定位轨迹总“抽搐”？问题不在基站，而在“算坐标的那个人”

手机导航时，明明站在原地，箭头却左右乱跳；开车过隧道，GPS显示你在河里——这种漂移感，用过智能手机的人都经历过。

UWB厂区定位系统里，同样的问题每天都在上演：基站和标签工作正常，大屏上工人的定位点却忽左忽右"抽搐"。

问题通常不在硬件，而在坐标解算的方法。

一、TDOA定位的本质：画线找交点

TDOA（Time Difference of Arrival，到达时间差）是目前工业UWB定位的主流方案。其核心逻辑并不复杂：

三个基站同时监听标签发出的信号，每个基站记录信号到达的时间差。根据时间差，可以推算出标签到两个基站之间的距离差。而"到两个定点距离差为定值"的所有点，在数学上构成一条双曲线。

三个基站两两组合，画出三条双曲线。三条线的交叉点，就是标签的理论位置。

这个模型在理想环境下是精确的。但工业现场从来不是理想环境——金属货架造成的多径反射、大功率设备的电磁干扰、人员走动带来的信号遮挡，都会让时间差测量产生微小偏差。这些偏差累积下来，三条双曲线往往不会精确交于一点，而是形成一个模糊的"重叠区域"。

此时，解算算法的作用就是：在这个模糊区域里，找到一个"最可信"的坐标点。

二、Chan算法：快速粗算，适合"打草稿"

Chan算法是TDOA定位中最经典的闭式解方法，思路分两步：

第一步，将非线性的双曲线方程线性化，用最小二乘法直接求解一个初始坐标。这一步不需要任何先验信息，标签刚开机、没有任何历史位置数据时也能立刻输出结果，计算速度极快。

第二步，以第一步的结果为权重，做一次加权修正，得到最终坐标。

优势在于速度和独立性：无迭代、计算量小、不依赖历史数据。标签刚上线的场景下，Chan算法几乎是唯一可行的选择。

短板在于精度上限。当环境中金属设备密集、电磁噪声较大时，第一步线性化引入的误差本身就很显著，第二步的加权修正相当于在一张偏差的草稿上继续优化，误差难以收敛。在复杂工业场景中，纯Chan算法的定位误差通常在±30cm到±45cm之间，对于需要精确工位管理的场景而言，这个精度往往不够。

Chan算法为闭式解（Closed-form Solution），计算复杂度为O(n)。在高斯噪声假设和良好基站几何布局（低GDOP）条件下，其估计性能可逼近克拉美-罗下界（CRLB）。但在NLOS（非视距）环境中，测量误差显著偏离高斯分布，Chan算法的估计偏差会明显增大。

三、Taylor迭代：高精度，但极度依赖初值

Taylor级数展开法是一种迭代求精的算法。它的工作方式类似于显微镜调焦：

先给定一个初始位置估计（初值），然后在初值附近对非线性方程做一阶Taylor展开，将其转化为线性方程组求解，得到位置修正量。重复这一过程，直到修正量小于预设阈值，即认为收敛。

收敛后的精度很高。在初值质量良好的情况下，Taylor迭代可以将定位误差压缩到±25cm以内，甚至接近厘米级。

但初值质量决定了成败。如果初值与真实位置偏差过大，Taylor迭代可能发散，输出一个完全脱离实际的坐标——业内俗称"飞点"。在金属遮挡严重的工业环境中，这种风险并不低。

此外，Taylor迭代每轮都需要计算Jacobian矩阵（偏导数矩阵），计算开销显著高于Chan算法。在高密度标签、高刷新率的场景下，对服务器算力有一定要求。

Taylor级数展开法的收敛性严格依赖于初值与真实值的距离。当初始误差超过收敛域阈值时，迭代过程会发散或收敛到局部最优。Jacobian矩阵的条件数受基站几何布局（GDOP）影响显著，布局不佳时数值稳定性下降。

四、卡尔曼滤波：用运动规律约束定位结果

Chan和Taylor都是"单帧解算"——拿到一帧测量数据，输出一个坐标，帧与帧之间互不相干。

但真实世界中，物体的运动具有连续性：人不可能从A工位瞬移到B工位，叉车转弯有惯性、有速度。卡尔曼滤波（Kalman Filter）正是利用这种运动连续性来提升定位质量。

卡尔曼滤波的核心是一个"预测-修正"的循环：

• 预测：根据上一时刻的位置、速度和加速度，推算当前时刻"应该"在哪里。
• 修正：将新的测量数据与预测值对比。如果测量值与预测偏差过大（例如导航显示你在河里），算法会自动降低该测量值的权重，优先采信预测结果。

结果是轨迹的显著平滑。单点跳变被有效过滤，工人走直线时轨迹稳定，叉车转弯时弧线自然。

代价是对异常情况的响应延迟。如果标签连续多帧被金属货架遮挡（NLOS环境），测量数据持续失真，卡尔曼滤波会沿着之前的运动趋势继续预测，产生"惯性漂移"。此外，滤波强度过高时，对高速运动目标的跟踪会出现滞后——叉车已经拐过弯，轨迹还在缓慢跟进。

卡尔曼滤波通过状态空间模型融合预测与观测。增益矩阵K根据观测噪声协方差R动态调整：R增大时K减小，自动降低不可靠观测的权重。扩展卡尔曼滤波（EKF）通过局部线性化处理非线性TDOA观测方程，是工业定位系统的标准实现路径。

五、组合解算：没有万能药，只有合适的搭配

三种算法单独使用，各有明确的边界：

• Chan快但精度有限
• Taylor精但依赖初值、偶有飞点
• 卡尔曼滑但对连续异常敏感、高速场景易滞后

工业级定位系统的解算引擎，通常采用组合策略，按场景动态切换。

标准流水线

Step 1：Chan打草稿

无论标签是否有历史数据，先用Chan算法快速输出一个坐标。这个坐标未必精确，但能保证"大致位置正确"，不会偏到物理上不合理的位置。

Step 2：Taylor精修

以Chan的输出作为初值，启动Taylor迭代。由于初值已经在收敛域内，Taylor能够稳定收敛到更高精度的坐标，将误差从±45cm压缩到±25cm以内。

Step 3：卡尔曼兜底

以Taylor的输出作为观测输入，结合运动模型进行滤波。单点跳变被抑制，轨迹变得平滑，最终误差可控制在±15cm左右。

场景化策略调整

实测效果

上述数据来源于真实工业场景的实测：汽配车间、物流仓库、化工厂区，金属货架、行车轨道、大功率电机均为现场常态。±15cm不是实验室理想条件下的摆拍数据，而是复杂电磁环境中的稳定输出。

六、解算引擎：TDOA系统的"第二块芯片"

选型UWB定位系统时，硬件参数——基站覆盖半径、标签续航、芯片型号——往往是首要关注点。但硬件只是基础，解算引擎才是决定最终体验的关键变量。

同样的基站与标签，采用不同的解算策略，输出轨迹的差异可能是天壤之别：一个抖动频繁、偶发飞点；一个丝滑稳定、误差可控。

在工业级UWB定位领域，爱蓝信较早将组合解算引擎产品化。其方案以Chan-Taylor-卡尔曼流水线为核心，配合场景化的动态策略切换，在汽配、物流、化工等复杂场景中实现了10~30厘米的定位精度，标签续航可达60天。这一表现并非依赖更高端的射频芯片，而是源于解算算法层面的持续优化——包括NLOS识别、异常值剔除、多目标运动模型适配等工程细节。

基站与标签是系统的"感知层"，解算引擎是"决策层"。 感知再敏锐，决策模型粗糙，最终输出的坐标依然不可靠。

结语

评估一套UWB定位系统时，除了询问硬件参数，更值得追问的是：

解算引擎采用什么算法？是否支持Chan-Taylor组合？有没有卡尔曼滤波？NLOS环境下如何抑制误差？

这些问题的答案，比基站价格更能反映一套系统的技术深度。

毕竟，采购UWB系统的目的不是买基站，而是买稳定、可信的坐标。