5G将世界带入万物互联时代,车联网作为物联网的重要组成部分正蓬勃发展,车联网以行驶中的车辆为感知对象,利用V2X技术,实现车辆的智能驾驶。定位技术为车联网中的一项关键技术,高精度定位技术是实现智能驾驶的前提。目前的车辆定位技术均存在一定的不足,包括定位的准确性低、实现的复杂度高、定位误差累积等。协作定位技术通过终端共享信息,结合终端之间的距离测量信息,降低定位误差,实现高精度的定位。确定终端间距离的前提是准确区分LOS与NLOS。本文主要研究了NLOS的区分与使用、车辆网中的协作定位技术,协作定位技术包括静态协作定位技术与动态协作定位技术。首先,介绍了车联网的基本理论,对V2X的概念与C-V2X进行了说明;指出车联网中的关键技术,并对车联网中的定位技术做了详细介绍,分析了各自的优缺点;此外,还介绍了LOS与NLOS基于信道统计特性的区分技术。其次,给出了一种适用于快速变化信道的LOS与NLOS区分方法。该方法基于5G中大规模MIMO的信号角度测量技术,通过分析信号发射角与接收角的关系,区分LOS与NLOS。考虑到实际应用中可能只有NLOS,提出了一种使用NLOS进行终端位置确定的方法,该方法涵盖了几乎所有的无LOS场景,简单有效。接下来,为了给出协作定位技术,对协作定位技术的技术基础进行了分析说明,包括统计推断理论、因子图与和积算法、协作定位技术的过程。在此基础上,给出了静态协作定位技术。对静态的定位场景进行数字化,推导出用于确定车辆终端位置的联合后验概率密度函数,将该函数使用因子图表示,并对距离测量公式进行线性化。基于概率函数的因子图,推导出因子图中的输入信息、输出信息、概率分布的计算公式。紧接着,在静态协作定位的基础上增加车辆终端的位移,给出动态协作定位技术。与静态协作定位步骤类似,对动态的定位场景进行数字化,推导出用于确定车辆终端位置的联合后验概率密度函数,并将结合了车辆位移的概率密度函数表示为因子图的形式。基于因子图推导出输入信息、输出信息、概率分布的计算公式。最后,使用MATLAB进行协作定位的仿真分析,结合实际的应用场景对仿真条件进行设置;确定仿真自变量,包括距离测量误差方差、车辆终端数量等。最后的仿真结果图包含静态与动态两种情况,仿真结果图表明,协作定位算法可以获得分米级的定位精度,符合高精度定位的要求。