Las tecnologías clave para vehículos autónomos avanzados incluyen aquellas relacionadas con la percepción, la toma de decisiones y la ejecución. El control de seguimiento de trayectoria en vehículos autónomos depende en gran medida de su sistema de posicionamiento. Por lo tanto, el desarrollo de sistemas de posicionamiento de bajo costo y confiables es crucial para mejorar las tecnologías de percepción y toma de decisiones para vehículos autónomos. Aunque la precisión del sistema de posicionamiento global (GPS) es extremadamente alta, es vulnerable a interferencias. Además, a pesar de la baja precisión de posicionamiento de los sistemas de navegación inercial (INS), su robustez es notablemente alta. Por lo tanto, se desarrolló en este estudio un método de información de navegación integrada basado en el Filtro de Partículas Adaptativo y el Filtro de Kalman Iterativo (APF-IKF). En primer lugar, se estableció un modelo de sistema de navegación integrada. Luego, se adoptó el IKF para estimar la velocidad, los errores de latitud y longitud del INS. En tercer lugar, los resultados de error estimados más recientes se introdujeron en el APF para optimizar la función de distribución, y se mejoró la calidad de las partículas. En este proceso, el APF puede filtrar ruido no gaussiano, estimar preliminarmente el error, optimizar el resultado con el IKF y corregir la información de salida del INS con el error estimado final. Finalmente, utilizando el posicionamiento GPS diferencial como referencia, construimos una plataforma de prueba en un vehículo real con un GPS de bajo costo y baja precisión y unidades inerciales, y llevamos a cabo una serie de pruebas en el vehículo real. Los resultados experimentales muestran que, en comparación con el método KF tradicional, el APF-IKF puede mejorar significativamente la precisión de posicionamiento y la robustez del sistema.