一辆停在路边的车开始驶离，画面中原本稳定的特征随之移动；车辆驶入高楼之间，卫星信号也可能受到遮挡或反射。对人类驾驶者而言，这是常见的道路变化，对定位算法而言，却意味着原有信息的可信程度正在改变。南京邮电大学物联网学院“视在必行”项目由唐礼昊负责、孙进老师指导，将研究视角放在这些变化发生时，探索无人车如何持续定位并识别结果中的风险。

围绕这一方向，项目已将研究问题梳理为三个相互关联的环节：哪些图像特征可以用于定位，语义检测应在什么时候更新，以及卫星观测退化后还能相信哪些补偿信息。三个环节分别涉及动态干扰、计算开销与持续定位能力，最终都指向同一个输出——车辆的位姿及其可靠程度。当前，这些机制属于拟开展的算法研究，尚未形成经过实车验证的性能结论。

首先是动态目标带来的特征选择问题。视觉定位通常需要利用相邻画面中能够对应的特征来估计运动。如果把正在移动的人或车辆当成稳定参照，估计就可能受到干扰；但把所有车辆检测框中的特征一律删除，又可能丢掉停放车辆等有用信息。团队拟结合目标类别、跨帧运动和几何一致性，持续判断目标处于静止、运动还是状态不明的阶段，并检查保留下来的特征是否足以支撑定位。孙进老师参与发表的动态SLAM论文，展示了相关特征处理的对比画面（图1）。

其次是识别精细程度与处理速度之间的取舍。检测调用过少，系统可能沿用已经过时的判断；调用过于频繁，又会增加计算负担。针对这一矛盾，项目拟研究按场景变化和跟踪质量触发的语义更新机制：环境稳定时短时复用结果，跟踪异常或目标运动变化时优先更新，同时设置最长刷新间隔。研究要比较的，是在相同计算预算下，这种安排能否同时改善信息时效与定位质量。

第三个环节落在卫星信号退化场景。视觉和惯性信息可以在一段时间内提供运动约束，但也存在误差积累。项目拟在卫星观测健康时学习残差修正关系，在信号退化后结合视觉质量、中断时长和预测不确定性调整补偿权重。当补偿不再可信时，系统应降低其影响并提示退化；信号恢复后，也需要先检查一致性，再逐步恢复融合。孙进等人的组合导航论文设置了有限时段的卫星信号中断实验，可作为设计验证条件的参考（图2）。

这一环节还有一个容易被忽略的细节：如果补偿模型和惯性估计使用同一份惯性数据，两者的误差可能相关。把模型输出再当成一份独立而精确的卫星观测，可能让系统对结果过度自信。因此，团队将误差关联和置信度校准列入拟研究内容，希望让“当前结果有多可靠”能够接受真实误差的检验。

项目后续拟采用基线对比与模块消融，分别记录轨迹误差、处理延迟、跟踪失效和恢复情况，并区分原本就很困难的场景与算法引入的新问题。对“视在必行”而言，研究进展将体现在这些可比较的结果上：哪些设计确实帮助车辆保留了可靠信息，哪些条件下仍然需要谨慎。将定位问题拆细，也让团队的每一步验证有了更明确的落点。（合肥汇思）

免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。