从厘米级到轨迹平滑：超宽带室内导航技术如何突破非视距困境

TL;DR：超宽带（UWB）室内导航凭借纳秒级脉冲和厘米级精度，正成为智慧场馆、工业巡检等场景的核心方案。本文基于最新研究，解析TDOA/AOA混合定位、Chan-PSO混合算法及轨迹平滑技术如何有效削弱非视距误差，并对比不同算法在静止与运动状态下的定位表现。

引言：为什么我们需要更聪明的室内导航？

当GPS和北斗导航在室外实现米级定位时，室内环境却成为卫星信号的“盲区”。墙壁、家具和人流导致信号发生衍射、反射和多径效应，产生严重的非视距（NLOS）误差。正如中北大学的研究指出：“由于室内环境和场景的复杂多变，使超宽带（UWB）信号在传输时受到室内障碍物的遮挡和削弱，从而产生非视距（NLOS）误差影响室内定位精度”。

为了在商场、医院、地下车库、工厂等复杂空间中实现稳定导航，超宽带（UWB）技术凭借其低功耗、强穿透力和厘米级精度脱颖而出。然而，单纯依靠UWB硬件还不够，算法才是决定定位质量的关键。本文将从定位算法、误差抑制和轨迹优化三个层面，拆解当前室内导航技术的核心突破。

UWB室内定位的核心方法：从TOA到TDOA/AOA

UWB的基本定位算法包括测量信号到达时间（TOA）、到达时间差（TDOA）、波达角度（AOA）及接收信号强度（RSSI）。其中，TDOA和TOA因利用UWB信号极高的时间分辨率而应用最广。

广东东软学院的研究者指出：“TOA和TDOA定位算法利用了UWB信号较高的时间分辨率，在实际应用中最为广泛”。但TOA要求所有基站与标签严格同步，硬件成本较高；而TDOA只需基站间保持同步，实用性更强。同时，引入AOA角度信息可以进一步约束位置解算，形成TDOA/AOA混合算法。例如，陆冰琳提出的基于泰勒级数的TDOA/AOA混合算法，通过Wylie算法先鉴别LOS/NLOS传播，筛选出性能更优的参考节点，再代入角度信息进行三维定位，有效抑制了NLOS误差。

算法优化：混合策略如何提升定位精度

Chan-PSO混合定位算法

中北大学的研究团队提出了一种Chan算法与粒子群（PSO）算法相结合的混合定位方法。其核心思路是：先用Chan算法快速解算初始位置，再通过PSO算法进行迭代优化。在面对NLOS环境时，算法设置阈值对Chan计算出的坐标进行筛选，从而“缓解PSO算法的压力，收敛速度更快，有效的提高了室内非视距环境下的定位精度”。

实验结果令人瞩目：在视距（LOS）环境下且标签静止时，混合定位算法对比单一算法，误差在0~20cm的轨迹点占比提升了22.4%~33.7%；在非视距（NLOS）环境下，误差在0~50cm的轨迹点占比提升了25.8%~30.7%。数据平均值更贴近实际观测点，方差更小。

Chan-Taylor-UKF组合算法

另一条技术路线来自广西师范大学的研究：利用Chan算法获得初始估计，作为Taylor级数展开的初值进行迭代，最后使用无迹卡尔曼滤波（UKF）修正结果，以消除NLOS误差和环境噪声。实验表明，该组合算法的定位精度达到10~20厘米。这种“初值估计+迭代优化+滤波平滑”的架构，在处理动态噪声时表现出更强的鲁棒性。

轨迹优化：让运动中的标签不再“飘移”

定位算法解决的是“点”的精度，而室内导航还需要解决“线”的平滑——即人员或设备移动时的轨迹连续性。中北大学的研究提出了基于矢量图区域分类的节点轨迹优化方法：

• 碰撞检测：采用引射线法对标签位置进行检测和约束，防止轨迹穿墙或进入不可达区域。
• 轨迹预测：使用基于运动递归函数的预测方法，结合历史位置推断下一时刻的可能位置。
• 平滑滤波：应用Savitzky-Golay滤波算法对原始轨迹进行平滑，消除因NLOS或信号抖动产生的异常点。

实验证明，在标签运动时，混合定位算法相比单一定位算法“异常点更少，轨迹更平滑，满足室内定位的需求”。这意味着在真实的走廊、车间或展馆中，用户看到的导航路径不再是杂乱无章的折线，而是接近真实行走路线的连续曲线。

不同算法性能对比