现在是PVT

这里的 PVT 指的是全球卫星导航系统（GNSS）直接输出的最终解算结果：

• P (Position): 位置（经度、纬度、海拔）

• V (Velocity): 速度（北向速度、东向速度、天向速度）

• T (Time): 时间（UTC 时间、接收机钟差）

PVT 融合的核心逻辑是：将 GNSS 芯片已经算好的“位置和速度”，与 IMU（惯性测量单元）的“加速度和角速度”进行融合。

1. 单传感器 GNSS 基础定位算法

算法	关键原理	适用场景	备注
伪距定位	通过测量卫星到接收机的传播时间（伪距）求解三维坐标。	开阔环境、对精度要求不高（≈1 m）	受多路径、离子层、对流层误差影响大。
载波相位定位	利用载波相位的相对测量，可实现亚米甚至厘米级精度。	高精度需求的定位（RTK、PPP）	需要整数模糊度解算，计算复杂。
PPP（Precise Point Positioning）‍	采用精密星历、模型校正，单站即可实现厘米级定位。	全球范围、无基准站的高精度定位	对卫星可见性要求高，收敛时间相对较长。
RTK（Real‑Time Kinematic）‍	基站提供差分观测，快速消除共模误差，实现厘米级定位。	城市道路、车道保持、自动泊车等	需要基站或网络RTK服务，基站遮挡时性能下降。

这些算法是车载 GNSS 感知的“底层”。在实际系统中往往与后续的多传感器融合一起使用，以提升鲁棒性。

2. 多传感器融合（GNSS + IMU + 其他）

2.1 融合模式

融合方式	说明	常用实现
松耦合（Loose Coupling）‍	GNSS 先独立解算出位置/速度，再与 IMU 进行卡尔曼滤波融合。	适用于 GNSS 信号较好、对实时性要求不高的场景。
紧耦合（Tight Coupling）‍	将原始 GNSS 伪距、载波相位直接与 IMU 观测一起进入滤波器。	在 GNSS 信号遮挡或弱视情况下仍能保持定位（）。
深耦合（Deep Coupling）‍	GNSS 基带处理（如相位解算）与 IMU 融合在同一芯片内部完成，误差模型更紧密。	适用于高端车规级芯片，提升抗干扰能力。

2.2 常用滤波框架

1. 扩展卡尔曼滤波（EKF）

• 通过线性化雅可比矩阵实现非线性系统状态估计。

• 在车载 GNSS/IMU 融合中最为常见，能够实时提供位置、速度、姿态。。

• 无迹卡尔曼滤波（UKF）

• 通过 sigma 点传播避免显式求雅可比，适用于高度非线性场景。

• 粒子滤波（PF）

• 采用蒙特卡罗采样处理多模态分布，尤其在 GNSS 信号出现大尺度遮挡时表现更稳健。

• 因子图优化（FGO）

• 将 GNSS、IMU、里程计等观测构建为因子图，使用非线性最小二乘求解，可实现全局一致性和后端优化。

2.3 鲁棒 EKF 及自适应技术

• 抗差 EKF（Robust EKF）‍：在观测残差中加入 Huber、M‑估计等抗差函数，抑制多路径、粗差的影响。。

• 自适应 EKF（Adaptive EKF）‍：根据残差统计动态调节过程噪声 Q 与观测噪声 R，提升在卫星数量不足或几何分布差的环境下的稳定性。。

• 双窗口 Sage‑Husa 抗差 EKF：进一步结合双窗口残差评估，实现更强的异常检测与切换。。

这些鲁棒/自适应方案在城市峡谷、隧道等 GNSS 信号受阻的车载场景中被广泛验证，可将定位误差从分米级压缩至厘米级。

3. 多系统 GNSS 融合（GPS + BDS + Galileo + GLONASS）

• 通过统一的时间、坐标框架，将四大系统的观测一起输入 EKF，实现更高的可见卫星数和几何强度。。

• 在中长基线（>10 km）情况下，结合 EKF 对大气误差进行实时估计，可显著提升 RTK 固定率并缩短收敛时间

4. 环境感知与 NLOS / 多路径抑制

• 机器学习/深度学习检测：利用卷积神经网络或图神经网络对 GNSS 原始观测的信噪比、伪距残差等特征进行分类，自动标记 NLOS（非视线）观测并剔除。

• 多频、多星座协同：不同频段的观测在多路径特性上存在差异，融合后可通过差分方法抑制多路径误差。

虽然上述技术在学术论文中已有初步验证（如 2023‑2024 年的多模态感知研究），在车载产品中正逐步落地。

5. 与高精度地图、SLAM 的闭环感知

• 地图匹配（Map‑Matching）‍：将 GNSS 轨迹投影到高精度道路网络或车道中心线，实现位置纠偏。。

• 视觉/激光 SLAM 融合：在 GNSS 完全失效的隧道或地下场景，使用视觉里程计或激光雷达构建局部地图，并通过因子图与 GNSS/IMU 融合实现“相对定位 + 绝对校正”。。

这种感知闭环在 L4/L5 自动驾驶系统中是实现全场景定位的关键。

6. 在智能驾驶系统中的定位角色

车载 GNSS 感知是智能驾驶感知层的基石，直接支撑以下功能：

• 车道保持与路径规划：提供全局坐标基准，配合高精度地图实现车道级定位。。

• V2X（车路协同）定位：通过 C‑V2X 与 GNSS 融合，实现车间相对定位与协同决策。。

• 冗余安全定位：在多传感器融合框架下，GNSS 与 IMU、雷达、摄像头形成冗余链路，满足功能安全（ASIL D）要求。。

7. 典型算法实现流程（示例）

1. 原始数据预处理

• GNSS：伪距、载波相位、卫星状态（SNR、Eph）过滤。

• IMU：零偏校准、噪声模型（Allan 方差）估计。

• 状态模型建立

• 车辆动力学（六自由度）+ IMU 误差状态。

• 观测模型构建

• 紧耦合 GNSS 伪距/相位 → 观测方程。

• IMU 加速度、角速度 → 预测方程。

• 滤波/优化

• EKF（或鲁棒 EKF）进行递推预测‑更新。

• 若需要全局一致性，可在后端使用因子图优化（FGO）进行滑动窗口平滑。

• 异常检测与剔除

• 基于残差的 χ² 检验、Huber 损失或机器学习分类。

• 输出融合定位

• 位置（经纬度/ENU）、速度、姿态、置信度。

• 同时输出 GNSS 质量指示（PDOP、卫星数）供上层决策使用。

8. 发展趋势与挑战

趋势	说明
多频、多星座、全局导航	5G/6G 与 GNSS 网络协同，提供更高的可用性。
因子图与图优化的实时化	结合 GPU/FPGA 加速，实现毫秒级全局优化。
深度学习驱动的 NLOS 检测	端侧模型轻量化，实时剔除异常观测。
车路协同定位（V2X‑GNSS 融合）‍	利用路侧基站、RSU 提供短时差分或伪距校正。
安全可靠性验证	通过仿真+实车闭环测试，满足 ISO 26262 / 功能安全等级。

结语 车载 GNSS 感知算法已经从单一的伪距定位演进为多传感器、鲁棒、实时优化的综合体系。核心技术包括 RTK/PPP 高精度解算、紧耦合 GNSS‑IMU 融合（EKF、UKF、PF、因子图）、抗差/自适应滤波以及与高精度地图/SLAM 的闭环结合。随着多频多星座 GNSS、车路协同和 AI 驱动的异常检测进一步成熟，车载 GNSS 感知将在 L4/L5 自动驾驶的全场景定位中发挥决定性作用。

1. 基础原理与数据模型

• 传感器组成：三轴加速度计 + 三轴陀螺仪（部分型号还包括三轴磁力计），提供线性加速度、角速度（以及磁场）信息。

• 姿态表示：常用四元数、方向余弦矩阵（DCM）或欧拉角（Yaw‑Pitch‑Roll）来描述车辆姿态，避免奇异点并便于数值积分。

• 误差模型：IMU 零偏、比例因子、噪声等误差通常采用一阶高斯马尔可夫（Gauss‑Markov）模型描述，便于在滤波器中进行状态预测。

2. 单体惯性导航（INS）算法

步骤	说明
时间更新（预测）‍	根据 IMU 的加速度和角速度，利用刚体动力学方程对位置、速度、姿态进行积分（惯性导航机械化）。
误差状态传播	将误差模型（零偏、比例因子）加入状态向量，使用线性化的误差动力学方程进行传播。
姿态更新	采用四元数或 DCM 的递推公式，保持数值稳定性。
漂移校正	纯惯性导航在数十秒后会出现显著漂移，需要外部约束（如 GNSS、车轮里程计）进行校正。

3. 传感器融合框架

3.1 扩展卡尔曼滤波（EKF）

• 核心思路：将 IMU 误差状态与外部观测（GNSS 伪距、速度、车轮里程计）放入同一状态向量，利用 EKF 的线性化预测‑更新步骤实现紧耦合融合。

• 常见约束：

• 零速度更新（ZUPT）‍：车辆停稳时强制速度为零，抑制漂移。

• 非完整约束（Non‑holonomic）‍：车辆侧向和垂直速度近似为零，提升横向定位精度。

• 零积分航向率（ZIHR）‍：在直线行驶段约束航向变化率。

3.2 无迹卡尔曼滤波（UKF）

• 对高度非线性系统（如四元数姿态）提供更精确的统计线性化，适用于高动态驾驶场景。

3.3 粒子滤波（PF）

• 在多模态误差分布或 GNSS 完全失效（隧道）时，可通过大量粒子保持姿态/位置的概率分布，提升鲁棒性。

3.4 互补滤波（Complementary Filter）

• 轻量级实现，利用低频 GNSS/里程计信息校正高频 IMU 积分误差，常用于嵌入式平台。

4. 紧耦合 GNSS‑IMU 融合（车载定位）

• 紧耦合结构：在滤波器内部直接使用原始 GNSS 伪距、伪距速率（Doppler）以及时间差分载波相位（TDCP）作为观测，结合 IMU 状态进行联合估计。

• 优势：

• 在 GNSS 信号遮挡（城市峡谷、隧道）期间仍能保持连续定位，误差在 5‑6 m 量级。

• 通过 TDCP 计算航向角，可在无 GNSS 时提供可靠的航向约束。

• 实现要点：

1. 状态向量 包含位置、速度、姿态误差、IMU 零偏、比例因子、GNSS 时钟误差。

2. 观测方程 对伪距、Doppler、TDCP 进行线性化，加入噪声模型（SNR‑dependent）。

3. 滤波步骤：初始化 → 时间更新 → 多源观测更新（GNSS、ZUPT、非完整约束） → 重置/再初始化。

5. 多传感器融合的高级应用

融合方案	关键算法	适用场景
视觉‑惯性里程计（VIO）‍	EKF‑VIO、MSCKF、OpenVINS	高精度定位、SLAM、低速城市道路
激光雷达‑惯性融合（LIO）‍	LIO‑SAM、FAST‑LIO	高速公路、复杂城市环境、夜间/雨雾
车轮里程计‑IMU 融合	卡尔曼滤波 + 轮速约束	低速泊车、短时 GNSS 失效
深度学习校正	RNN/LSTM 对 IMU 零偏进行预测、端到端姿态估计	高动态运动、传感器退化检测

近年来，随着 高精度 MEMS 与 AI‑驱动的自适应滤波 技术成熟，车载 IMU 感知正向 端到端学习‑融合 方向发展，能够在极端噪声环境下自动调节滤波参数，实现更稳健的定位与姿态估计。

6. 实际工程实现要点

1. 标定：在出厂前完成加速度计、陀螺仪的温度补偿与轴间对准；现场可通过静态/动态标定进一步降低零偏漂移。

2. 计算平台：实时 EKF/UKF 计算量约 10‑20 µs（单核 DSP），适合车规级 MCU；深度学习模型需在车载 GPU/AI 加速器上运行。

3. 容错设计：在 GNSS 完全失效时切换至 纯惯性死算（Dead‑reckoning）或 VIO/LIO；使用 冗余 IMU（双 IMU）提升可靠性。

4. 软件架构：推荐采用 ROS 2 或 AUTOSAR Adaptive 中间件，实现模块化的传感器数据流、滤波器节点与状态发布。

1. 核心架构：松耦合 (Loose Coupling)

PVT 融合处于组合导航融合层级中的最上层（也是最简单的一层）。

• 输入 A: GNSS 接收机输出的 PVT 结果。

• 注意：这里不涉及卫星的伪距或载波相位，只用芯片吐出来的最终经纬度。

• 输入 B: IMU 输出的原始数据（比力/加速度 + 角速度）。

• 融合算法: 扩展卡尔曼滤波 (EKF)。

• 预测步骤 (Time Update): 利用 IMU 的高频数据进行积分（航位推算），预测下一时刻的位置和速度。

• 更新步骤 (Measurement Update): 当 GNSS 的 PVT 数据到来时（通常 1Hz - 10Hz），将其作为“观测值”，计算观测残差（Measurement Residual），用来修正 IMU 的推算误差，并估计 IMU 的零偏（Bias）。

2. PVT 融合的优缺点

相比于之前提到的“Raw Data 级融合（紧耦合）”，PVT 融合有非常鲜明的特点：

优点：

1. 工程实现简单 (Easy Integration):

• GNSS 模块是一个独立的“黑盒”。你只需要解析标准的 NMEA 协议（如 $GNGGA, $GNRMC）拿到经纬度即可，不需要懂卫星信号处理算法。

• 模块化强 (Modular):

• 你可以随意更换 GNSS 接收机的品牌（如从 u-blox 换到 和芯星通），只要它们都输出 PVT，后端的融合算法几乎不用改。

• 算力消耗小:

• 卡尔曼滤波的状态量较少，对车载 MCU 压力很小。

缺点：

1. 抗干扰能力弱 (Less Robust):

• 级联失效问题： GNSS 芯片内部需要至少 4 颗卫星 才能解算出 PVT。如果进入城市峡谷，只能看到 3 颗卫星，GNSS 芯片就会停止输出 PVT（或输出无效值）。此时，整个融合系统就失去了校正源，只能靠 IMU 硬抗（并在几秒后飘飞）。

• 对比：紧耦合（Raw Data 融合）即使只有 2 颗卫星，也能利用这 2 颗卫星的伪距来约束 IMU，不会彻底失效。

• 无法处理多路径效应 (Multipath):

• 在玻璃幕墙附近，GNSS 算出的 PVT 可能会因为信号反射产生几十米的跳变。因为是“松耦合”，融合算法很难判断这个跳变是真是假，容易被带偏。

• 不可逆的精度损失:

• GNSS 芯片内部解算 PVT 时已经使用了一次卡尔曼滤波，这引入了过程噪声相关性。再在外部做一次融合，理论上不符合卡尔曼滤波关于噪声独立性的假设（Incestuous Data Problem），限制了最终精度的上限。

3. 应用场景

• 车载导航/车机 (IVI): 绝大多数普通的车载导航都使用 PVT 融合。当车辆进入隧道丢失 GPS 时，利用车速脉冲和简易 IMU 维持几分钟的图标移动。

• 低速/低成本机器人: 扫地机、割草机等。

• 入门级 ADAS (L2): 对于车道级定位要求不高的功能，PVT 融合配合高精地图匹配（Map Matching）通常够用。

4. 总结：PVT 融合 vs. SPP/RTK

在实际应用中，PVT 融合中的 "PVT" 来源有两种精度级别：

1. SPP-PVT 融合 (单点定位):

• 普通 GPS 模块，精度 3-5 米。融合 IMU 主要是为了平滑轨迹，填补 1Hz GPS 之间的空隙，让导航光标看起来顺滑。

• RTK-PVT 融合 (高精度):

• GNSS 模块内部集成了 RTK 引擎，直接输出厘米级的 PVT。

• 融合算法利用 IMU 主要是为了解决**短时遮挡（如过桥下、树荫）**时的定位连续性问题。

一句话概括：PVT 融合就是把 GNSS 当作一个位置传感器，用它的读数来校准 IMU 的积分漂移，是目前最通用的低成本组合导航方案。