本文系统性介绍导航技术，并给出车载导航技术的具体范围。
1、导航分类
导航都必须需要参考源，所以导航技术无论是独立的还是组合的，都会有一个或者几个参考源。
不依赖于外部系统的称为自主导航，这里的其实还是有外部系统的，只是这里的外部系统相关比较固定而已，人为控制不了。
图1 自主导航技术基于外部的人为可控参考源的是非自主导航，底层的技术都是无线电检测或者无线电报文解析等。
图2 非自主导航，基于无线电2、无线电导航
图3 无线电导航的演进上图还不是完整的，上图主要是从航空产业角度进行的梳理。但这里就不在详细讨论。之所以这里罗列出来，只是为了给读者一个宏观的概念，GNSS属于无线电导航的一个分支。无线电导航也有着悠久的发展历程，技术积累到了一定阶段才产生了GNSS这个分支，并且很多无线电导航还在被广泛使用，是无法被GNSS取代的。
2.1 GNSS
GNSS（Global Navigation Satellite System，全球导航卫星系统）是一套由空间段、地面段和用户段组成的空基无线电定位系统，能够为地面、海面和空中的用户提供全天候、全球范围的三维坐标、速度和时间（PVT）信息。其核心原理是测距三角测量：卫星在已知轨道位置上同步发射带有精确时间戳的射频信号，接收机通过测量信号传播的时间（光速）得到与每颗卫星的伪距；至少四颗卫星的伪距交叉求解后即可得到用户的三维位置和钟差。
主要误差来源包括电离层/对流层延迟、多路径效应、卫星钟差和轨道误差等，通常通过差分、实时动态差分（RTK）或卫星增强系统（SBAS）等手段进行修正，以实现厘米级精度。
主要的全球 GNSS 系统
系统 | 运营国家/组织 | 主要特点 | 轨道/卫星数量（截至 2025） | 关键服务 |
|---|
GPS（美国） | 美国国防部 | 首个成熟的全球系统，采用 L‑band 双频（L1/L2/L5），信号结构成熟，兼容性好 | 约 31 颗在轨（24 颗工作、备用） | 开放定位、授时、军用加密服务 |
GLONASS（俄罗斯） | 俄罗斯航天防御部 | 采用频分多址（FDMA），在高纬度地区表现尤佳；已完成全球覆盖 | 24 颗工作卫星，分布在 3 条轨道面 | 开放定位、军民两用 |
Galileo（欧盟） | 欧洲空间局（ESA）/欧盟航天局（EUSPA） | 完全民用、提供免费开放服务（OS）和加密公共监管服务（PRS），信号精度高，采用氢原子钟 | 约 30 颗在轨（24 颗工作、6 颗备份） | 开放定位、搜救（SAR）、高精度服务（HAS） |
北斗（BeiDou）（中国） | 中国航天科技集团 / 国家卫星导航系统管理办公室 | 区域到全球演进的三代系统，具备短报文通信、星基/地基增强等多种业务；采用双频（B1/B2）和星基增强 | 约 45 颗在轨（包括 GEO、IGSO、MEO） | 开放定位、短报文通信、搜救、精密单点定位（PPP） |
GNSS的定位方法如下
图4 GNSS定位方法Ref：ResearchGate - Temporarily Unavailable
3、惯性导航
惯性导航（Inertial Navigation System，INS）是一种自主式、连续、实时的定位技术，能够在不依赖外部信息（如卫星、基站或无线电）的情况下，提供载体的位置、姿态（航向、俯仰、滚转）和速度等六自由度状态。它的核心原理基于牛顿运动定律，通过测量载体在惯性参考系中的加速度和角速度，并进行时间积分，得到速度、位置和姿态的估计。
惯性导航系统 (INS) 是惯性测量单元 (IMU) 和运行导航方程的计算机的组合，称为惯性导航系统 (INS)。关键组成部件如下
组成部分 | 功能说明 |
|---|
惯性测量单元（IMU） | 包含三轴加速度计和三轴陀螺仪（有时还会加入磁力计、气压计），分别测量线性加速度和角速度 |
导航解算单元 | 负责对IMU原始数据进行预处理、坐标转换、积分运算以及误差补偿，输出位置、速度、姿态等导航参数 |
初始化/对准模块 | 在系统启动时提供已知的初始位置、速度和姿态，以防止积分漂移。常用方法包括静态对准、运动对准或借助外部系统（如GNSS）进行校准 |
融合/滤波器 | 采用卡尔曼滤波等算法将IMU数据与外部传感（GNSS、视觉、激光雷达等）融合，提高精度并抑制误差累积 |
另外惯性导航中的IMU在不同的需求场合有不同的精度要求，比如高精度光纤陀螺仪（FOG）或环形激光陀螺仪（RLG），但其价格仍然昂贵。
4、地磁导航
地球内部的磁性物质在不同地区分布不均，导致地磁场强度、方向（磁偏角、倾角）以及梯度等参数在空间上呈现独特的、相对稳定的变化特征。把这些特征绘制成“磁异常图”或三维磁场模型，就得到一张可供比对的“地磁基准图”。
载体（飞机、潜航器、车辆、手机等）上装配磁力仪（磁通门、磁阻、光泵等），实时采集三分量磁场向量或标量总强度。不同传感器的分辨率、体积和功耗各有侧重，常见的有：
- 磁通门/磁阻传感器 – 小型、低功耗，适用于移动终端和行人定位。
原始磁场数据需进行去除载体自身磁干扰、滤波、校准（磁偏角、倾角校正），并提取用于匹配的特征量，如：
- 总场强度 | 磁偏角 | 倾角 | 空间梯度 | 频谱特征等。
- 这些特征在时间尺度上变化缓慢，适合作为定位的“指纹”。
匹配与定位算法
- 基准图比对：将实时测得的特征序列与预先构建的磁场数据库进行匹配，常用方法包括：
- 批相关（Batch Correlation） — 直接计算序列相似度；
- 粒子滤波（Particle Filter） — 处理非线性、非高斯误差，适用于水下复杂环境；
- 卡尔曼/扩展卡尔曼滤波 — 与惯性导航系统（INS）融合，抑制误差累积；
- 鲁棒估计（Huber M‑estimator） — 降低异常点对定位的影响。
匹配得到的最相似位置即为载体的当前坐标，随后可与 INS、PDR、蓝牙等其他信息进行融合，提高精度与可靠性。
5、星光导航
星光导航（Celestial Navigation）的基本原理
以恒星为参考基准：恒星在地球惯性坐标系中几乎保持静止，位置和光谱特征已被精确测定并存入星表数据库。导航系统通过观测这些已知星体的方向来推算自身姿态和位置。
星敏感器（Star Tracker）捕获星光：采用高灵敏的光学探测单元（如CMOS/APS星敏感器）对天空进行拍摄，提取星点并与星表进行匹配，得到星光矢量在惯性空间中的指向。该过程不依赖任何外部信号，能够在深空或大气层外自主完成姿态测量。
姿态解算（Attitude Determination）通过比较观测到的星光方向与星表中对应星体的已知坐标，利用最小二乘或卡尔曼滤波等算法求解载体相对于惯性坐标系的姿态角（俯仰、滚转、偏航）。
位置推算（Position Determination）
- 星光角距导航：测量两颗或多颗星体之间的相对角距（星间角），并结合已知星表的几何关系，求解载体在惯性空间中的位置。该方法在深空探测、弹道导弹等场景中常用。
- 星光折射校正：大气层会使星光产生折射偏差，导航系统需对折射角进行模型校正，以提升定位精度。
惯性/星光组合：星光导航提供不随时间累积的绝对姿态/位置信息，可用于校正惯性测量单元（IMU）的漂移，实现高精度组合导航，广泛应用于飞机、舰艇、无人机等平台。
相对论效应的补偿：在极高精度需求下，需要考虑光行差和光线在引力场中的偏折等相对论效应，对星光方向进行微调，以进一步降低定位误差。
典型应用
- 航天器：深空探测器（如“深空一号”）利用星光导航实现自主定位；
- 洲际弹道导弹：在脱离大气层后通过星光辅助制导，将末端误差压缩至数十米级别；
- 军用飞机/无人机：在GPS受干扰或不可用的环境下，使用星光导航保持姿态和航向的可靠性。
总结 星光导航的核心是“观星—比对星表—解算姿态/位置”。通过高精度星敏感器捕获星光、利用星表进行匹配、并结合惯性测量与大气/相对论校正，可在无外部信号（如GPS、北斗）支撑的情况下，实现自主、可靠的空间或大气层外导航。
6、地形/景象匹配导航
地形匹配导航（Terrain‑Referenced Navigation, TRN）：利用飞行器/潜航器测得的高度或深度信息（如雷达、声纳、激光测高）与事先存储的数字地形模型（DEM）进行对比，求得当前位置的横向坐标。
景象匹配导航（Scene‑Matching Navigation）：利用摄像机、光学/红外传感器获取的地表图像（道路、河流、建筑轮廓等）与事先准备的基准影像（卫星图、航空照片）进行像素或特征匹配，直接得到二维位置。
两者的共同点是：实时观测 → 与预先离线构建的数字地图对比 → 位置估计，并常与惯性导航（INS）融合形成组合导航系统。
系统结构（典型流程） 离线准备：
- 采集目标区域的数字高程图（DEM）或基准影像，并进行分辨率、坐标系统一处理；
- 选取若干地标/特征点（如山峰、河口、道路交叉口）作为匹配的参考对象。
实时测量
- 地形匹配：使用雷达、激光测高仪、声纳等获取瞬时高度/深度剖面。
- 景象匹配：摄像头拍摄正下方或斜视的地面图像，并进行畸变校正。
匹配算法
- 灰度/区域相关：归一化互相关（NCC）、平均绝对差（SAD）等直接对像素块进行相似度计算。
- 特征匹配：SIFT、ORB、SURF 等关键点提取后进行匹配，适用于尺度、旋转变化较大的场景。
- 熵/信息度量：基于信息熵的相似度评价（如地形差异熵）可提升抗噪声能力。
位置解算
- 通过最大相关/最小误差定位匹配窗口在基准图中的最佳位置，得到横向坐标（经纬度或平面坐标）。
- 将该观测量与INS的姿态、速度信息送入卡尔曼滤波或粒子滤波进行融合，校正惯性累计误差。
输出与反馈
- 生成实时的位置、航向、速度信息供飞行控制或任务系统使用。
- 若匹配失败或置信度低，系统可切换至其他辅助导航（如地磁、星光）或保持惯性导航模式。
7、导航技术在自动驾驶中的应用
7.1 SLAM
SLAM（Simultaneous Localization and Mapping，同步定位与建图）是一种让移动机器人在未知环境中边移动边实时估计自身位姿、边构建环境地图的核心技术。常见 SLAM 类型如下
类型 | 传感器 | 典型算法 |
|---|
激光 SLAM | 2D/3D 激光雷达 | Gmapping（粒子滤波）、Hector‑SLAM（高斯牛顿）、Cartographer（图优化） |
视觉 SLAM | 单目/双目/深度相机 | ORB‑SLAM2、DSO、VINS‑Mono（视觉‑惯性） |
视觉里程计（Visual Odometry，VO）：视觉里程计是一种利用摄像头捕获的连续图像序列，估算相机（或机器人）在三维空间中位姿（平移 + 旋转）变化的技术。它通过比较相邻帧之间的视觉信息，推算出设备的运动轨迹，常用于自动驾驶、无人机、机器人导航和增强现实等场景。
7.2 组合导航
图5 自动驾驶中的组合导航相机+IMU
图6 双目+IMUGNSS+INS
图7 GNSS+INSRef：组合导航（一）：定位技术分类与介绍_组合导航主要包括哪些-CSDN博客
但是在实际自驾驾驶中，从可靠性以及成本考虑，主要依赖的还是GNSS+IMU的组合方式，这也是本文进行系统化论述后，需要引出的。
图8 GNSS+IMU在车载中的不同集成方式通过贴片式将高精度定位模组集成到域控里，可以减少数据传输，有效降低信息的延迟，提升高精度定位的精度。具体包括几类架构设计模式： • IMU集成于自动驾驶域控，GNSS放入T-BOX中； • 自动驾驶域控分别集成GNSS芯片和IMU模组； • IMU与GNSS组成INS模组，并集成到自动驾驶域控内； • 大疆惯导激目总成方案“激光雷达+视觉+IMU”集成，将GNSS芯片放入自动驾驶域控中。此外，IMU模组向自动驾驶域控集成，仍有一系列工程问题需要解决： • 时间同步：高阶智能驾驶车辆，对定位数据的实时性与精度有刚性需求。同时，定位的实时性不好，也会降低定位的精度； • 功能安全：智能驾驶域控制器由于集成了众多功能模块，系统较为复杂，而且通常为多核多进程的运行环境以及复杂的应用数据流，导致实现功能安全的难度大增，主机厂需要完整的RTK&INS 组合算法部署在域控侧的功能安全解决方案； • 温度补偿：IMU对温度变化非常敏感，将IMU、GNSS与域控集成在一起，需要考虑运行温度对产品的损害。
Ref：2025年高精度定位行业研究报告 >> 水清木华研究中心
