厘米级定位如何成为自动驾驶AI与座舱体验的底座

2025 年，自动驾驶圈最容易被误解的一件事是：大家把“AI 模型够不够强”当成唯一胜负手，却低估了定位这种看起来“老派”的基础设施。现实更像做菜：再好的厨师（端到端模型），没有足够稳定的新鲜食材（高精度定位与时间同步），菜也会翻车。

最近有一条行业动态很值得拿来当切口：Khosla Ventures 投资的 Point One Navigation 估值达到 2.3 亿美元，主打让无人机、卡车、robotaxi 等移动体实现**“一英寸一英寸”**的追踪。信息不多，但方向很明确——高精度导航正在从汽车扩展到整个智能移动生态，而这恰好是“自动驾驶 AI：Tesla 与中国车企的发展路径对比”系列里最关键的拼图之一：AI 怎么落地，往往取决于底层数据坐标系是否足够可靠。

高精度定位的价值：不是“更准”，而是“更可控”

高精度定位（常见组合是 GNSS/RTK + IMU + 轮速/视觉/激光等）带来的核心收益不是把误差从 1 米变成 10 厘米那么简单，而是让系统变得可控、可解释、可量化验收。

自动驾驶和高阶辅助驾驶（NOA、城市领航、泊车）本质上要回答三个问题：我在哪、我将去哪、我周围发生了什么。感知和预测解决“周围发生了什么”，规划控制负责“我将去哪”，而定位决定了“我在哪”这张底图是否稳定。定位漂了，感知再准也会被迫在错误坐标系里工作。

我在项目里见过最典型的“体验差”不是算法不聪明，而是这些小失真不断叠加：

• 进入高架匝道时车辆在地图上“飘到隔壁车道”，系统突然降级或退出
• 城市峡谷（高楼密集）信号多路径导致定位抖动，车道级规划变得犹豫
• 泊车场景里车辆对车位线识别没问题，但“车位坐标”不稳定，反复修正

一句话概括：**定位决定自动驾驶的“胆量”。**底座稳，系统敢做；底座虚，系统只能保守。

从工程角度看：高精度定位是“责任边界”的划分工具

车企最头疼的不是做不出功能，而是上线后很难清晰回答：问题出在感知、地图、定位、规划还是控制？

当定位能稳定达到车道级甚至更细粒度，并且具备可追溯的质量指标（例如 fix 状态、卫星数、RTK 收敛时间、IMU 漂移、置信度等），你就能把事故与投诉拆解成可定位的工程问题。这会直接降低量产落地成本——少返工、少扯皮、能灰度。

为什么“能追踪无人机、卡车、robotaxi”的公司值得关注

Point One 这类公司吸引资本的原因很朴素：他们在做跨场景的定位与授时能力，把“汽车问题”扩展成“移动机器人问题”。

robotaxi、干线卡车、无人机、仓储机器人有一个共同点：它们都需要在动态环境里稳定复现同一条轨迹。一旦能做到“inch by inch”的追踪，价值不止在自动驾驶，还有运营层面的确定性。

robotaxi：定位是“运营 KPI”的输入

robotaxi 不是“能跑就行”，而是“能规模化运营”。高精度定位影响的是：

• 准点率：上客点/下客点是否能精确停在规定位置
• 安全冗余：隧道、桥下、树荫等弱 GNSS 区域如何平滑过渡
• 远程协助成本：定位不稳会导致更多接管与人工干预

当定位质量提升，系统会减少无谓降级，运营就能用更少的远程坐席覆盖更多车辆。

卡车：厘米级定位提升“车队协同”的可复制性

干线物流最在意的是成本与可控性。高精度定位让这些事情变得更像“工业系统”：

• 编队/跟车策略更稳定（同一车道中心线误差更小）
• 进出园区、收费站、装卸区的定位点更可标准化
• 事故追溯与保险定责更明确（轨迹与事件时间轴更可靠）

无人机与低空经济：定位与时间同步是刚需

2024-2025 年中国“低空经济”热度持续，巡检、测绘、物流等场景增长明显。无人机不仅需要位置，更需要时间同步：多机协同、避障与空域管理都依赖统一时间基准。高精度定位/授时供应商天然能吃到这波需求外溢。

把定位放回“Tesla vs 中国车企”路线之争：底座决定上层策略

这一系列文章的主线是：Tesla 更偏向端到端与强数据闭环；中国车企更常见多传感器、多供应商的系统工程路线。定位技术恰好解释了两条路线在落地上的差别。

Tesla 路线：更依赖感知闭环，但对定位的“稳定输入”要求更苛刻

端到端的优势是减少模块间手工规则与接口摩擦，但代价是：模型对训练分布敏感。

如果定位漂移导致训练数据里的轨迹标签与真实世界不一致，模型会学到“错误纠偏习惯”。因此即便强调视觉，工程上仍然离不开对定位、时间戳、传感器对齐的严苛控制。

一句很工程的话：端到端不是不要定位，而是更怕定位不一致。

中国车企路线：多供应商协同更现实，但也更需要“统一坐标系”

多传感器/多供应商的典型难点是融合：

• 摄像头、毫米波、激光雷达、IMU、GNSS 的时间同步
• 高精地图/轻地图与实时感知的坐标对齐
• 不同供应商算法输出的置信度体系不一致

高精度定位在这里扮演“共同语言”。当所有模块都能对齐到同一坐标系，并且每一帧数据的时间戳可信，融合质量会显著提升，系统也更容易做 A/B 测试和快速迭代。

可引用的一句话：自动驾驶的工程效率，往往由“时间戳和坐标系”决定。

从定位到底层体验：用户真正感知的是“顺”和“稳”

很多团队谈用户体验喜欢聊大屏、语音、推荐算法，但高阶辅助驾驶的体验口碑，通常来自几个“很基础”的感受：

• 车道居中是否稳定
• 变道是否果断且可预测
• 转弯/汇入是否顺滑
• 泊车是否一次到位

这些体验的共同前提是：车辆对自身状态的估计足够稳。定位抖动会放大控制系统的修正动作，让乘客感觉“左右轻晃”“犹豫不决”。

体验设计的一个反直觉点：需要“对用户透明”的定位质量提示

我更赞成把定位质量做成对用户可理解的提示，而不是只在工程后台看曲线。比如：

• 城市领航可用性提示不仅显示“可用/不可用”，还提示原因：弱信号/遮挡/地图不可用
• 当系统从 RTK 固定解切换到浮点解时，提前提示“将降低到 L2 辅助并保持车道”

这不是吓用户，而是建立信任。可预期，比“突然退出”更重要。

车企/出行平台如何评估一家高精度定位供应商（可直接拿去用）

选定位供应商别只问“精度多少厘米”。我建议用一套更接近量产的清单来问：

1. 收敛时间：冷启动到 RTK 固定解需要多久？在城市峡谷平均多久？
2. 可用率：在目标城市/线路上，达到车道级定位的时间占比是多少？
3. 退化策略：RTK 不可用时如何平滑退化？是否支持紧耦合/深耦合融合？
4. 授时能力：是否提供稳定 PPS/时间同步接口，如何保证多传感器对齐？
5. 质量指标输出：是否输出置信度、状态机、异常检测（欺骗/干扰）告警？
6. 本地化与合规：国内落地的数据路径、边缘计算部署、运维响应机制是否成熟？
7. 成本结构：硬件 BOM + 订阅费用 + 运营通信成本，是否能支撑规模化？

如果一家供应商只能回答“我们能做到 2cm”，而回答不了“在你这条路线能做到多少可用率”，基本就可以先放一边。

2026 展望：定位将从“功能模块”变成“AI 数据基础设施”

接下来一年我最看好的趋势是：高精度定位不再只是导航模块，而会变成 AI 平台的一部分。

• 对自动驾驶：更高质量的轨迹真值数据，会提升训练数据的一致性与可复现性
• 对车队运营：统一的时间轴与空间坐标，会降低事故追溯、远程协助、调度的成本
• 对座舱体验：系统能够更确定地理解“你在哪条路、哪条车道、哪个入口”，才能把推荐、语音、导航与驾驶辅助真正打通

这也把我们带回到本系列的核心：Tesla 强在闭环与端到端，中国车企强在供应链与系统工程。两条路线想赢到最后，都绕不开同一个底座——稳定、可量产、可运营的高精度定位与授时。

如果你正在规划 2026 年的高阶辅助驾驶或 robotaxi 项目，我建议从一个很实在的问题开始：在你的目标城市、目标路线、目标成本下，你的“厘米级定位可用率”到底是多少？当这个数字清楚了，AI 该怎么用、体验该怎么做，反而会简单很多。