3.4 定位技术
3.4.1 定位技术概述：室外与室内
室外定位有成熟的天基基础设施，室内定位则多是短距无线技术的竞技场。工程师面对的根本问题是：精度、成本、覆盖和功耗之间如何取舍。一台在密集货架间穿梭、需要自动对接取货口的AGV，要求分米甚至厘米级位置；而一辆在园区行驶的网联卡车，室外数米精度已足够调度中心判断它在哪个仓库附近。两个场景代表了物联网定位中反复出现的工程平衡。
室外定位：卫星全球覆盖
室外定位最成熟的技术依托全球导航卫星系统（GNSS，Global Navigation Satellite System），包括美国的GPS（全球定位系统，Global Positioning System）、中国的北斗卫星导航系统（BDS，BeiDou Navigation Satellite System），以及俄罗斯的格洛纳斯（GLONASS，Global Orbiting Navigation Satellite System）和欧洲的伽利略（Galileo Navigation Satellite System）。接收机通过捕获至少四颗卫星的定时信号，利用信号到达时间差计算三维坐标与接收机钟差。
工程实践中依据服务等级分出三种典型模式。单点定位仅依赖卫星广播信号，在无遮挡开阔环境下，民用接收机的位置估计通常处于数米量级，足以支撑车辆导航和人员位置上报。差分GNSS（DGNSS，Differential GNSS）利用地面基准站播发的修正量，可将误差降至亚米级，适用于农业精准作业。实时动态定位（RTK，Real-Time Kinematic）通过基准站将载波相位观测值实时发送给流动站，解算得到厘米级相对位置，代价是需要额外部署基准站或购买服务。
GNSS在物理遮挡环境下信号衰减明显。高楼林立的城市街谷、地下停车场、隧道和室内空间难以稳定接收卫星信号。物联网定位系统几乎都需要“室外用卫星、室内用无线电”的双模设计。
室内定位：场景决定选型
室内没有全球统一的基础设施，建筑布局、金属货架、人员流动都会干扰无线信号。工程师面对的主流方案集中在Wi-Fi、蓝牙低功耗（BLE，Bluetooth Low Energy）和超宽带（UWB，Ultra-Wideband）三种技术之间。
Wi-Fi定位的基础最为广泛：复用已有接入点，接收端扫描周围AP的信号强度，结合衰减模型或指纹法估算位置，典型精度在米到十米级之间。最大优点是零额外硬件投入；代价是货架移动、人员密度波动会导致指纹图精度明显下降。
蓝牙定位常依托BLE信标阵列。固定部署的信标以特定间隔广播数据包，接收端测量信号强度估算距离，通过多点三角测量可达到米量级。BLE信标功耗极低，纽扣电池可维持一年以上广播；单信标成本也相对较低。常用于商场楼层导航、展馆导览等对精度要求不苛刻的场景。
超宽带（UWB）是当前室内定位中精度最高的商用方案。UWB使用纳秒级极窄脉冲信号直接测量信号的飞行时间（ToF，Time of Flight）或到达时间差（TDoA，Time Difference of Arrival）。在视距条件下，UWB精度一般为 10–30cm，最佳条件可接近厘米级。代价也直接：每颗UWB基站或标签的硬件成本明显高于BLE或Wi-Fi模组，且需要独立部署基站网络。
下面这张对比表基于工程经验范围给出（作者经验范围，仅供选型参考）。实际精度会因环境、设备型号和算法实现而有显著差异。
表3-2 室外与室内定位技术对比
| 技术 | 典型精度（开阔/视距条件） | 覆盖范围 | 端侧功耗 | 部署成本 | 典型应用 |
|---|---|---|---|---|---|
| GNSS（单频民用） | 数米至十米级 | 全球（室外为主） | 中等 | 低 | 车辆追踪、人员位置上报 |
| GNSS + RTK | 厘米级 | 室外 + 基准站覆盖 | 高 | 最高 | 农业自动驾驶、工程测量 |
| Wi-Fi 指纹法 | 米至十米级 | 建筑尺度 | 低（复用终端） | 近乎零成本（复用AP） | 商场导航、人员签到 |
| BLE 信标 | 米量级 | 数十米范围 | 极低 | 低 | 室内导览、客流统计 |
| UWB（ToF/TDoA） | 10–30cm（最佳可近厘米级） | 数十米范围 | 中等 | 中高 | AGV定位、仓储机器人 |
| 地磁指纹 | 数米级 | 室内 | 极低 | 极低（仅终端软件） | 手机室内定位备选方案 |
多技术融合与场景权衡
实际物联网项目很少只依赖一种定位技术。一个典型的智能仓储方案是：室外车辆用GNSS（含RTK）导航到仓库门口；进入仓库后，AGV切换到UWB定位于货架间分米级位置；同时每个货架上的资产标签通过BLE信标定期广播位置，用于库位级盘点。这种“GNSS + UWB + BLE”多层嵌套的设计，本质是用不同精度和成本的水平解决不同层级的定位需求。
定位方案的核心是找到精度需求、环境覆盖面积、总拥有成本三者之间的平衡点。当精度要求超过单频GNSS或Wi-Fi指纹法能力范围时，就需引入更昂贵但能给出连续可靠位置的方案。反之，若场景只需要知道“人在哪个区域”，BLE信标的性价比往往远高于UWB。理解了室外与室内定位技术的选型逻辑之后，剩下的核心问题是：RSSI、ToF 这些原始测量值如何解算成具体坐标。
编者注：表3-2及图3-7中的精度与成本数据均为作者基于多年工程经验给出的定性范围，不代表对任何具体厂商产品或测试结果的断言，仅供读者在方案规划阶段用作选型参考。
3.4.2 定位算法基础：三角测量与指纹法
信号进入接收机后，原始数据只是到达时间或信号强度——它们本身不是坐标，必须经过位置解算才能变成地理上的 (x, y) 甚至 (x, y, z)。感知层定位的主流技术路线可归结为两大流派：三角测量和指纹法。前者是几何求解，后者类似地图匹配。本节从测距基础出发，分析两种算法的原理、工程边界和典型适用场景。
测距方式的物理基础
无论是三角测量还是指纹法，第一步都是获取信号特征值。常用的测距方式有三种，各有不同的信号类型与精度边界。
RSSI（Received Signal Strength Indicator，接收信号强度指示）。通过测量接收信号强度，利用信号传播模型（典型如对数距离路径损耗模型）反向估算距离。Wi‑Fi、蓝牙信标大多沿用此方式。优势在于硬件成本极低——几乎任何无线芯片都提供 RSSI 寄存器。缺陷也非常明显：信号强度受多径、遮挡、天线方向影响严重，可能导致距离误差达数米。因此 RSSI 只适合米级精度且成本敏感的场合。在 AIoT 实践中，端侧可以对 RSSI 序列做简单的低通滤波或卡尔曼滤波，平滑单点波动。
ToA（Time of Arrival，到达时间）。测量信号从发射端到接收端的传播时间，乘以光速得到距离。GPS 和 UWB 主要用这种方法。ToA 对时间同步要求极高：1 纳秒的时钟误差对应约 30 厘米的距离偏差，因此 UWB 芯片必须配备专用硬件做纳秒级时间戳捕获。ToA 在视距条件下可达厘米级精度，但非视距（NLOS）场景中信号反射会引入额外时延，造成系统性正偏差。加权最小二乘可以在一定程度上去抑制这些粗差。
AoA（Angle of Arrival，到达角）。通过天线阵列测量信号的到达角度，利用两个或更多角度交会确定位置。蓝牙 5.1 引入了 AoA 支持，天线阵列的相位差计算是硬件和算力的主要开销。AoA 的工程优势在于仅需两个参考节点即可在二维平面内确定方向线，但天线阵列的尺寸和校准难度限制了它在小尺寸设备上的落地。
三种方式的核心工程权衡：RSSI 用成本换精度，ToA 用带宽和功耗换精度，AoA 用硬件复杂度换精度。在物联网项目中，RSSI 加三角测量的组合最常见；而 UWB 加 ToA 用于需要亚米级的场景，如机器人对接或精细资产盘点。
三点定位与最小二乘修正
三角测量的几何思想来自中学解析几何：已知三个参考点的坐标，以及待测点到这三个点的距离，可以通过三圆相交解算出待测点坐标。这是 GNSS 和多数室内定位系统的数学基础。
图3-8展示的是理想抽象。真实工程中，每个距离测量值都包含噪声——RSSI 的波动、ToA 的时钟偏移、多径造成的额外时延——三圆大概率不会精确交于一点，而是形成一个模糊的交叉区域。这时候需要从三点定位升级为 最小二乘（Least Squares）方法。
假设有 N 个参考节点（N ≥ 3），每个节点贡献一个方程：
[ (x - x_i)^2 + (y - y_i)^2 = d_i^2 ]
这是个超定方程组。最小二乘的核心是找到一组 (x, y)，使所有方程的残差平方和最小。标准解法是线性化后构造矩阵方程 (\mathbf{A}\mathbf{p} = \mathbf{b})，再通过伪逆求解。当测距误差服从高斯分布时，最小二乘解是统计最优的。工程中更常用的是加权最小二乘（Weighted Least Squares, WLS），为可信度高的测距值赋予更大权重，以抑制 NLOS 粗差。
案例：基于 Wi‑Fi RSSI 的三角测量定位。假设一栋办公楼的中庭部署了 4 台 Wi‑Fi 接入点（AP），坐标已标定。一台巡检机器人扫描周围 AP 的 RSSI 值，通过路径损耗模型估算距离。由于信号波动，单个 AP 的测距误差可达数米。若仅用 3 个 AP 做三点定位，三圆交叉区域可能是一个直径较大的模糊范围。加入第四个 AP 并应用最小二乘后，四个方程共同约束，误差被平均化，输出坐标的稳定性显著提升。
指纹法：离线建库，在线匹配
三角测量的前提是部署前已知参考节点的精确坐标，且传播模型可假设。但在商场、机场、地下停车场等大规模室内场景中，多径反射使 RSSI 与距离的映射关系严重偏离经典模型，三角测量精度急剧下降。指纹法（Fingerprinting） 提供另一种思路：不依赖传播模型，而是直接使用环境实测的信号特征来匹配位置。
指纹法分为两个阶段：
离线建库：在目标区域按一定间距（通常 0.5–2 米）划定网格点。在每个网格点上，采集所有可被检测到的无线信号的特征向量。向量的每个维度对应某个 AP 或蓝牙信标的 RSSI 值（不可见的信源以 -100 dBm 填充）。这个向量称为“指纹”。所有指纹及其对应的物理坐标构成指纹库。建库过程需要人工或机器人持终端逐点扫描，工作量随面积线性增长。
在线匹配：终端设备扫描当前时刻的信号向量，与指纹库中的记录比对。最常用的匹配方法是 K 最近邻（K-Nearest Neighbors, KNN）：计算待测向量与每个指纹点的欧氏距离，选取距离最小的 K 个指纹点（通常 K=3–5），然后按距离倒数加权平均它们的坐标，得到最终位置估计。K 值过小易受单点噪声影响，过大则区域平均导致精度下降。
案例：Wi‑Fi 指纹定位实验。假设一个数百平方米的开放式办公区，以 1 米左右的间隔采样，得到数百个指纹点，每个指纹点记录周围多个 AP 的 RSSI 值。在线阶段，终端扫描到当前 RSSI 向量后，用 KNN（K=3）匹配，选取距离最小的 3 个指纹点，按距离倒数加权平均得到坐标。实测中，该方法的平均定位误差通常优于同环境下三角测量误差。近年来，一些实践开始用轻量级神经网络替代 KNN，将指纹匹配转化为分类或回归问题，但需要更多离线训练数据和端侧算力支持。
指纹法的核心优势在于抗多径能力强——它直接将环境中的多径反射当作“特征”而非“干扰”来利用。主要短板有二：一是建库成本随面积线性增长；二是环境变化（货架调整、AP 移动）会导致指纹库过时，需要周期性刷新。众包方式可以缓解建库成本：利用携带定位 APP 的移动终端在正常使用中被动收集指纹，经云端融合后增量更新指纹库。
两种算法的工程权衡
三角测量和指纹法没有绝对优劣，选择取决于项目的前置条件。下表总结了关键判断点。
| 判断条件 | 推荐路线 | 工程原因 |
|---|---|---|
| 参考节点坐标精确、传播模型可建模 | 三角测量（最小二乘） | 利用已知几何关系，部署成本低，无需建库 |
| 信号多径严重、传播模型不准 | 指纹法 | 不依赖模型，直接把多径当成特征吸收 |
| 定位面积大（数万平方米以上） | 三角测量 | 指纹法建库成本急剧上升 |
| 环境频繁变化（货物移动、装修） | 三角测量 | 指纹法需重复建库，维护成本高 |
| 已有大量带 Wi‑Fi/蓝牙的终端 | 指纹法（众包方式） | 被动采集指纹，降低主动建库工作量 |
| 需要绝对厘米级坐标 | UWB + ToA + 三角测量 | 指纹法绝对精度受限于网格间距 |
在确定算法主干前，先明确一个工程问题：你到底需要“绝对坐标”还是“区域判断”？前者适合三角测量，后者只要指纹法的 KNN 就能覆盖。这个判断决定了后续所有软硬件投入的方向。
3.4.3 多源融合定位工程实践
没有哪种单一定位技术能包打天下。GPS进室内就失锁，UWB遇到金属货架遮挡精度暴跌，Wi‑Fi指纹在环境变化后跳动不定。工程师的应对思路是让几种技术互补——一种的长处掩盖另一种的短处。这背后的数学框架叫多源融合定位（multi-source fusion positioning），即把来自不同传感器的位置数据加权整合，输出一个比任何单源都更可靠的最终结果。
单一技术的工程边界
- GPS/BDS：室外开阔地可到米级，但一进室内信号完全中断，城市高楼峡谷区多径误差可达数十米。
- UWB：视距下 10–30cm，最佳条件可接近厘米级，是室内高精度定位的首选。但金属货架、人体遮挡后NLOS（非视距）误差急剧恶化，严重时可能跳变数米。
- Wi‑Fi RSSI指纹：部署成本低、覆盖广，但RSSI受多径、温湿度和人员走动影响波动大，环境改变后指纹库需重新采集。
- BLE信标区域：低功耗、低成本，适合区域级定位。信标电池寿命有限，维护成本常被低估。
- IMU+编码器：短时相对精度好，但零偏漂移随时间累积，纯推算几分钟后误差便不可接受。
融合的目标不是追求单点精度世界纪录，而是确保任意时刻至少有一条可信源在工作，且在系统中提供一个带不确定性的位置（position with uncertainty），让上层任务（如AGV路径规划）能根据置信度做出安全决策。
例子：AGV在仓库中的多源融合定位
一个自动化仓库，AGV需将托盘从A运到B，全程约200米，途经货架密集区和半开阔通道。方案设计如下（所有数值均为假设场景下的示意值，不代表具体产品指标）：
- 主定位源：UWB。屋顶锚点覆盖主干通道，视距下 10–30cm，最佳条件可接近厘米级。
- 辅助校正源：BLE信标。安装在货架底部和地面，AGV经过时触发事件，位置强行校正至信标坐标。每经过一个信标大幅压缩累计漂移。
- 连续推算源：IMU+轮式编码器。维持短时相对精度，弥补UWB遮挡间隙。
工作模式切换逻辑：
- 正常：UWB以约10 Hz提供连续坐标，卡尔曼滤波用UWB观测校正，IMU只在间隙内推。
- UWB遮挡：AGV进入货架深处，UWB更新率下降或跳变。滤波器自动增大UWB观测噪声协方差，降低其权重，切换到IMU推算为主。位置不确定性逐渐增大，但BLE信标作为后备。
- 经过BLE信标：BLE扫描触发事件型观测，位置强制设定在信标坐标（观测噪声标准差设为3 m），滤波加权融合后不确定性大幅压缩。
- 回到UWB覆盖：恢复UWB主力模式。
卡尔曼滤波：融合骨架
最经典的融合工具是卡尔曼滤波。下面用简化的二维匀速模型伪代码展示其核心循环。实际工程中状态向量可扩展为六维（位置、速度、姿态），但原理一致。
// 卡尔曼滤波伪代码：二维位置+速度融合
// 状态 x = [pos_x, pos_y, vel_x, vel_y]^T
// 观测 z = [measured_x, measured_y]^T
x = {0, 0, 0, 0};
P = diag({1000, 1000, 1000, 1000}); // 高初始不确定性
Q = diag({0.1, 0.1, 0.1, 0.1}); // 运动模型过程噪声
R = diag({5.0, 5.0}); // 默认观测噪声
while (running) {
dt = getDeltaTime();
// ---------- 预测 ----------
F = { {1,0,dt,0}, {0,1,0,dt}, {0,0,1,0}, {0,0,0,1} };
x = F * x; // 匀速状态转移
P = F * P * F^T + Q;
// ---------- 观测源选择 ----------
if (uwbAvailable()) {
R = diag({0.5, 0.5}); // UWB 高信任，小噪声
correct(uwbPos, R);
} else if (bleDetected()) {
R = diag({3.0, 3.0}); // BLE 低信任，大噪声
correct(blePos, R);
} else {
// 无观测，纯推算，不确定性继续增长
continue;
}
}
void correct(z, R) {
H = { {1,0,0,0}, {0,1,0,0} };
y = z - H * x; // 观测残差
S = H * P * H^T + R; // 新息协方差
K = P * H^T * inv(S); // 卡尔曼增益
x = x + K * y; // 状态更新
P = (I - K * H) * P; // 协方差更新
}关键在于卡尔曼增益 (K) 的大小由观测噪声 (R) 控制：(R) 越小，(K) 越大，观测权重越高；(R) 越大，滤波器更信任运动模型的推算。上述伪代码中UWB的 (R) 为0.5，BLE为3.0，因此BLE仅在UWB不可用时起压漂移作用，不会过度干扰主源。
部署注意事项
时间戳对齐。不同传感器的采样时钟独立，滤波前必须统一到系统时钟（如边缘节点NTP同步，或通过RTC脉冲同步）。若时差过大，融合结果容易出现震荡。实践中通常让所有传感器数据带上硬件时间戳，并在滤波前按系统时钟进行线性插值对齐。
传感器失效判别。UWB在只有1–2个锚点时可能输出大幅偏离的坐标。常用策略是：计算观测残差（即新息向量模长），若超过3倍当前观测噪声标准差，则丢弃该观测或降低其权重（例如将 (R) 临时放大10倍）。BLE信标同样需要判断信号强度是否在合理范围内。
计算约束。二维定位状态矩阵4×4，求逆计算量很小（约4×4矩阵求逆只需几十次浮点运算），ARM Cortex‑M4 MCU可在50–100 Hz稳定运行。若扩展到三维并加入气压计、磁力计，建议在边缘网关处理器上完成滤波，主MCU只输出原始观测。
工程收益。多源融合定位的真实收益不在单点精度，而在覆盖率与鲁棒性的平衡——无论环境怎么变，系统总有一个可用且带置信度的位置。工程师需要管理三种能力：源选择策略（何时信任哪个源）、噪声建模（量化每个源的不确定性，最好通过离线标定获得）以及部署运维（确保所有信标、锚点持续可用，定期巡检电池和安装位置）。
融合不是一次性调参，而是一个持续迭代的过程：每次现场环境变化（如新增货架、金属设备移动），都可能需要重新标定某些源的噪声参数。成熟的定位系统会保留融合后的定位日志，用于离线分析各源的表现，并据此在线更新部分参数。