当我们开车进入隧道、地下车库或高楼林立的区域时，车载导航常常会中断。对于追求完全自主驾驶的汽车来说，这是一个巨大的挑战。它们需要像人类驾驶员一样，即使在没有卫星信号指引的情况下，也能精确感知自身的位置、速度和方向，确保安全行驶。

10月13日，国防科技大学周健团队在Scientific Reports（科学报告）上发表题为A fault-tolerant sins/dual 2D-LDV tightly coupled integration scheme for autonomous vehicle navigation（一种用于自动驾驶车辆导航的故障容忍SINS/双2D-LDV紧耦合集成方案）的论文，提出了一种新型车载自主导航技术，能够在卫星信号失效的复杂环境中实现高精度、高可靠性的定位。这项研究为解决自动驾驶在隧道、城市峡谷等场景中的"失位"难题提供了创新方案。

为什么车辆在隧道里容易"迷路"？

现有车载导航系统多依赖全球卫星导航系统与惯性导航的组合。惯性导航虽然能暂时独立工作，但其定位误差会随时间迅速累积——就像蒙眼走路的人，每一步的微小偏差都会导致最终位置"失之千里"。传统解决方案中，车辆通过车轮测速仪辅助校正误差，但车轮打滑、胎压变化等因素会严重影响精度。此外，普通激光测速仪只能测量车辆前进方向的速度，无法感知垂直方向（如颠簸）和横向（如侧滑）的运动，导致高程定位不准或侧滑时产生偏差。

"双激光雷达+智能纠偏"

如何实现高精度导航？

研究团队的核心创新在于引入了两台二维激光多普勒测速仪（2D-LDV），并与惯性导航系统深度融合，并配备了一套智能的"故障检测与容错"机制。

更强大的"二维激光尺"：他们改进的2D-LDV能同时测量车辆的前进速度和垂直速度。这大大减少了对"车辆不跳跃"假设的依赖，从而显著提升了高度定位的准确性。

冗余设计的"双保险"：同时使用两台2D-LDV，如同为车辆装上了两把更全面的"尺子"。当一台因路面污渍、强光干扰等出现数据异常时，另一台的正常数据能帮助系统维持精度。

敏锐的"故障侦探"（LOF算法）：在一个社区里，如果某个人的行为与周围大多数人格格不入，他就可能是个"异常者"。LOF算法就是基于类似原理。它通过分析当前测量数据与历史正常数据"邻居"的相似程度，来判断数据是否"异常"。这种方法对缓慢变化、微小的异常特别敏感，能有效识别激光信号失真或车辆轻微侧滑。

聪明的"智能调节器"（自适应滤波器）：一旦"侦探"发现异常，系统不会简单地丢弃数据。而是根据异常的"严重程度"，动态调整对问题数据的信任度：轻微异常就降低其权重，严重异常则暂时隔离它。这样就能在利用有效信息的同时，最大限度地抑制干扰。

真实路测表现卓越：170公里误差仅14米

为验证系统的可靠性，团队在两次超过170公里的实际道路测试中对比了多种导航方案。结果令人振奋：

在未预先校准系统的情况下，传统单一激光导航方案最大水平误差达57米，而双激光+LOF自适应滤波方案将误差降低至14米以内，相对误差优于总里程的万分之一（0.1‰）。这意味着行驶100公里，定位误差可以控制在10米级别。

在高度定位方面，新方案也将误差从传统方法的20米降至7.4米，有效解决了高程估计不准的难题。

与传统的故障检测方法相比，LOF算法显著降低了误报和漏报率。

测试车辆和实验系统

应用价值：

从军用到全域自动驾驶的"定心丸"

这项技术最初面向军用车辆在无卫星信号环境下的导航需求，但其价值远不止于此。随着自动驾驶技术向全域、全场景推进，在隧道、山区、地下物流网络等信号受限区域中，这种不依赖外部基础设施的高精度自主导航能力将成为关键支撑。

它为无人货运、地下智慧物流、乃至高级别乘用车自动驾驶提供了一份可靠的"兜底"保障。随着能直接测量三维速度的激光测速仪出现，自动驾驶在完全"失联"环境下的导航能力将更加可靠。这项由中国团队主导的研究，为自动驾驶走向更广阔的应用场景增添了一份重要的技术砝码，让汽车即使在导航卫星"看不见"的时候，也能靠自己看清前路。

编辑：吴欧

论文信息

发布期刊Scientific Reports

发布时间2025年10月13日

论文标题 A fault-tolerant sins/dual 2D-LDV tightly coupled integration scheme for autonomous vehicle navigation

(DOI：https://doi.org/10.1038/s41598-025-19574-7）