全局定位，作为卫星定位的冗余备份。

5.3 给从业者与学习者的建议

对于想进入或深耕自动驾驶定位领域的朋友，我有几点基于实际经验的想法：

夯实基础理论：组合导航的根基是《状态估计与卡尔曼滤波》、《惯性导航原理》、《卫星导航定位理论》。这些经典理论永远不会过时，是理解一切高级算法和应对诡异问题的钥匙。
重视多传感器融合：纯GNSS或纯IMU的时代早已过去。必须深入理解GNSS、IMU、轮速计、乃至视觉、激光雷达的数据特性、误差模型和时间同步机制，掌握松耦合、紧耦合、图优化等融合框架。
拥抱工程实践：多接触实际的硬件（板卡、天线）、学会使用专业的数据处理与仿真工具（如MATLAB的Sensor Fusion and Tracking Toolbox, ROS中的robot_localization, nav_msgs），并重视实车数据的采集与分析。很多理论上的问题（如IMU的温度漂移、天线的安装偏差）只有在工程实践中才会暴露。
关注功能安全与预期功能安全（SOTIF）：定位系统如何证明自己是可靠的？如何定义和检测定位失效？失效后如何降级处理？这些功能安全相关的问题，正在成为量产项目的核心考核点。
理解业务场景：不同级别的自动驾驶（L2+ vs L4）、不同车型（乘用车 vs 商用车）、不同运营范围（城市NOA vs 高速NOA vs 矿区封闭场景）对定位的需求截然不同。脱离具体业务场景谈技术方案，很容易陷入纸上谈兵。

回过头看，一汽红旗与千寻位置的这次“牵手”，其意义远不止于一纸合作协议。它预示着自动驾驶的竞争，正在从单个模块的性能竞赛，升级为整个系统生态和工程化落地能力的较量。高精度定位作为其中不可或缺的“隐形基石”，其成熟与普及，将是高级别自动驾驶真正走向大规模量产的关键一步。对于我们这些身处其中的研发者而言，既要仰望星空，关注前沿技术动向，更要脚踏实地，解决好每一个工程细节，因为最终让车辆安全、平稳跑起来的，正是这些看似枯燥却至关重要的基础工作。