惯性导航多种优势显著，有望成为 L3 以上自动驾驶标配

惯性导航有望成为自动驾驶标配，空间超500亿。惯性导航多种优势显著，有望成为 L3 以上自动驾驶标配。自动驾驶获得定位的技术方法通常有 3 种：

1. 基于信号的定位：主要为全球卫星GNSS的卫星信号进行定位的技术，也包括Wi-Fi， UWB(Ultra Wide Band，超宽带)等方式;

2. 环境特征匹配：基于视觉或激光雷达定位，用观测到的特征和数据库里的语义地图 或特征地图进行匹配，得到车辆的位置和姿态;

3. 惯性定位: 依靠惯性传感器获得加速度和角速度信息，通过推算获得当前的位置和 方位的定位技术。

惯性导航系统凭借其自主性成为自动驾驶高精定位中必不可少的关键部件。惯性导航 具备不受雨雪天气、电磁干扰等外界信息扰动的独特优势，且输出信息连续不间断，能够 为决策中心提供连续的车辆位置、姿态信息，在自动驾驶的定位系统中具有不可或缺的位 置。 其核心优势可概括为：

1. IMU 不依赖外部信号，定位稳定且连续，在失去 GNSS/5G/4G 信号后，仍能提供 车道级精度的定位。例如，在车道线识别模块失效时，基于失效前感知到的道路信息和 IMU 对汽车航迹的推演，仍然能够让汽车继续在车道内行驶;

2. IMU 可验证 GNSS 定位的自洽性，对于无法自洽的 GNSS 数据进行过滤和修正。 例如，若 GNSS 输出汽车的绝对位置在短时间内发生了很大的变化，这意味着汽车有很大 的加速度，而此时 IMU 发现汽车并不具备这样的加速度，就表明 GNSS 的定位出了问题， 应该由 IMU 来接管绝对定位系统;(报告来源：未来智库)

3. IMU 能够与车辆轮速、方向盘转角、其他传感器等信息结合，进一步提升定位精度。

GNSS+IMU构成的组合导航系统有望成为L3以上自动驾驶主流定位方案。卫星定位、 环境特征定位、惯性导航三种定位方式各有优劣，需要相互配合补足构成最完美的定位方 案。惯性导航获得相对的位移变量，GNSS 获得车辆初始点信息，即可通过原始参照点+ 相对位移的方法，共同实现既准确又足够实时的位置更新。同时，惯性导航是所有定位技 术中最容易实现与其他传感器提供的定位信息进行融合的主体，作为定位信息融合的中心， 将视觉传感器、雷达、激光雷达、车身系统信息进行更深层次的融合，为决策层提供精确 可靠的连续的车辆位置、姿态信息。

以百度阿波罗的多传感器融合定位系统解决方案为例，惯性导航系统处于定位模块的 中心位置，将 IMU、GNSS、Lidar 等定位信息进行融合，通过惯性导航系统解算修正后最 终输出满足自动驾驶需求的 6 个自由度的高精度位置信息。

多家智能汽车主机厂及自动驾驶科技公司均已采用惯性导航作为定位系统的一部分。 自动驾驶的发展推动高精度定位技术在汽车领域的应用。GNSS+IMU 系统的互补优势逐 渐得到重视，目前其在车中的应用落地正不断加速。小鹏、蔚来、智己、埃安、华为 AITO 等车企均在其量产车型上搭载配置惯性导航的高精度定位单元。Waymo、Apollo、Momenta、 小马智行等专注于 L3-L4 的自动驾驶科技企业亦在其高级别自动驾驶方案中采用惯性导航 作为自动驾驶标配硬件。

国内企业有望在软件和应用层取得产品的率先落地。目前国内惯性导航/组合导航企业 主要集中在中游惯性导航系统设计、制造、以及软件算法上。得益于国内智能汽车和自动 驾驶产业的快速发展，主机厂对惯性导航产品的需求持续提升。在此过程中，国内车载惯 导厂商有望与主机厂形成更紧密的合作，在定制化、差异化服务方面占据优势。此外，通 过软件和算法上快速和持续的迭代升级，国内企业有望实现软件性能的领先，并以此实现 应用层产品的率先落地。

惯导算法深刻影响系统精度。在同样的硬件环境下，算法优劣的标准在于尽可能对车辆精确建模、导航过程中准确测算并及时纠正航位误差、适应多种外部环境特别是在卫星 信号较弱的极端环境。惯导系统的算法包括 GNSS、IMU 子系统内的算法，以及 GNSS 和 IMU 耦合算法，均对定位精度有影响：

1)IMU 子系统内算法：主要是 DR(Dead Reckoning，航位推算)算法，指已知上 一时刻导航状态(状态、速度和位置)，根据传感器观测值推算到下一时刻的导航状态。 DR 算法包括姿态编排和位置编排两个部分。

2)GNSS 子系统内算法：GNSS 系统单点定位精度均在米级，需要使用 RTK(Real - time kinematic，实时动态)载波相位差分技术等增强技术达到厘米级定位精度，由于实际环境、通信情况等因素会影响高精度定位算法的准确性，依赖于长时间积累实现算法迭代。

3)IMU和GNSS融合算法：INS和GNSS的组合方式可分为松耦合(loosely coupled) 和紧耦合(tightly coupled)：

a)松耦合：采用的是 RTK 定位结果+IMU 原始数据来实现融合，系统同时具有独立 的 GNSS 和 INU，各自解算载体方位和运动情况信息，所得结果导入滤波器进行进一步解算，估算 INS 误差情况，从而提高导航精度。松耦合在隧道、地下车库等完全无卫星信号 的场景下与紧耦合相当，但在有卫星信号但是信号被遮挡的场景下，如城市峡谷等，定位 效果不如紧耦合。

b)紧耦合：采用 RTK 定位结果+GNSS 的原始数据+IMU 原始数据。相较于松耦合， 紧耦合不要求完整的 GNSS 结果，根据 GNSS 提供的部分数据即可计算 INS 误差，因此 在 GNSS 受到一定干扰、探测到的卫星数量少于 4 时，得到的信息经解算后依然可以作为 滤波器的依据计算。紧耦合算法的实现需要的计算量较大，此外厂家同时具备 RTK 定位 算法和组合导航算法两种研发能力。

欲了解更多中国汽车零部件行业的未来发展前景，可以点击查看中研普华产业院研究报告《2023-2027年中国汽车零部件行业市场深度全景调研及投资前景分析报告》。