对于智能驾驶而言,车辆的无缝隙高精度定位在其许多应用场景发挥着非常重要的作用,比如说超车、路口调度。当车辆行驶时,现常用的车辆位置信息服务是来自全球导航卫星系统(Global Navigation Satellite Systems,GNSS)或者是基站的移动位置服务(Location Based Service,LBS)。但是GNSS的定位精度不能满足自动驾驶的需求,且GNSS信号和基站信号不具有穿透性,因此在一些区域(盲区)中无法提供准确的车辆定位服务。由于无人机的高移动性、较大的覆盖范围、具备很好的视距条件,被广泛应用于搜索、救援、通信中继和交通控制等应用中。在车辆无线定位网络中,利用无人机辅助车辆定位,多车协作定位,这是有效解决盲区车辆高精度定位问题,为自动驾驶保证了无间断的定位服务。车辆定位网络中引入无人机,由于其携带的能源是非常少的,因此必须考虑有限定位网络资源分配的问题。资源的合理分配对于提高车辆定位精度和系统资源利用率是非常重要的。基于无人机辅助的车辆定位系统,推导出车辆在TOA测量方式的定位精度克拉美劳下界(Cramér-Rao Lower Bound,CRLB),转化半正定规划(Semidefinite Program,SDP)问题。采用功率带宽联合分配(Joint Power and Bandwidth Allocation,JPBA)策略,降低车辆定位误差。车辆定位精度除了受到有限系统资源影响,还受到定位环境和网络中定位节点拓扑结构的影响。基于到达时间估计(Time of Arrival,TOA)测量技术需要满足最少参考节点数目才能实现定位,但是车辆定位环境中信道情况和各节点之间拓扑关系不可控,可能会导致车辆定位不满足要求。因此对节点装备天线阵,采用到达时间/角度估计(TOA/Angle of Arrival,TOA/AOA)联合测量方式,只需一个节点可以实现定位。基于无人机辅助车辆定位网络中,根据接收到的信号得到测角信息、测距信息,再将二者融合,估计车辆位置。推导出基于TOA/AOA联合测量方式的车辆定位精度CRLB,采用JPBA策略进行优化。通过实验仿真验证,对车辆定位系统的资源进行优化分配不仅能提升车辆的定位精度,还可以提高系统的资源利用率。通过对资源分配方案的分析,发现大部分资源集中在无人机处,无人机到车辆的链路并不重要。TOA/AOA联合测量方式可以改善车辆定位精度。