车开进隧道的那一秒，屏幕上那个小蓝点并没有停下。
它还在往前走，速度还对得上，甚至转弯都跟得上。可你我都知道，头顶那两万公里之外的信号，早就被几十米厚的岩层吃干净了。
这件事想明白了，就懂了定位这行最近几年真正在忙什么。
卫星并不是无处不在的
卫星导航的底层朴素得近乎优美：测一下带时间戳的信号跑了多久，换算成距离，跟至少 4 颗卫星做球面交会，三维坐标和接收机钟差就一起解出来了。
可它藏着一个假设——信号是沿一条干净的直线飞过来的。
开阔天空下，这个假设基本成立。可一旦场景换成隧道、楼宇、城市峡谷，它就系统地塌掉了。
第一种，是干脆收不到。卫星信号落地时功率已经淹在热噪声之下，全靠扩频增益才捞得出来，穿透能力极弱。岩土、混凝土、钢结构一挡，定位能力瞬间归零，中断可以持续数秒，也可以拖到数十分钟。
第二种，是被骗。这是我个人觉得最可怕的一种。城市峡谷里，信号撞上玻璃幕墙、高架桥面，反射一圈才到天线，走过的路比真实距离长，伪距和载波相位因此严重失真。可接收机并不知道——它看到的可见卫星数量依然充足，它以为自己工作正常，它输出的位置却可能已经偏出数米乃至数十米。对付它，早年的办法是扼流圈天线加上信号质量阈值，属于物理与规则的硬过滤，遇到复杂反射环境就力不从心；后来换成让模型从信噪比、伪距残差里学出规律去识别并剔除，比硬阈值灵活，可高密度城区的多径组合太杂，离百分之百可靠还有距离。
第三种，是慢慢烂掉。密林里、高架下、行道树底下，信号没丢干净，只是可见星骤减、几何分布变差，精度从米级滑到十米级，还带着跳变和抖动。
所以拒止从来不是一个开关，而是一道光谱：完全拒止、严重退化、轻度污染，一层层过渡下来。
这也注定了，补位这件事必须分层来做。
那些在卫星沉默时接住你的东西
惯导是最先接住你的那个。它完全自主，不向外界要任何东西：加速度计测比力，陀螺仪测角速度，积分出姿态、速度和位置。隧道那几十秒，就是它在无缝接管。
可积分是个会攒误差的动作。消费级 MEMS 的陀螺零偏稳定度在每小时几十度量级，纯惯导数分钟，漂移就奔着米级以上去了。车规级与战术级能把桥接时间拉长，光纤 IMU 精度更高、能独立撑更久，可成本高、功耗大，很难下放到手机和小型机器人身上。
惯导是优秀的接力者，却不是合格的长跑者。
视觉与激光，是另一种性格。视觉里程计靠相邻帧的特征匹配估相对运动，典型相对漂移约为行驶距离的 0.5%～2%，便宜、信息丰富，还能顺手提取语义与车道结构；代价是怕白墙、怕夜间、怕逆光雨雾，单目方案还带着尺度模糊。反过来想，为什么手机和小型机器人用不上光纤惯性器件？除了贵，还有体积和功耗两道坎。所以消费级产品只能靠算法去补硬件的不足——用视觉、用基站、用环境约束去纠正惯导的漂移，这也就是所谓的软件定义思路。
激光 SLAM 用点云配准和回环检测，典型漂移约 0.1%～0.5%，对光照不敏感，于是地库、隧道、矿山这些弱光环境里，它成了事实上的主力。可它同样依赖环境：长走廊、空旷广场这类几何退化场景，点云匹配的约束就不够用了。视觉还有个容易被低估的优势：它输出的不只是位置，还有语义和车道结构。对车道级导航来说，知道自己在第几条道，往往比知道绝对坐标差十厘米更有用——只是这套能力高度依赖纹理和光照。
UWB 则干脆换了一条路。纳秒级极窄脉冲测飞行时间，多径分辨能力强，室内精度能到 10～30 厘米。它给的是绝对基准，代价是要先布一张基站网——覆盖范围，就是它的服务边界。UWB 另一个特点是多径分辨能力强：极窄脉冲能把直射路径和反射路径分开，在金属设备多、反射复杂的厂房里，比蓝牙和 Wi-Fi 稳得多。只是基站密度决定精度上限，想从米级做到 10～30 厘米，基站就得铺得更密。
惯导给连续性，视觉与激光给环境约束，UWB 给绝对基准。
三者单独都撑不起全部场景，所以融合不是锦上添花，而是不得不做的事。
车上的那一份具体
落到车上，问题还要再具体一层。
以伴车星这类车载定位安全平台为例，车辆侧要同时扛住三件事：多模定位——北斗与 GPS 双系统叠加 LBS 基站辅助定位，在隧道、地下车库、城市峡谷这类遮挡场景里，用基站与惯性推算把位置补上；高可用——7×24 小时连续输出，断网、断电、拆机这些异常要被识别并及时上报；可信——定位跳变、速度异常、信号强度突变这类疑似干扰与欺骗的迹象，要被检测出来并触发告警。
说得朴素一点：车进了隧道，卫星没了，基站和惯导顶上去。
基站也可以变成星星
蜂窝通信定位走的是另一条思路——把已经密密麻麻铺好的基站，当成一座地面上的伪卫星星座。
5G 手里有三张牌：百兆赫兹级的大带宽，把飞行时间分辨率推进到米级乃至亚米级；Massive MIMO 带来的到达角估计，补上了方向这个维度；还有与 GNSS 精密定位同源的载波相位测距，理论上能到毫米至厘米级。
卫星进不去的地方，基站信号到处都是，功率还远高于淹在噪声里的 GNSS。
只是愿景归愿景，现网商用体制下面向大众终端的 5G 定位精度仍在米级，厘米级方案对时钟同步、网络协同、几何构型都苛刻得很，还在标准演进与试验验证阶段。它更适合当交叉校验源，而不是唯一的信任源。再往远看，6G 提的 ISAC 不只是把精度做高，而是让基站一边通信一边当雷达用；配上毫米波乃至太赫兹频段，角度分辨率能细到区分车道。它与低轨导航增强星座凑在一起，等于天上有一层备份、地上还有一层备份。
把所有的声音合成一句话
真正的战场，是把这些各有脾气的传感器捏成一个答案。
卡尔曼滤波靠预测—更新的递推，算力省、实时性强，是嵌入式与车规平台的默认选择；代价是强非线性下线性化误差明显，历史信息压进当前状态后，错了很难回头改。
因子图优化把每个观测拆成一个因子节点，在滑动窗口里求全局最大后验估计，天然支持乱序量测、回环约束与鲁棒核函数，精度上限更高，代价是算力开销大。
工程上两者常常并存：一个管实时输出，一个管全局一致。融合层里还多了一个新成员：AI 多径识别。模型综合信噪比、伪距残差乃至相机影像与三维建筑模型，去判断哪一颗卫星的信号是被反射过的，把污染观测剔掉，城里跑的稳定性因此提升明显。
真正难缠的，是那些不写在论文里的事
时空对齐是第一道坎：时间基准从 10 Hz 到数百赫兹各不相同，坐标基准也不统一，高速下毫秒级误差就能折成米级位置偏差。
外参标定会漂：安装方位角与杆臂随振动、温度慢慢变，出厂标定会失效。
滤波器会在高速、剧烈振动、急转弯里发散，得靠自适应噪声建模和快速重收敛兜底。
成本与功耗永远是那根绳子：厘米级接收机与光纤 IMU 又贵又费电，得靠 MEMS 与多频 GNSS 芯片持续降本，再用算法冗余去补硬件的降级。
最后还有完好性——不只是准，还要知道自己什么时候不可信。
尾声
所以多源融合的终极形态，不是把传感器堆满车身，而是构建一套全场景 PNT 冗余：
开阔地以多星座 GNSS 与低轨增强为主基准；城市峡谷由 GNSS、5G 与 AI 多径抑制交叉校验；隧道与地下由激光 SLAM 与惯导接管；室内由 UWB 与通信定位提供绝对约束。
任何单一环节的失效，都不应导致定位能力的整体丧失。这套冗余真正难做的是切换本身：什么时机把主基准从卫星换成 5G、什么时候交给惯导与激光、什么时候再切回来，切换的瞬间不能跳、不能断，还得把完好性标记同步带过去。
从“以卫星为中心”走向“以多源冗余与智能融合为中心”，定位正在从一项天基服务，变成覆盖室内室外、地上地下的全空间时空基础设施。
这条路走多远，自动驾驶、机器人和低空经济就能走多远。
投稿专题：技术人文 · 定位与感知
