室内导航：当卫星信号失效，我们如何精准定位？

TL;DR：室内导航依赖超宽带（UWB）等技术弥补卫星信号在室内的不足。核心挑战是非视距（NLOS）误差。通过TDOA/AOA混合算法、Chan与PSO优化、轨迹滤波等方法，定位精度可达厘米级，满足人员与物品的室内追踪需求。

引言：为什么室内导航如此困难？

我们早已习惯用GPS在室外畅行无阻，但一旦走进商场、医院、机场或地下停车场，手机上的定位光标就开始“漂移”甚至彻底失效。原因在于，卫星导航信号（如GPS、北斗）进入室内后，会受到墙壁、家具、人体等障碍物的遮挡，产生衍射、反射等干扰，形成多径和非视距（NLOS）传输现象，导致定位误差急剧增大，甚至无法定位。正如参考资料所指出的，室内环境的复杂多变使信号被遮挡和削弱，产生NLOS误差，不仅影响定位精度，还会使标签位置和轨迹路线产生混乱。

为了克服这一难题，近年来涌现出蓝牙、WiFi、ZigBee、超宽带（UWB）等多种室内定位技术。其中，UWB凭借其极高的时间分辨率和厘米级定位精度，成为高精度室内导航的首选方案。本文将基于相关学术研究，介绍UWB室内定位的核心原理、算法优化与轨迹处理技术。

UWB技术：室内定位的“厘米级”利器

超宽带（Ultra-Wideband, UWB）是一种无需载波的无线通信技术，它直接产生纳米级以下的窄脉冲激励天线。与WiFi、蓝牙等传统无线技术相比，UWB具有低功耗、抗干扰能力强、穿透性强等特点。其最大优势在于定位精度极高，最低可达厘米级。

UWB的基本定位算法主要包括以下几类：

• TOA（到达时间）：测量信号从标签到基站的传播时间，要求基站与标签严格时间同步。
• TDOA（到达时间差）：测量信号到达不同基站的时间差，只需基站间保持时间同步，降低硬件成本，实用性更强。
• AOA（到达角度）：测量信号到达基站的角度，通常需要天线阵列。
• RSSI（接收信号强度）：根据信号衰减估算距离，精度相对较低。

在实际应用中，TOA和TDOA因利用了UWB信号极高的时间分辨率而最为广泛。然而，单一的定位方法在NLOS环境下往往力不从心，因此研究者们不断探索混合定位与优化算法。

核心挑战：非视距（NLOS）误差

室内环境中，障碍物无处不在。当UWB信号遇到墙壁、金属柜甚至人体时，无法直线传播，只能通过反射、折射到达接收端，这就是非视距（NLOS）传播。NLOS会导致信号传播时间延长，计算出的距离大于真实距离，从而产生定位误差。

参考资料中的研究明确指出，在NLOS传播下，定位误差明显大于视距（LOS）传播。为了削弱NLOS误差，研究者提出了多种策略，例如通过Wylie算法鉴别目标节点与参考节点间的LOS和NLOS传播，筛选出性能更优的参考节点，更新到达时间差，从而得到较为准确的初值估计。

算法优化：从单一算法到混合定位

Chan算法与粒子群（PSO）的混合

在中北大学的学位论文研究中，作者选用了基于TDOA的定位方法，并分析了Chan算法和粒子群（PSO）两种单一算法的优劣。Chan算法是一种非迭代的解析算法，计算速度快，但在NLOS环境下误差较大；PSO算法是一种迭代优化算法，能逼近最优解，但收敛速度慢，且容易陷入局部最优。

为此，研究者提出了一种混合定位算法：先用Chan算法解算初值，再用PSO算法进行迭代优化。在NLOS环境下，通过设置阈值对Chan算法计算出的位置坐标进行筛选，适合不同室内环境。阈值筛选缓解了PSO算法的压力，使其收敛速度更快，有效提高了室内非视距环境下的定位精度。

实验数据表明，在视距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的标签轨迹点占总测试轨迹点的百分比提升了22.4% ~ 33.7%；在非视距环境下，误差在0~50cm的轨迹点百分比提升了25.8% ~ 30.7%。实验数据平均值更贴近实际观测点，方差更小，验证了混合定位算法的优越性。

TDOA/AOA三维混合定位

另一篇来自广东东软学院的研究则提出了基于泰勒级数的TDOA/AOA混合算法。该算法首先利用Wylie鉴别算法分辨参考节点与目标节点间的LOS和NLOS传播，降低NLOS导致的估计距离误差。通过统计得到LOS和NLOS传播的平均时延值后，对到达距离差进行重构，得到较为准确的初值估计，保障后续算法收敛。

同时，该算法推算出可靠度最高的参考节点与目标节点的方位角、俯仰角信息，将其代入基于泰勒级数的TDOA/AOA混合算法后进行三维定位。仿真结果表明，优化后的混合算法在各种情况下均表现出更为良好的定位精度，显示了其应用于室内定位的优势。

DOA与TDOA结合UKF修正

在武燕的硕士论文中，研究者进一步将信号到达角度（DOA）与到达时间差（TDOA）结合。针对复杂室内环境中DOA估计精度不足的问题，采用低维度的旋转不变子空间估计算法，通过降维和互协方差矩阵求解二维到达角，提高了估计精度和接收信息利用率。

对于TDOA部分，该方法首先通过Chan算法测算目标的二维位置，将获得的位置估计作为Taylor的初始值进行迭代运算，最后使用无迹卡尔曼算法（UKF）对结果进行修正，消除非视距传输误差和环境噪声的影响。实验结果表明，该组合算法的定位精度达到10-20厘米。

轨迹优化：让移动路径更平滑

定位不仅仅是获得一个静止的点，更重要的是追踪移动的人或物。当标签运动时，由于NLOS误差和噪声，定位轨迹会出现异常点和抖动。中北大学的研究提出了一种基于矢量图区域分类的节点轨迹优化方法。

该方法采用引射线法的碰撞检测方法对标签位置进行检测和约束，使用基于运动递归函数的轨迹预测方法和Savitzky-Golay滤波算法对人员行进轨迹进行预测和平滑优化，使得轨迹路线与实际路线更为一致。实验显示，标签运动时系统可实时显示标签行进状况，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。

不同定位算法性能对比