2024年5月6日发(作者：许阳)
汽车技术·AutomobileTechnology
基于GPS和视觉同步定位与建图的无人驾驶车辆
定位方法研究*
高扬徐永贵刘江
（长安大学，西安710054）
【摘要】
为提高无人驾驶车辆的定位精度，提出一种基于GPS与视觉同步定位与建图（VSLAM）相融合的定位算法，在
VINS-Mono基础上进行改进，提出了VINS-FAST算法进行角点提取，并将VINS-FAST与GPS技术相结合，提出了GPS与
VSLAM相融合的VINS-GPS算法。试验结果表明：VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分
别降低了18.16%和33.08%，改善了VSLAM在大范围环境中表现较差的问题，同时提高了在GPS信号薄弱或无GPS信号环境
中的定位精度。
主题词：无人驾驶车辆
中图分类号：TP24.6
视觉同步定位与建图
文献标识码：A
角点均匀分布策略GPS
DOI:10.19620/.1000-3703.20200839
ResearchonLocalizationMethodforUnmannedVehicleBasedonGPS
andVSLAM
（Chang’anUniversity,Xi’an710054）
【Abstract】Inordertoimprovethelocalizationaccuracyofunmannedvehicles,alocalizationalgorithmisproposed
basedonGPSandVisualSimultaneousLocalizationandMapping(VSLAM)ovethealgorithmbasedon
combinedwithGPStechnology,erimentalresults
respectivelycomparedwithVINS-Mono,whichimprovestheperformanceofVSLAMinawiderangeofenvironments,and
alsoimprovesthelocalizationaccuracyintheweakornoGPSsignalenvironment.
VINS-Mono,acornerextractionalgorithmisproposed,basis,throughtheVINS-FAST
showthattherootmeansquareerrorofVINS-GPSinKITTI07datasetand09subsetsisreducedby18.16%and33.08%
GaoYang,XuYonggui,LiuJiang
Keywords:UnmannedVehicle,VSLAM,Corneruniformdistributionstrategy,GPS
GAOY,XUYG,chonLocalizationMethodforUnmannedVehicleBasedonGPSandVSLAM[J].Automobile
Technology,2021(6):19-24.
【引用格式】
高扬,徐永贵,刘江.基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究[J].汽车技术,2021(6):19-24.
1前言
定位是在环境中寻找相对于参考系的自我位置的
任务
[1]
，是无人驾驶汽车感知的重要一环。GPS定位技
术是常用的绝对定位技术，其定位精度可达10~15m
[2]
，
且没有累积误差，但在城市环境中，其定位精度受到环
境影响，甚至可能无法定位
[3]
。尽管实时动态载波相位
差分技术能够在大范围环境中提供厘米级高精度定位
[4]
，
但在GPS信号薄弱甚至缺失的环境下同样无法正常工
*基金项目：长安大学研究生科研创新实践项目（3）。
作。同步定位与建图（SimultaneousLocalizationand
Mapping，SLAM）技术主要采用地图匹配实现定位，自行
绘制地图，不依赖于先验地图信息，且定位精度可以达
到毫米级。然而，其需要同时完成定位与绘图，计算量
较大，且在大范围移动场景中存在累积误差
[5]
。视觉同
步定位与建图（VisualSimultaneousLocalizationand
Mapping，VSLAM）技术是SLAM技术的一种，依赖视觉
传感器作为主要感知手段，具有成本低、能实现三维位
姿估计与建图等优点。
2021年第6期
-19-
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
者之间也具备鲜明的互补性。事实上，
GPS与SLAM的定位方法具有各自的局限性，
GPS与VSLAM
但两
技术融合定位在许多研究中都有涉及。Markus
Schreiber
[6]
提出一种GPS与VSLAM紧耦合的无人驾驶
汽车低成本定位方案，在GPS信号差的区域依然能保持
系统的鲁棒性，但其定位精度不高。Mutz
[7]
引入GPS信
号帮助SLAM算法进行闭环检测，减少SLAM算法的计
算量，但其未融合二者的定位信息，GPS定位信息利用
率低。许豪
[8]
提出一种GPS与地图匹配的组合定位方
法，结合了二者的优点，能够为无人驾驶汽车在室外环
境提供较高精度的定位，但只适用于提前构建好地图的
区域。Chen
[9]
等提出一种基于GPS与ORB-SLAM
[10]
紧耦
合的无人驾驶定位方法，可以实现无人驾驶汽车在室外
大范围环境中的定位，但其在动态环境中鲁棒性不足。
目前，GPS与VSLAM系统融合的方案大多对GPS
定位信息利用率低或系统鲁棒性不高，进而无法应用于
无人驾驶汽车的定位。因此，本文提出一种GPS与
VSLAM
VINS-Mono
技术融合的无人驾驶汽车定位方法，
的Shi-Tomasi
算法提出了改进算法
角点检测替换为鲁棒性更强的
VINS-FAST
首先基于
，
FAST
将已有
角
点。同时，针对FAST角点检测所识别的特征存在集中
度较高的问题，本文进一步提出一种FAST角点均匀分
布策略，使得在纹理弱的区域也能检测到FAST角点，最
后提出一种基于GPS与VINS-FAST融合的定位算法。
2基于VINS-Mono改进的VINS-FAST算法
种VSLAM
VINS-Mono
算法
[11]
是香港科技大学沈劭劼团队提出的一
，具有在室内环境中定位精度高等优
点。本文在VINS-Mono的基础上进行改进，提出VINS-
FAST
由度位姿和地图三维点。
算法，运行框架如图1所示，可以输出相机的6自
相机特征检测与追踪
初始化
否
系统初始化
IMUIMU预积分
是
否
6自由度位姿
滑动窗口紧耦合非线性优化
关键帧
闭环检测
是
地图三维点
特征检索
图1VINS-FAST算法流程
尺度
VSLAM
不变特
系统中常用的角点包括
征转换（Scale-invariant
Shi-Tomasi
featuretransform
角点、
，
SIFT
角点。
）和
FAST
FAST
角点检测算法于
（FeaturesfromAccelerated
2006年提出，
Segment
以检测速度
Test）
快著称
[12]
。2015年，-Artal进一步改进了FAST角
-20-
点，添加了尺度和旋转的描述，进而使FAST角点具有尺
度不变性和方向不变性
[10]
。由于Shi-Tomasi角点无法
描述图像尺度信息，仅对图像方向信息进行了描述，而
FAST
提升了
角点同时描述了尺度信息与方向信息，
FAST角点在不同图片中进行光流跟踪时的鲁棒
从而大幅
性。因此，本文首先针对VINS-Mono算法进行改进，将
其采用的Shi-Tomasi角点替换为鲁棒性更强的FAST角
点，提出一种VINS-FAST视觉同步定位与建图算法，其
流程如图2所示。
参考帧
计算基础
Shi-Tomasi
矩阵
三角化
角点提取
LK光流跟
踪
恢复运动
全局
当前帧
PnP
与地图点
构建
优化
BA
图2VINS-FAST特征检测与追踪流程
通过FAST角点检测算法检测到得的角点容易集聚
在纹理、亮度特征变化明显的区域。如图3所示，图中
类圆形阴影表示检测到的FAST角点。此时检测出的
FAST
区域几乎没有检测到角点。这导致很多
角点大多聚集在特征明显的位置，
FAST
而在纹理弱的
角点描述
的环境信息过于单调，未能充分代表周围环境，不利于
后续匹配、定位等任务的实现。
图3FAST角点检测集中现象
因此，本文提出一种FAST角点均匀分布策略，利用
四叉树结构改进FAST角点检测方法，具体流程如图4
所示，其中，L为图像金字塔中图像的层数，W
ima
的宽度，H
为图像
ima
时，需提前设定
为图像的高度。该策略在提取
FAST阈值N
FAST角点
a
点的数量，最后基于四叉树均匀，
，即整张图像提取
按照Harris响应品质
FAST角
的优劣选取数量为N
a
算法设计了2个角点检测阈值：
的FAST角点。
V
ini
测的初始阈值，即每个格子中的初始角点数量；
为FAST
V
角点检
min
小阈值，即每个格子中的最少角点数量。如果每个格子
为最
中的角点数量小于V
ini
测到足够数量的角点，
，
此时，
则认为该区域纹理较弱，
按照V
无法检
min
V
检测角点。因此，
FAST
min
的设置应保证在图片中纹理弱的区域也能提取到
角点。针对分辨率为
3），取每格边长P=30像素。对图
640像素×480
3采用
像素的图片
FAST角
点均匀分布策略后的角点检测结果如图5所示。
汽车技术
（如图
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
相机图像
构建图像金字塔
按照等比数列计算每一层图
像提取的FAST角点
基于四叉树均匀选取FAST角点
是
L>8
计算四叉树根节点的数量
n=W
/H（四舍五入）
否
将该层图像划分P×P的格子
将每一个根节点分成4个子节
点，若子节点中只有1个角点，
停止分裂该子节点，若子节点中
对每个格子首先按照V
没有角点，则丢弃该子节点
检测FAST角点
检测不到角点的格子按照
继续将满足要求的子节点分裂
FAST角点
V
检测
成4个子节点，直到节点的数量
大于或者等于FAST阈值
将每个格子检测到的FAST角点存选取每个节点中性能最好的
入四叉树中
FAST角点
L的值增加1
得到均匀分布的角点
图4FAST角点均匀分布策略流程
图5FAST角点均匀分布效果
3基于GPS与VINS-FAST融合的VINS-GPS
为进一步消除SLAM算法中累计误差的影响，提出
一种GPS与VINS-FAST算法融合的VINS-GPS算法。
GPS
结果与
与VINS-FAST
VINS-FAST
融合步骤如图
经过后端位姿优化的定位结果进行
6所示，将GPS的定位
融合，最后采用非线性优化的方式求解融合后的位姿。
GPS
非线性优化
6自由度位姿
6自由度位姿
图6GPS与VINS-FAST融合框架
假设已经将VINS-FAST与GPS坐标系转换至同一
坐标系，构造非线性优化的目标函数：
minF
(
R
N
gv
,T
gv
)
=
∑
P
i
g
-
(
R
gv
·P
i
v
+T
gv
)
（1）
i
式中，R
gv
换的旋转矩阵和平移矩阵；
、T
gv
分别为VINS-FAST
N为在
坐标系到
VINS-FAST
GPS坐标系转
坐标系与
GPS
果数量；
坐标系下可用于融合的无人驾驶汽车位姿估计结
P
g
i
与
P
v
i
分别为i时刻无人驾驶汽车在GPS坐
标系和VINS-FAST坐标系下的坐标。
通过求解式（1）可以求得R
VINS-FAST的坐标系转换关系。
gv
和T
gv
，获得GPS与
本文将融合定位算法VINS-GPS的优化目标函数
2021年第6期
设为：
N
M
F
(
χ
)
=χ-
∑∑
E
v
(
i,j,k
i
,k
j
)
-w
g
∑
N
E
g
(
i
)
（2）
i=0j=0i=0
式中，χ=[ξ
1
,…,ξ
N
]
T
为待优化的变量；E
v
(i,j,k
i
,k
j
)为VINS-
FAST
计的位姿；
的约束；
E
g
汽车的位姿；
(i
w
)
k
i
、k
j
分别为i时刻和j时刻VINS-FATS估
为
g
为
i
GPS
时刻
定位结果进行融合时的权重；
GPS的约束；ξ
i
为i时刻无人驾驶
M、
N分别为融合时VINS-FAST输出的定位结果数量和
GPS定位结果数量。
无人驾驶汽车i时刻位姿估计值为：
ξ
i
=R
gvi
×ξ
i
v
+T
gvi
（3）
式中，
ξ
v
i
为由VINS-FAST得到的i时刻无人驾驶汽车
位姿估计结果；R
gvi
GPS坐标系转换的旋转矩阵和平移矩阵。
、T
gvi
到
分别为i时刻VINS-FAST坐标系
本文将E
v
(i,j,k
i
,k
j
)定义为：
E
v
(
i,j,k
i
,k
j
)
=
z
(
i,j,k
i
,k
j
)
-z
(
i,j,k
2
i
,k
j
)
（4）
式中，z(i,j,k
i
,k
j
)为直接由VINS-FAST得到的i时刻到j时
刻无人驾驶汽车位姿估计结果变化量；
z
(
i,j,k
i
,k
j
)
为i时
刻到j时刻无人驾驶汽车真实位姿位姿结果变化量。
对式（4）中z(i,j,k
i
,k
j
)和
z
(
i,j,k
i
,k
j
)
进行展开，进一步
得到：
E
v
(
i,j,k
i
,k
j
)
=
ξ
j
v
-ξ
i
v
+ξ
j
-ξ
i
2
（5）
没有GPS定位结果时，本文设E
g
结果时，E
g
(i)定义为：
(i)=0，有GPS定位
E
g
(
i
)
=
p
g
i
-
ξ
i
2
式中，
p
g
[]
（6）
i
为通过GPS得到的i时刻无人驾驶汽车位姿；
[
ξ
i
]
为i时刻无人驾驶汽车位姿估计值。
Precision
GPS
值越小，表示
，
定
GDOP
位的几何精度因子（GeometricDilutionOf
GPS
）是衡量
定位精度越高，
GPS定位精度的重要参数，
通常，该值可由GPS
其
信
号接收机给出。因此，本文采用w
g
作为定位结果融合权
重设置的依据：
w
g
=
M
N
·
1
κ
（7）
式中，κ为几何精度因子。
4试验结果分析
为了验证本文所提出算法的有效性，首先在室内
数据集Euroc
[13]
上验证了VINS-FAST在室内等遮挡环
境的定位效果，并在自动驾驶数据集KITTI上验证了
VINS-GPS
效果
[14]
。本文所有试验均基于
融合定位算法在室外大范围环境下的定位
ROS系统kinetic版进行，
-21-
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
硬件设备为戴尔游匣G3，处理器为i5-7300HQ。
4.1VINS-FAST角点检测测试
本文选取Euroc数据集中的MH04_difficlut和
MH05_difficlut
V
检测数
个，
量
V
子集作为测试数据。试验参数设置为：
ini
=15
min
N
=5个，图像金字塔比例系数为1.2，FAST角点
MH04_difficlut
a
=150
和MH05_difficlut
个。图7所示
子集上的角点检测效果。
为系统启动阶段在
（a）改进前MH04_difficlut检测效果
（b）改进后MH04_difficlut检测效果
（c）改进前MH05_difficlut检测效果
（d）改进后MH05_difficlut检测效果
图7MH04_difficlut和MH05_difficlut子集中角点检测效果
不难看出，图7a和图7c中提取所得角点存在明显
的聚集现象，且多集中于特征明显的区域，而图7b和图
7d
略的有效性。
中角点检测分布更加均匀，证明了本文角点分散策
4.2VINS-GPS在室外大范围环境中的测试
为测试本文提出的VINS-GPS定位算法在室外大
范围环境中的表现，采用KITTI数据集07和09子集进
-22-
行了测试。KITTI数据集07和09子集的环境如图8所
示，是典型的室外环境。
图8KITTI数据集07和09子集部分试验环境
由于KITTI数据集只提供了差分GPS定位结果，本
文在该结果的基础上分别添加均值为3m的高斯白噪
声以模拟无差分GPS定位结果。图9所示为09子集中
GPS
Truth
、差分GPS定位结果与车辆
不难看出，
）对比结果，
差分GPS
其局部放大图如图
真
定位结果比较接近真值，
10
实
所示。由图
轨迹（Ground
而无差分
10
GPS定位结果与真值相差较大，
600
且含有抖动。
500
400
GPS
真实轨迹
m
/
y
300
200
100
差分GPS
起始点
-100
0
-150-5050
x/m
150250350
图9GPS、差分GPS定位结果与真实轨迹对比结果
500
450
真实轨迹
400
GPS
m
/
y
350
300
250
200
差分GPS
150
140180220
x/m
260300340
图10GPS、差分GPS定位结果和真实轨迹局部放大图
采用与4.1节相同的参数设置，作为对比，引入
VINS-Mono
角点检测阈值为
算法进
30
行
个，
了定
Shi-Tomasi
位试验。
角点检测数量为
设置Shi-Tomasi
150个。本试验采用KITTI自带的评测工具
精度。
KITTI_odometry_evaluation_tool评测2个系统的定位
图11给出了VINS-Mono算法所得车辆轨迹与真实
轨迹对比结果。由图11不难看出，VINS-Mono在起始
汽车技术
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
阶段位姿估计结果与真值相差较小，定位精度较高。然
而，随着移动距离增加，系统累积误差逐渐增大，导致
VINS-Mono的定位精度下降。
150
100
真实轨迹
m
50
差分GPS
起始点
/
y
0
-50
-100
-200-150
x
-100
/m
-500
（a）07子集
600
500
400
差分GPS
真实轨迹
m
/
y
300
200
100
-100
0
起始点
-2000
x/m
200400
（b）09子集
图11VINS-Mono算法定位结果与真实轨迹对比结果
图12给出了采用VINS-GPS定位算法所得车辆轨
迹与真实轨迹的对比结果。
150
100
差分GPS
真实轨迹
m
50
/
y
0
-50
起始点
-100
-200-150-100
x/m
-500
（a）07子集
600
真实轨迹
500
差分
起始点
GPS
400
m
/
300
y
200
100
-100
0
-2000
x/m
200400
（b）09子集
图12VINS-GPS算法定位结果与真实轨迹对比结果
2021年第6期
由图12可知，本文提出的VINS-GPS定位算法估计
的定位结果基本接近真实轨迹，同时VINS-GPS在
KITTI
分别降低了
数据集
18.16
07和
%
09
和
子集的均方根误差较
33.08%，较VINS-Mono
VINS-Mono
定位精度
有了很大的提升。这是由于本文提出的VINS-GPS定
位算法融合了VINS-Mono与GPS两者的定位优点，能
够在室外大范围环境中获得良好表现。本文还统计了
VINS-GPS
如表1所示。
在09子集上各模块的耗费时间和运行频率，
表1VINS-GPS各模块运行时间和频率
模块耗费时间/s频率/Hz
改进后的FAST角点检测
49.24410
位姿优化
GPS融合
29.980
45
16.638
90
65
不难看出，VINS-GPS的角点检测与跟踪可以稳定
在10Hz运行，位姿优化与GPS融合耗时也相对较少。
综上所述，本文提出的VINS-GPS融合定位算法，
不仅能够改善VINS-Mono在室外大范围环境表现较差
的问题，同时还可以提高GPS的定位精度。
5结束语
本文基于VINS-Mono提出一种GPS与VINS-FAST
算法融合的VINS-GPS算法，改善了FAST角点检测集
中的现象，使得在纹理弱的区域也能检测到FAST角点，
同时进一步消除了SLAM算法运行过程中的累计误差，
能够为无人驾驶汽车在室外大规模复杂环境下提供较
高精度的定位。
参考文献
[1]KUUTTI
the
Potentials
State-
S,
of-
FALLAHS,KATSAROSK,yof
[2]
InternetofThings
for
the-
Autonomous
ArtLocalizationTechniquesandTheir
Journal,
VehicleApplications[J].IEEE
Integration
DHONGADE
(LabViewTool)
onan
AP,KHANDEKAR
2018,5(2):829-846.
IMU
[C]//
Autonomous
2019International
VehicleUsing
Conference
KalmanFilter
IntelligentComputingandControlSystems(ICCS),2019.
on
[3]
Survey
YURTSEVER
ofAutonomous
E,LAMBERT
Driving:
J,CARBALLOA,etal.A
Access,
Common
2020,
Practices
8:58443-
and
[4]
58469.
EmergingTechnologies[J].IEEE
GIANLUCA
GNSS/INS
F,
Integrations:
MARCOP,GIANLUCA
Comparison
M.
of
Loose
Performance
andTight
[5]
27.
AssessedinRealUrbanScenarios[J].Sensors,2017,17(2):
YURTSEVERE,LAMBERTJ,CARBALLOA,
-
et
23
al.
-
A
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
SurveyofAutonomousDriving:CommonPracticesand
Emerging
Systems,5(1):323-349.
Technologies[J].RoboticsandAutonomous
[10]MUR-ARTALR,MONTIELJMM,-
SLAM:AVersatileandAccurateMonocularSLAMSystem
1163.
[J].IEEETransactionsonRobotics,2015,31(5):1147-
[11]QINT,LIPL,-Mono:ARobustand
VersatileMonocularVisual-InertialStateEstimator[J].
IEEETransactionsonRobotics,2018,34(4):1004-1020.
[6]SCHREIBERM,KÖNIGSHOFH,HELLMUNDA,etal.
VehicleLocalizationwithTightlyCoupledGNSSandVisual
(IV),2016.
Odometry[C]//2016IEEEIntelligentVehiclesSymposium
[7]MUTZF,VERONESELP,OLIVEIRA-SANTOST,etal.
Large-ScaleMappinginComplexFieldScenariosUsingan
46(2):439-462.
AutonomousCar[J].ExpertSystemswithApplications,2016,
[8]许豪.基于地图匹配的无人驾驶汽车定位方法研究[D].西
安:长安大学,2019.
chonLocationMethodofDriverlessVehicle
2019.
[12]ROSTENE,PORTERR,and
Better:AMachineLearningApproachtoCornerDetection
Intelligence,2010,32(1):105-119.
[J].IEEETransactionsonPatternAnalysisandMachine
[13]BURRIM,NIKOLICJ,GOHLP,oCMicro
AerialVehicleDatasets[J].TheInternationalJournalof
RoboticsResearch,2016,35(10):1157-1163.
BasedonMapMatching[D].Xi’an:Chang’anUniversity,
[9]CHENXHW,ationofLow-CostGNSS
andMonocularCamerasforSimultaneousLocalizationand
Mapping[J].Sensors,2018,18(7):2193-2211.
[14]GEIGERA,LENZP,STILLERC,Meets
Robotics:TheKITTIDataset[J].TheInternationalJournal
ofRoboticsResearch,2013,32(11):1231-1237.
（责任编辑
修改稿收到日期为2020年20月30日。
斛畔）
·广告·
《汽车工艺与材料》投稿须知
《汽车工艺与材料》杂志创刊于1986年，是由中国第一汽车集团有限公司主办的国内外公开发行的汽车制造类月刊、中国
汽车工程学会会刊，是全面报道汽车先进制造工艺与材料应用的专业性杂志。
《汽车工艺与材料》杂志始终致力于汽车制造新技术的开发（如汽车制造领域中的四大工艺）、新材料的研究应用、轻量化
技术、智能制造、绿色制造技术、加工技术、生产装备、检测技术、数字化模拟技术及生产管理等方面的报道。努力为汽车及零
部件生产中各门类的决策者及研究开发人员提供更好、更快、更节约成本的汽车行业发展动态信息，为其适应国内与国际激烈
的汽车生产市场竞争提供有效的帮助。
《汽车工艺与材料》杂志关注领先的整车及零部件企业和材料、装备等供应商，及时报道汽车行业最新的设计、制造、材料、加
工技术、生产装备、检测技术等方面的成功案例。
主要栏目：
AT&M视界、生产现场、材料应用、生产装备、检测技术、数字化园地、行业动态等。
投稿要求：
（1）来稿须具有独创性并与实践相结合，文章字数最好控制在6000字以内。
（2）来稿不能在国内、外公开杂志上发表过，严禁一稿多投，对同时一稿多投者，编辑部将视对本刊声誉、工作上造成的影响程
度，采取相应处理措施。
（3）来稿的试验方法、试验数据、试验结论必须准确、可靠。
（4）来稿须包括以下项目：题名、作者姓名、作者单位、中文摘要（200字左右）、参考文献等。来稿采用word文档的格式。
（5）来稿文章格式应符合一般科技论文格式，或参考近期本刊所刊登文章格式。
（6）稿件图片请发清晰原图，图形尺寸应适中，并配上图名和图号，且文中要有相应体现（例如：如图1所示、见图2等）。图中
英文需要翻译成中文。
（7）计量单位必须采用（或换算成）中华人民共和国法定计量单位。文章中外文字母大小写、上下角标应书写正确，避免同一
符号代表2种及以上物理量的情况出现。
（8）文章必须附有公开发表的参考文献，且在文中应标注文献引用处。参考文献注录项目应齐全，包括作者姓名、题名、刊名
（或书名，图书应注明出版地与出版社）、出版年、卷、期。
（9）请在来稿时注明作者联系方式（包含手机、办公室电话、E-mail等）。
（10）本刊投稿网址：，咨询电话：*************。
竭诚欢迎汽车行业及相关各界的专家学者积极向本刊投稿。
-24-
汽车技术
2024年5月6日发(作者：许阳)
汽车技术·AutomobileTechnology
基于GPS和视觉同步定位与建图的无人驾驶车辆
定位方法研究*
高扬徐永贵刘江
（长安大学，西安710054）
【摘要】
为提高无人驾驶车辆的定位精度，提出一种基于GPS与视觉同步定位与建图（VSLAM）相融合的定位算法，在
VINS-Mono基础上进行改进，提出了VINS-FAST算法进行角点提取，并将VINS-FAST与GPS技术相结合，提出了GPS与
VSLAM相融合的VINS-GPS算法。试验结果表明：VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分
别降低了18.16%和33.08%，改善了VSLAM在大范围环境中表现较差的问题，同时提高了在GPS信号薄弱或无GPS信号环境
中的定位精度。
主题词：无人驾驶车辆
中图分类号：TP24.6
视觉同步定位与建图
文献标识码：A
角点均匀分布策略GPS
DOI:10.19620/.1000-3703.20200839
ResearchonLocalizationMethodforUnmannedVehicleBasedonGPS
andVSLAM
（Chang’anUniversity,Xi’an710054）
【Abstract】Inordertoimprovethelocalizationaccuracyofunmannedvehicles,alocalizationalgorithmisproposed
basedonGPSandVisualSimultaneousLocalizationandMapping(VSLAM)ovethealgorithmbasedon
combinedwithGPStechnology,erimentalresults
respectivelycomparedwithVINS-Mono,whichimprovestheperformanceofVSLAMinawiderangeofenvironments,and
alsoimprovesthelocalizationaccuracyintheweakornoGPSsignalenvironment.
VINS-Mono,acornerextractionalgorithmisproposed,basis,throughtheVINS-FAST
showthattherootmeansquareerrorofVINS-GPSinKITTI07datasetand09subsetsisreducedby18.16%and33.08%
GaoYang,XuYonggui,LiuJiang
Keywords:UnmannedVehicle,VSLAM,Corneruniformdistributionstrategy,GPS
GAOY,XUYG,chonLocalizationMethodforUnmannedVehicleBasedonGPSandVSLAM[J].Automobile
Technology,2021(6):19-24.
【引用格式】
高扬,徐永贵,刘江.基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究[J].汽车技术,2021(6):19-24.
1前言
定位是在环境中寻找相对于参考系的自我位置的
任务
[1]
，是无人驾驶汽车感知的重要一环。GPS定位技
术是常用的绝对定位技术，其定位精度可达10~15m
[2]
，
且没有累积误差，但在城市环境中，其定位精度受到环
境影响，甚至可能无法定位
[3]
。尽管实时动态载波相位
差分技术能够在大范围环境中提供厘米级高精度定位
[4]
，
但在GPS信号薄弱甚至缺失的环境下同样无法正常工
*基金项目：长安大学研究生科研创新实践项目（3）。
作。同步定位与建图（SimultaneousLocalizationand
Mapping，SLAM）技术主要采用地图匹配实现定位，自行
绘制地图，不依赖于先验地图信息，且定位精度可以达
到毫米级。然而，其需要同时完成定位与绘图，计算量
较大，且在大范围移动场景中存在累积误差
[5]
。视觉同
步定位与建图（VisualSimultaneousLocalizationand
Mapping，VSLAM）技术是SLAM技术的一种，依赖视觉
传感器作为主要感知手段，具有成本低、能实现三维位
姿估计与建图等优点。
2021年第6期
-19-
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
者之间也具备鲜明的互补性。事实上，
GPS与SLAM的定位方法具有各自的局限性，
GPS与VSLAM
但两
技术融合定位在许多研究中都有涉及。Markus
Schreiber
[6]
提出一种GPS与VSLAM紧耦合的无人驾驶
汽车低成本定位方案，在GPS信号差的区域依然能保持
系统的鲁棒性，但其定位精度不高。Mutz
[7]
引入GPS信
号帮助SLAM算法进行闭环检测，减少SLAM算法的计
算量，但其未融合二者的定位信息，GPS定位信息利用
率低。许豪
[8]
提出一种GPS与地图匹配的组合定位方
法，结合了二者的优点，能够为无人驾驶汽车在室外环
境提供较高精度的定位，但只适用于提前构建好地图的
区域。Chen
[9]
等提出一种基于GPS与ORB-SLAM
[10]
紧耦
合的无人驾驶定位方法，可以实现无人驾驶汽车在室外
大范围环境中的定位，但其在动态环境中鲁棒性不足。
目前，GPS与VSLAM系统融合的方案大多对GPS
定位信息利用率低或系统鲁棒性不高，进而无法应用于
无人驾驶汽车的定位。因此，本文提出一种GPS与
VSLAM
VINS-Mono
技术融合的无人驾驶汽车定位方法，
的Shi-Tomasi
算法提出了改进算法
角点检测替换为鲁棒性更强的
VINS-FAST
首先基于
，
FAST
将已有
角
点。同时，针对FAST角点检测所识别的特征存在集中
度较高的问题，本文进一步提出一种FAST角点均匀分
布策略，使得在纹理弱的区域也能检测到FAST角点，最
后提出一种基于GPS与VINS-FAST融合的定位算法。
2基于VINS-Mono改进的VINS-FAST算法
种VSLAM
VINS-Mono
算法
[11]
是香港科技大学沈劭劼团队提出的一
，具有在室内环境中定位精度高等优
点。本文在VINS-Mono的基础上进行改进，提出VINS-
FAST
由度位姿和地图三维点。
算法，运行框架如图1所示，可以输出相机的6自
相机特征检测与追踪
初始化
否
系统初始化
IMUIMU预积分
是
否
6自由度位姿
滑动窗口紧耦合非线性优化
关键帧
闭环检测
是
地图三维点
特征检索
图1VINS-FAST算法流程
尺度
VSLAM
不变特
系统中常用的角点包括
征转换（Scale-invariant
Shi-Tomasi
featuretransform
角点、
，
SIFT
角点。
）和
FAST
FAST
角点检测算法于
（FeaturesfromAccelerated
2006年提出，
Segment
以检测速度
Test）
快著称
[12]
。2015年，-Artal进一步改进了FAST角
-20-
点，添加了尺度和旋转的描述，进而使FAST角点具有尺
度不变性和方向不变性
[10]
。由于Shi-Tomasi角点无法
描述图像尺度信息，仅对图像方向信息进行了描述，而
FAST
提升了
角点同时描述了尺度信息与方向信息，
FAST角点在不同图片中进行光流跟踪时的鲁棒
从而大幅
性。因此，本文首先针对VINS-Mono算法进行改进，将
其采用的Shi-Tomasi角点替换为鲁棒性更强的FAST角
点，提出一种VINS-FAST视觉同步定位与建图算法，其
流程如图2所示。
参考帧
计算基础
Shi-Tomasi
矩阵
三角化
角点提取
LK光流跟
踪
恢复运动
全局
当前帧
PnP
与地图点
构建
优化
BA
图2VINS-FAST特征检测与追踪流程
通过FAST角点检测算法检测到得的角点容易集聚
在纹理、亮度特征变化明显的区域。如图3所示，图中
类圆形阴影表示检测到的FAST角点。此时检测出的
FAST
区域几乎没有检测到角点。这导致很多
角点大多聚集在特征明显的位置，
FAST
而在纹理弱的
角点描述
的环境信息过于单调，未能充分代表周围环境，不利于
后续匹配、定位等任务的实现。
图3FAST角点检测集中现象
因此，本文提出一种FAST角点均匀分布策略，利用
四叉树结构改进FAST角点检测方法，具体流程如图4
所示，其中，L为图像金字塔中图像的层数，W
ima
的宽度，H
为图像
ima
时，需提前设定
为图像的高度。该策略在提取
FAST阈值N
FAST角点
a
点的数量，最后基于四叉树均匀，
，即整张图像提取
按照Harris响应品质
FAST角
的优劣选取数量为N
a
算法设计了2个角点检测阈值：
的FAST角点。
V
ini
测的初始阈值，即每个格子中的初始角点数量；
为FAST
V
角点检
min
小阈值，即每个格子中的最少角点数量。如果每个格子
为最
中的角点数量小于V
ini
测到足够数量的角点，
，
此时，
则认为该区域纹理较弱，
按照V
无法检
min
V
检测角点。因此，
FAST
min
的设置应保证在图片中纹理弱的区域也能提取到
角点。针对分辨率为
3），取每格边长P=30像素。对图
640像素×480
3采用
像素的图片
FAST角
点均匀分布策略后的角点检测结果如图5所示。
汽车技术
（如图
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
相机图像
构建图像金字塔
按照等比数列计算每一层图
像提取的FAST角点
基于四叉树均匀选取FAST角点
是
L>8
计算四叉树根节点的数量
n=W
/H（四舍五入）
否
将该层图像划分P×P的格子
将每一个根节点分成4个子节
点，若子节点中只有1个角点，
停止分裂该子节点，若子节点中
对每个格子首先按照V
没有角点，则丢弃该子节点
检测FAST角点
检测不到角点的格子按照
继续将满足要求的子节点分裂
FAST角点
V
检测
成4个子节点，直到节点的数量
大于或者等于FAST阈值
将每个格子检测到的FAST角点存选取每个节点中性能最好的
入四叉树中
FAST角点
L的值增加1
得到均匀分布的角点
图4FAST角点均匀分布策略流程
图5FAST角点均匀分布效果
3基于GPS与VINS-FAST融合的VINS-GPS
为进一步消除SLAM算法中累计误差的影响，提出
一种GPS与VINS-FAST算法融合的VINS-GPS算法。
GPS
结果与
与VINS-FAST
VINS-FAST
融合步骤如图
经过后端位姿优化的定位结果进行
6所示，将GPS的定位
融合，最后采用非线性优化的方式求解融合后的位姿。
GPS
非线性优化
6自由度位姿
6自由度位姿
图6GPS与VINS-FAST融合框架
假设已经将VINS-FAST与GPS坐标系转换至同一
坐标系，构造非线性优化的目标函数：
minF
(
R
N
gv
,T
gv
)
=
∑
P
i
g
-
(
R
gv
·P
i
v
+T
gv
)
（1）
i
式中，R
gv
换的旋转矩阵和平移矩阵；
、T
gv
分别为VINS-FAST
N为在
坐标系到
VINS-FAST
GPS坐标系转
坐标系与
GPS
果数量；
坐标系下可用于融合的无人驾驶汽车位姿估计结
P
g
i
与
P
v
i
分别为i时刻无人驾驶汽车在GPS坐
标系和VINS-FAST坐标系下的坐标。
通过求解式（1）可以求得R
VINS-FAST的坐标系转换关系。
gv
和T
gv
，获得GPS与
本文将融合定位算法VINS-GPS的优化目标函数
2021年第6期
设为：
N
M
F
(
χ
)
=χ-
∑∑
E
v
(
i,j,k
i
,k
j
)
-w
g
∑
N
E
g
(
i
)
（2）
i=0j=0i=0
式中，χ=[ξ
1
,…,ξ
N
]
T
为待优化的变量；E
v
(i,j,k
i
,k
j
)为VINS-
FAST
计的位姿；
的约束；
E
g
汽车的位姿；
(i
w
)
k
i
、k
j
分别为i时刻和j时刻VINS-FATS估
为
g
为
i
GPS
时刻
定位结果进行融合时的权重；
GPS的约束；ξ
i
为i时刻无人驾驶
M、
N分别为融合时VINS-FAST输出的定位结果数量和
GPS定位结果数量。
无人驾驶汽车i时刻位姿估计值为：
ξ
i
=R
gvi
×ξ
i
v
+T
gvi
（3）
式中，
ξ
v
i
为由VINS-FAST得到的i时刻无人驾驶汽车
位姿估计结果；R
gvi
GPS坐标系转换的旋转矩阵和平移矩阵。
、T
gvi
到
分别为i时刻VINS-FAST坐标系
本文将E
v
(i,j,k
i
,k
j
)定义为：
E
v
(
i,j,k
i
,k
j
)
=
z
(
i,j,k
i
,k
j
)
-z
(
i,j,k
2
i
,k
j
)
（4）
式中，z(i,j,k
i
,k
j
)为直接由VINS-FAST得到的i时刻到j时
刻无人驾驶汽车位姿估计结果变化量；
z
(
i,j,k
i
,k
j
)
为i时
刻到j时刻无人驾驶汽车真实位姿位姿结果变化量。
对式（4）中z(i,j,k
i
,k
j
)和
z
(
i,j,k
i
,k
j
)
进行展开，进一步
得到：
E
v
(
i,j,k
i
,k
j
)
=
ξ
j
v
-ξ
i
v
+ξ
j
-ξ
i
2
（5）
没有GPS定位结果时，本文设E
g
结果时，E
g
(i)定义为：
(i)=0，有GPS定位
E
g
(
i
)
=
p
g
i
-
ξ
i
2
式中，
p
g
[]
（6）
i
为通过GPS得到的i时刻无人驾驶汽车位姿；
[
ξ
i
]
为i时刻无人驾驶汽车位姿估计值。
Precision
GPS
值越小，表示
，
定
GDOP
位的几何精度因子（GeometricDilutionOf
GPS
）是衡量
定位精度越高，
GPS定位精度的重要参数，
通常，该值可由GPS
其
信
号接收机给出。因此，本文采用w
g
作为定位结果融合权
重设置的依据：
w
g
=
M
N
·
1
κ
（7）
式中，κ为几何精度因子。
4试验结果分析
为了验证本文所提出算法的有效性，首先在室内
数据集Euroc
[13]
上验证了VINS-FAST在室内等遮挡环
境的定位效果，并在自动驾驶数据集KITTI上验证了
VINS-GPS
效果
[14]
。本文所有试验均基于
融合定位算法在室外大范围环境下的定位
ROS系统kinetic版进行，
-21-
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
硬件设备为戴尔游匣G3，处理器为i5-7300HQ。
4.1VINS-FAST角点检测测试
本文选取Euroc数据集中的MH04_difficlut和
MH05_difficlut
V
检测数
个，
量
V
子集作为测试数据。试验参数设置为：
ini
=15
min
N
=5个，图像金字塔比例系数为1.2，FAST角点
MH04_difficlut
a
=150
和MH05_difficlut
个。图7所示
子集上的角点检测效果。
为系统启动阶段在
（a）改进前MH04_difficlut检测效果
（b）改进后MH04_difficlut检测效果
（c）改进前MH05_difficlut检测效果
（d）改进后MH05_difficlut检测效果
图7MH04_difficlut和MH05_difficlut子集中角点检测效果
不难看出，图7a和图7c中提取所得角点存在明显
的聚集现象，且多集中于特征明显的区域，而图7b和图
7d
略的有效性。
中角点检测分布更加均匀，证明了本文角点分散策
4.2VINS-GPS在室外大范围环境中的测试
为测试本文提出的VINS-GPS定位算法在室外大
范围环境中的表现，采用KITTI数据集07和09子集进
-22-
行了测试。KITTI数据集07和09子集的环境如图8所
示，是典型的室外环境。
图8KITTI数据集07和09子集部分试验环境
由于KITTI数据集只提供了差分GPS定位结果，本
文在该结果的基础上分别添加均值为3m的高斯白噪
声以模拟无差分GPS定位结果。图9所示为09子集中
GPS
Truth
、差分GPS定位结果与车辆
不难看出，
）对比结果，
差分GPS
其局部放大图如图
真
定位结果比较接近真值，
10
实
所示。由图
轨迹（Ground
而无差分
10
GPS定位结果与真值相差较大，
600
且含有抖动。
500
400
GPS
真实轨迹
m
/
y
300
200
100
差分GPS
起始点
-100
0
-150-5050
x/m
150250350
图9GPS、差分GPS定位结果与真实轨迹对比结果
500
450
真实轨迹
400
GPS
m
/
y
350
300
250
200
差分GPS
150
140180220
x/m
260300340
图10GPS、差分GPS定位结果和真实轨迹局部放大图
采用与4.1节相同的参数设置，作为对比，引入
VINS-Mono
角点检测阈值为
算法进
30
行
个，
了定
Shi-Tomasi
位试验。
角点检测数量为
设置Shi-Tomasi
150个。本试验采用KITTI自带的评测工具
精度。
KITTI_odometry_evaluation_tool评测2个系统的定位
图11给出了VINS-Mono算法所得车辆轨迹与真实
轨迹对比结果。由图11不难看出，VINS-Mono在起始
汽车技术
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
阶段位姿估计结果与真值相差较小，定位精度较高。然
而，随着移动距离增加，系统累积误差逐渐增大，导致
VINS-Mono的定位精度下降。
150
100
真实轨迹
m
50
差分GPS
起始点
/
y
0
-50
-100
-200-150
x
-100
/m
-500
（a）07子集
600
500
400
差分GPS
真实轨迹
m
/
y
300
200
100
-100
0
起始点
-2000
x/m
200400
（b）09子集
图11VINS-Mono算法定位结果与真实轨迹对比结果
图12给出了采用VINS-GPS定位算法所得车辆轨
迹与真实轨迹的对比结果。
150
100
差分GPS
真实轨迹
m
50
/
y
0
-50
起始点
-100
-200-150-100
x/m
-500
（a）07子集
600
真实轨迹
500
差分
起始点
GPS
400
m
/
300
y
200
100
-100
0
-2000
x/m
200400
（b）09子集
图12VINS-GPS算法定位结果与真实轨迹对比结果
2021年第6期
由图12可知，本文提出的VINS-GPS定位算法估计
的定位结果基本接近真实轨迹，同时VINS-GPS在
KITTI
分别降低了
数据集
18.16
07和
%
09
和
子集的均方根误差较
33.08%，较VINS-Mono
VINS-Mono
定位精度
有了很大的提升。这是由于本文提出的VINS-GPS定
位算法融合了VINS-Mono与GPS两者的定位优点，能
够在室外大范围环境中获得良好表现。本文还统计了
VINS-GPS
如表1所示。
在09子集上各模块的耗费时间和运行频率，
表1VINS-GPS各模块运行时间和频率
模块耗费时间/s频率/Hz
改进后的FAST角点检测
49.24410
位姿优化
GPS融合
29.980
45
16.638
90
65
不难看出，VINS-GPS的角点检测与跟踪可以稳定
在10Hz运行，位姿优化与GPS融合耗时也相对较少。
综上所述，本文提出的VINS-GPS融合定位算法，
不仅能够改善VINS-Mono在室外大范围环境表现较差
的问题，同时还可以提高GPS的定位精度。
5结束语
本文基于VINS-Mono提出一种GPS与VINS-FAST
算法融合的VINS-GPS算法，改善了FAST角点检测集
中的现象，使得在纹理弱的区域也能检测到FAST角点，
同时进一步消除了SLAM算法运行过程中的累计误差，
能够为无人驾驶汽车在室外大规模复杂环境下提供较
高精度的定位。
参考文献
[1]KUUTTI
the
Potentials
State-
S,
of-
FALLAHS,KATSAROSK,yof
[2]
InternetofThings
for
the-
Autonomous
ArtLocalizationTechniquesandTheir
Journal,
VehicleApplications[J].IEEE
Integration
DHONGADE
(LabViewTool)
onan
AP,KHANDEKAR
2018,5(2):829-846.
IMU
[C]//
Autonomous
2019International
VehicleUsing
Conference
KalmanFilter
IntelligentComputingandControlSystems(ICCS),2019.
on
[3]
Survey
YURTSEVER
ofAutonomous
E,LAMBERT
Driving:
J,CARBALLOA,etal.A
Access,
Common
2020,
Practices
8:58443-
and
[4]
58469.
EmergingTechnologies[J].IEEE
GIANLUCA
GNSS/INS
F,
Integrations:
MARCOP,GIANLUCA
Comparison
M.
of
Loose
Performance
andTight
[5]
27.
AssessedinRealUrbanScenarios[J].Sensors,2017,17(2):
YURTSEVERE,LAMBERTJ,CARBALLOA,
-
et
23
al.
-
A
高扬，等：基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究
SurveyofAutonomousDriving:CommonPracticesand
Emerging
Systems,5(1):323-349.
Technologies[J].RoboticsandAutonomous
[10]MUR-ARTALR,MONTIELJMM,-
SLAM:AVersatileandAccurateMonocularSLAMSystem
1163.
[J].IEEETransactionsonRobotics,2015,31(5):1147-
[11]QINT,LIPL,-Mono:ARobustand
VersatileMonocularVisual-InertialStateEstimator[J].
IEEETransactionsonRobotics,2018,34(4):1004-1020.
[6]SCHREIBERM,KÖNIGSHOFH,HELLMUNDA,etal.
VehicleLocalizationwithTightlyCoupledGNSSandVisual
(IV),2016.
Odometry[C]//2016IEEEIntelligentVehiclesSymposium
[7]MUTZF,VERONESELP,OLIVEIRA-SANTOST,etal.
Large-ScaleMappinginComplexFieldScenariosUsingan
46(2):439-462.
AutonomousCar[J].ExpertSystemswithApplications,2016,
[8]许豪.基于地图匹配的无人驾驶汽车定位方法研究[D].西
安:长安大学,2019.
chonLocationMethodofDriverlessVehicle
2019.
[12]ROSTENE,PORTERR,and
Better:AMachineLearningApproachtoCornerDetection
Intelligence,2010,32(1):105-119.
[J].IEEETransactionsonPatternAnalysisandMachine
[13]BURRIM,NIKOLICJ,GOHLP,oCMicro
AerialVehicleDatasets[J].TheInternationalJournalof
RoboticsResearch,2016,35(10):1157-1163.
BasedonMapMatching[D].Xi’an:Chang’anUniversity,
[9]CHENXHW,ationofLow-CostGNSS
andMonocularCamerasforSimultaneousLocalizationand
Mapping[J].Sensors,2018,18(7):2193-2211.
[14]GEIGERA,LENZP,STILLERC,Meets
Robotics:TheKITTIDataset[J].TheInternationalJournal
ofRoboticsResearch,2013,32(11):1231-1237.
（责任编辑
修改稿收到日期为2020年20月30日。
斛畔）
·广告·
《汽车工艺与材料》投稿须知
《汽车工艺与材料》杂志创刊于1986年，是由中国第一汽车集团有限公司主办的国内外公开发行的汽车制造类月刊、中国
汽车工程学会会刊，是全面报道汽车先进制造工艺与材料应用的专业性杂志。
《汽车工艺与材料》杂志始终致力于汽车制造新技术的开发（如汽车制造领域中的四大工艺）、新材料的研究应用、轻量化
技术、智能制造、绿色制造技术、加工技术、生产装备、检测技术、数字化模拟技术及生产管理等方面的报道。努力为汽车及零
部件生产中各门类的决策者及研究开发人员提供更好、更快、更节约成本的汽车行业发展动态信息，为其适应国内与国际激烈
的汽车生产市场竞争提供有效的帮助。
《汽车工艺与材料》杂志关注领先的整车及零部件企业和材料、装备等供应商，及时报道汽车行业最新的设计、制造、材料、加
工技术、生产装备、检测技术等方面的成功案例。
主要栏目：
AT&M视界、生产现场、材料应用、生产装备、检测技术、数字化园地、行业动态等。
投稿要求：
（1）来稿须具有独创性并与实践相结合，文章字数最好控制在6000字以内。
（2）来稿不能在国内、外公开杂志上发表过，严禁一稿多投，对同时一稿多投者，编辑部将视对本刊声誉、工作上造成的影响程
度，采取相应处理措施。
（3）来稿的试验方法、试验数据、试验结论必须准确、可靠。
（4）来稿须包括以下项目：题名、作者姓名、作者单位、中文摘要（200字左右）、参考文献等。来稿采用word文档的格式。
（5）来稿文章格式应符合一般科技论文格式，或参考近期本刊所刊登文章格式。
（6）稿件图片请发清晰原图，图形尺寸应适中，并配上图名和图号，且文中要有相应体现（例如：如图1所示、见图2等）。图中
英文需要翻译成中文。
（7）计量单位必须采用（或换算成）中华人民共和国法定计量单位。文章中外文字母大小写、上下角标应书写正确，避免同一
符号代表2种及以上物理量的情况出现。
（8）文章必须附有公开发表的参考文献，且在文中应标注文献引用处。参考文献注录项目应齐全，包括作者姓名、题名、刊名
（或书名，图书应注明出版地与出版社）、出版年、卷、期。
（9）请在来稿时注明作者联系方式（包含手机、办公室电话、E-mail等）。
（10）本刊投稿网址：，咨询电话：*************。
竭诚欢迎汽车行业及相关各界的专家学者积极向本刊投稿。
-24-
汽车技术