企业官网建设流程全解析

商场地下车库找车时，手机地图上那个蓝点永远停在入口处；仓库里AGV小车无端偏离货架路线；朋友去医院体检，导航到科室门口还是走错了楼层。这些场景背后都是同一个问题——室内定位。GPS在开阔室外能轻松给到三五米的精度，但一进室内就基本失灵，这困扰了我很多年，也推动我在仓储、展馆、养老社区几个项目里反复折腾过Wi-Fi、蓝牙、UWB、惯性导航等不同方案。每次选型都要把各种技术从头梳理一遍，最后发现市面上能叫得出名字的室内定位技术大概有十种左右，各有各的物理原理和适用边界。这篇文章我就把这10种技术的原理、参数、坑点一次性讲透，给正在做技术选型或刚接触这个领域的朋友画一张完整的技术地图。

1. 室内定位到底难在哪：信号环境和室外完全不是一个世界

1.1 GPS进不了屋的两个物理原因

很多人以为GPS是“走到哪都能用”的，其实GPS信号进入室内要过两关。第一关是信号衰减，GPS卫星距离地面两万公里，到了地面的信号功率本身就非常微弱，通常只有大约-130dBm，相当于一个房间大小的能量撒在整个地面上。室内的混凝土楼板、金属门窗、钢筋结构会让信号再衰减20到30dB，衰减之后接收机里就只剩下噪声了，没法完成正常的捕获和跟踪。第二关是定位需要至少四颗卫星同时可见，在城市峡谷里本来就不容易，到了室内被墙体遮挡后卫星数量更少、几何分布也极差，就算勉强锁定几颗，位置解算出来的误差也会被几何因子放大到几十米甚至上百米。

所以室内定位不能靠卫星，只能靠在地面自建“基站”或利用已有的信号源重新测量位置。

1.2 多径效应和“可见性”问题才是室内精度杀手

如果把室内定位换个说法，本质是一个“在信号污染严重的小空间里估计坐标”的数学问题。室内环境里最大的干扰有两个：第一个是多径效应。Wi-Fi、蓝牙、蜂窝信号打到墙面、玻璃、金属货架上都会产生反射，接收端收到的是直射波和一堆反射波的叠加。反射波路径更长，会导致测距时信号“看起来更远”，这就是所谓的多径误差。超声波、红外同样逃不过反射问题，只是反射体不同罢了。

第二个是可见性和几何结构约束。室内走廊只有两三米宽，房间与房间之间只隔一堵墙，发射器和接收器之间随时可能被遮挡，形成非视距（NLOS）传播。非视距状态下信号穿墙、绕射，传输时间被拉长，对时间敏感的测距方案误差会成倍放大。另外，室内锚点布置受到空间限制，很难像室外基站那样形成理想的正三角形包络，定位死的几何区域（GDOP）很差时，即使单次测距很准，解算出的坐标也会漂。

1.3 十种技术本质上都在做同一件事

说了这么多难点，其实核心结论就一句话：室内定位技术再怎么五花八门，都是在解决两个层面的问题——用什么信号去测量（射频、声波、光、惯性、磁场），用什么算法去解算（测距、测角、指纹匹配、航位推算）。信号形式决定能拿到什么原始观测值，算法决定怎么把这些观测值变成坐标。

后面要讲的10种技术，我会按它们使用的物理信号分类来讲，这样比按厂商方案讲更有体系感，也方便你横向比较。

2. 搞懂三种定位数学工具，十种技术你就懂了一大半

在逐个讲技术之前，先把定位算法里最常用的三种数学工具说清楚。你只要理解了这三种工具，后面所有技术原理都能套进对应的框里，很多厂商宣传的“黑科技”拆开看也就是这个层面的东西。

2.1 TOA/TDOA：把距离算出来再画圈

TOA（到达时间）的原理最简单：电磁波在空气里的传播速度接近光速（约3×10^8m/s），如果发射端和接收端时钟严格同步，测量信号从发射到接收的传播时间T，距离就等于c×T。拿到三个以上锚点的距离后，以每个锚点为圆心、测距结果为半径画圆，交点就是终端的位置，这就是三边定位。

难点在于“时钟严格同步”这六个字。光速太快了，1纳秒的时间误差就是0.3米距离误差。Wi-Fi、蓝牙这种窄带信号很难做到纳秒级的同步精度，所以TOA在普通射频方案里不好用。TDOA（到达时间差）做了一个改进：不测信号的绝对到达时间，而是测同一条信号到达不同锚点的时间差。到达两个锚点的时间差恒定，终端位置就在以这两个锚点为焦点的一条双曲线上，多组双曲线相交得到位置解。关键在于时间差可以抵消掉一部分终端时钟误差，对同步要求有所放松，UWB系统大多基于这个思路。

2.2 AOA：用角度交汇找位置

AOA（到达角）的思路不同，不测距离，测方向。终端或锚点侧装上一排天线阵列，通过天线单元之间接收信号的相位差，算出信号入射的方向角。拿到两个或两个以上锚点的方向角，从每个锚点引一条射线，射线的交点就是终端位置。

这个方案最怕两件事：一是终端距离锚点太远，角度上很小的误差就被放大成很大的位置误差；二是室内反射环境复杂，信号从非视距方向到达，测出来的角度根本不对。蓝牙5.1标准里加入的测向功能就是走AOA路线，天线阵列做得越准、环境越干净，效果才越好。

2.3 RSSI指纹匹配：不测距离，直接比对“位置的味道”

有一种玩法完全不依赖物理测距，叫指纹定位。它的核心思路是：每一个位置点上，接收到的各路信号强度（RSSI）都不一样，就像每个地方有自己独特的“信号味道”。离线阶段，采集人员带着终端在现场走一圈，把各个位置点测到的信号特征记录下来，存成一张“指纹库”地图。在线阶段，把终端实时测到的信号特征和指纹库逐一比对，找特征最相似的位置作为估计结果。

指纹匹配的优势是不需要锚点坐标和传播模型，能一定程度绕开多径环境下的测距误差；代价是建库工作量大，而且环境一变（货架移动、墙体改造、人流变化）指纹就会老化，需要定期重采。

这三种工具配合不同信号源，就组合成了市面上绝大部分产品。理解了这些，下面讲具体技术时可以更专注于“信号层面的原理和坑”，不用每节重复解释定位数学。

3. Wi-Fi与蓝牙：复用手机核心的射频双雄

3.1 Wi-Fi定位：从RSSI三角到指纹库再到CSI

Wi-Fi是室内定位里最普及的方案，最大的原因是不用额外铺设备——办公楼、商场、机场本来就有AP覆盖。最原始的玩法是拿RSSI套自由空间路径损耗公式，用信号强度反推距离，再做三边定位。但室内环境根本不满足自由空间模型，墙体损耗、多径反射、天线方向性都会让RSSI剧烈波动，所以纯RSSI三角定位的精度通常只有十几米，只能判断“人在哪个房间附近”。

真正让Wi-Fi值得用的是指纹匹配。在搭建展馆导览项目时，我们就是拿着一台安卓平板在展馆里按网格逐点采样，每个点记录五六十个AP的信号强度，构建指纹库。上线后精度能做到3到8米左右，虽然不是特别惊艳，但作为粗定位主干完全够用，而且用户手机里不用装额外的硬件。

近几年学术界和厂商还在推CSI（信道状态信息）方案。CSI是Wi-Fi物理层提供的更细粒度信道信息，包含每个子载波的幅度和相位，能在一定程度上区分多径分量，比RSSI携带的信息丰富得多，理论上可以做到亚米级或更细。但这个方向对网卡驱动、固件要求苛刻，通用手机没法大规模拿到CSI数据，目前主要停留在研究和小范围工业应用层面。

3.2 蓝牙Beacon：iBeacon的工作机制与部署成本

蓝牙定位大家最熟悉的形态是小巧的Beacon信标，苹果的iBeacon协议把它带火了。Beacon里装一个纽扣电池，周期性向外广播一个标准格式包，里面包含UUID、Major、Minor等标识信息。手机上的App收到广播后测量接收信号强度（RSSI），利用指纹库或基于距离衰减模型的定位算法估算位置。

部署成本是蓝牙方案最有吸引力的地方：Beacon单体便宜、体积小、功耗极低，一颗电池能扛一两年，商场几千平米铺上百来个点成本也不高。在养老社区项目里我们采用过这个方案，老人佩戴的手环内置蓝牙接收器，家里按区域布上几个Beacon，就能大致判断老人在客厅、卧室还是卫生间活动，精度在2到4米之间基本够用。

Beacon方案最大的坑是电池电压下降会导致发射功率改变，同一颗Beacon用了一个月和用了半年,广播信号覆盖半径可能差出好几米，线上精度因此不稳定。我建议选品时优先挑带输出功率校准功能的产品，并在运维计划里加入周期性巡检。

3.3 蓝牙5.1带来的AOA/TOF变局

蓝牙传统定位靠RSSI，而蓝牙5.1标准引入了测向功能（Direction Finding），支持AOA（到达角）和AOD（离开角）两种模式。简单讲，在一侧部署包含射频开关和多个天线的阵列，接收端测量信号到达不同天线单元之间的相位差，反推出信号的到来方向角。用两三个已知位置的AOA定位基站做角度交会，就能算出终端位置。

这套机制让蓝牙有机会摆脱RSSI波动问题，在开阔室内环境（比如零售门店、展厅、办公区）把精度推进到亚米级别。但前提是终端侧天线也要配合，手机型号五花八门，天线形态各异，实际很多手机达不到理论效果。AOA方案更常见的落地场景是那些为定位定制的专用终端（工牌、胸卡、手持设备），而不是你手里的普通手机。

3.4 实操中Wi-Fi/蓝牙定位的几个坑

• 指纹老化比你想的快：商场调整一次货架布局，信号反射环境就变了，指纹库至少局部失效。运营方需要设计“指纹采集+线上更新”的闭环机制，而不是建完库就一劳永逸。
• AP和Beacon的安装高度影响很大：离地越高、遮挡越少，信号覆盖越均匀，定位效果越好。装在踢脚线、墙角后面的方案十有八九线上翻车。
• 不要为了省成本加密锚点密度：密度不够时定位结果是“跳来跳去”的，用户感觉就是定位一直飘，体验比精度低一点更难受。

4. UWB：把时间测量做到极致的厘米级选手

4.1 纳秒脉冲和500MHz带宽带来的时间分辨能力

Wi-Fi和蓝牙解决的是“米级”需求，但AGV导航、机械臂对接、汽车产线工位管理这些场景要求厘米级精度，这时候就要上UWB（超宽带）。

UWB的原理可以从它的名字拆解：超宽带。它发射的信号不是连续的正弦波，而是持续时间极短的脉冲，典型脉冲宽度在1纳秒左右，工作带宽超过500MHz。带宽大、脉冲窄带来的好处是时间分辨率极高——在接收端能精确分辨直射脉冲和反射脉冲，把多径干扰尽量剥离出来，这是窄带信号做不到的。

再配合丰富的频谱资源，UWB信号即使在金属架密布、反射强烈的厂房里也有很强的抗多径能力。户外测试时UWB测距可以轻松达到10厘米甚至更高精度，厂房环境里稍差一些，但30厘米内的成绩仍然是射频方案里天花板级别的存在。

4.2 怎么避免时钟同步的坑：DS-TWR双向测距

前面提过TOA方案的关键瓶颈是收发两端时钟同步。UWB如果也要求所有端机用高精度原子钟，成本就没法看了。工程上普遍采用的方法是DS-TWR（对称双边双向测距）：锚点A给标签B发一个测距帧，B收到后回一个响应帧，A再针对这个响应发一个最终帧。整个过程涉及三个往返时间戳，通过这三段时间的数学组合，把两端的时钟偏移误差直接约掉。

这样一来，标签和锚点之间不需要严格同步，只要每个节点自己的时钟在短时间内保持稳定（UWB设备用普通温补晶振就能满足），就能拿到很准的飞行时间。部署一套UWB系统通常要求单个定位区域内至少布4到8个锚点，保证四路以上的测距可用，标签位置解算才稳定。

4.3 UWB的典型部署形态与应用场景

UWB定位系统的锚点是有线连接的，通过以太网或工业总线把测距结果汇聚到定位引擎服务器。标签可以做成工牌、安全帽模块、车载终端、机械臂末端模块等形态。在物流仓储项目里我们用它给叉车做防撞和区域限速：叉车上装标签，库区关键位置装锚点，当叉车进入行人密集区边缘时，系统按厘米级位置判断并下发限速指令，整个逻辑比依赖视频的轻量很多。

另外，消费级市场也在快速跟进。苹果从iPhone 11开始内置U1芯片，三星、小米等厂商的“找东西”功能背后都是UWB——通过空间感知来判断配件落在哪个方向、多远距离，这就是UWB落进日常生活的最典型例子。

4.4 别被“厘米级”忽悠：UWB的适用边界

UWB精度优秀，但不等于无脑选它。它的劣势集中在三块：

• 成本明显高于蓝牙和Wi-Fi方案：单锚点价格通常是蓝牙Beacon的几倍，大规模铺开会受预算制约。
• 部署工程量大：锚点要供电、要组网，施工周期比贴Beacon长得多。
• 金属遮挡依然是硬伤：超高货架、金属隔断只要把直射路径完全挡住，UWB照样退化到靠反射波测距，精度断崖式下降。

选UWB前务必先确认环境里没有大量全金属遮挡：如果货架本身就是金属密集型布局，建议要么先做现场验证，要么干脆考虑别的技术方案。

5. RFID与ZigBee：低成本物联网定位的两张常青牌

5.1 RFID：从卡片识别到资产位置网格

RFID的定位思路跟前面几种不太一样，它更多是“区域判定”而非“连续坐标”。最常见的形态是：在通道、门禁、货架、装卸口布置RFID读写器天线，当贴了RFID标签的资产经过读写器通信范围时，读写器识别到标签ID，同时记录当时的信号强度和读到的天线通道号。由此可以判断“某件资产在哪个门、哪个货架、哪条通道”。

RFID分无源、有源、半有源三类。无源标签靠读写器发射的射频能量供电工作，成本低到几毛钱，但读取距离近、依赖读写器的磁场/电场覆盖；有源标签自带电池主动发射信号，读距可达几十米到上百米，定位精度取决于锚点密度和信号强度建模，一般在1到5米水平。

如果你只是想知道“这批工器具在不在库房、在哪个区域”，RFID是性价比极高的选择。它不追求连续轨迹，而是把物理空间拆成一堆离散的“感知格”，标签进了哪个格子就知道在哪儿。在电站工器具管理项目里，我们就是这么做的：库房门框两侧装读写天线，工具柜每层放一个模块，工具进出柜自动被记录。

5.2 ZigBee：自组网传感网络顺带定位

ZigBee本身是一种低速、低功耗的无线传感网协议，工作在2.4GHz频段，支持星形、树形、网状组网。每个ZigBee节点不仅收发数据，还能自动中继转发，网络内所有节点天然互联。定位只是它捎带手做的事——节点之间在通信过程中就能测出接收信号强度，拿去套传播模型做距离估计，再做三边定位或指纹匹配。

ZigBee的定位精度普遍在2到5米之间，爆发力和Wi-Fi高精度算法比不了，但它有两个独门优势。一是低功耗：普通电池供电，节点待机时间按月甚至按年计算，适合部署在更换电池困难的工业环境。二是自组网能力：网络拓扑自动维护，个别节点掉线数据会自动绕路，可靠性比靠AP兜底的方案稳。在矿井人员定位、化工园区巡检、养老院老人活动区域监测这些场景里，ZigBee一直有自己的基本盘。

5.3 什么时候该选它们，什么时候不该选

RFID和ZigBee都适合“低成本、低功耗、高覆盖区域”的场景，但都做不好“手机上的连续平滑定位”。如果你要服务的是普通用户用手机导航找店铺、找科室，别选这两种，手机端接收RFID标签信号很弱，ZigBee协议也没预装在手机上。反过来，如果你是在做资产盘存、人员区域统计这种后台数据业务，它们可能是最贴合预算的方案。

6. 红外与超声波：被忽略的非电磁波老将

6.1 红外定位更像是“区域探测”而非位置追踪

红外定位听起来有技术感，实际机制却很朴素。主动式红外定位通常由发射器发射调制过的红外光束，接收器或反射器负责接收。目标一旦遮挡了光束通路，系统就能判断目标“越过了这条线”或“出现在这个区域”。还有一种被动式方案是热释电传感，通过感知人体红外辐射判断人是否为在场状态。

不管哪种，红外的本质是“有/无、断/通”的离散探测，而不是输出连续坐标。它能做到很小的探测单元（比如房间内划分若干个光束格），但很难实现“从这个房间的哪一点移动到哪一点”。所以红外方案常见的是展馆人流计数、会议室人数统计、特殊实验室的越界告警，核心价值体现在“目标出现”的准确性上，而不是位置追踪的连续性上。

要注意红外对光照非常敏感，阳光直射和热源波动会造成误报。部署时尽量避开窗户、空调出风口和强光直射路径，否则维护成本会压过方案本身的价格优势。

6.2 超声波测距为什么能做到厘米级

超声波走的是机械波路线，靠声波飞行时间测距。声音在常温空气中的传播速度约340m/s，比电磁波慢了差不多六个数量级，因此测距时不需要像UWB那样精密的时钟，几十微秒级的时间测量精度就能算出厘米级的距离。系统播发一个超声脉冲，测出脉冲碰到反射面或接收端返回的飞行时间，除以声速再除以二（或按双向协议处理）就能得到距离。用多个超声接收器做三角定位，就能解出目标坐标。

声波的慢速传播是一把双刃剑。优势在于时间和距离的换算对芯片时钟要求低，很容易做到1厘米左右的高精度；劣势在于声波在空气中衰减快，作用距离一般就几米到十几米，而且温度、湿度、风速变化都会影响声速，工程中需要做温度补偿才能稳定发挥。再加上超声波无法穿墙，覆盖范围基本限定在单个房间。

6.3 两类方案的真实应用边界

红外和超声波现在都算不上主流室内定位手段，但在特定场景里依然占优。医院手术室里不允许随便布设射频设备，超声波方案可以靠少量节点帮助定位医疗设备或机器人；机器人室内自动跟随、近距离避障也大量采用超声传感器，因为它简单可靠、反应快、不受电磁干扰。

从我的经验看，这两类方案的定位精度很适合“局部精细测距”，而不是“全域连续导航”。如果你要的全空间精度在厘米级且环境合规，可以先考虑超声做产线上的局部工位定位；如果你只是想统计区域进出人数，红外的离散式探测已经够用了，完全没必要上UWB那样重的方案。

7. 惯性导航与地磁定位：不靠外部信标的自我感知

7.1 IMU导航的核心：PDR行人航位推算

前面所有方案都需要外界铺设基础设施（AP、Beacon、锚点、读写器），但惯性导航完全不需要。它靠终端内置的惯性测量单元（IMU）——由加速度计、陀螺仪、磁力计组成的芯片组，去感知自身的运动状态。

常见算法是行人航位推算（PDR）：首先用加速度计的周期性波形变化检测人走了几步；然后通过步频、身高模型或加速度幅度估算步长；再借助陀螺仪和磁力计判断行进方向；最后从已知起点开始，每走一步就在方向上叠加一个步长，逐步推算出连续轨迹。整个过程的逻辑和“闭着眼睛凭感觉走路”很像：我知道从哪出发、每步方向、每步长度，就能推出大致位置。

PDR的致命弱点是累积漂移。加速度计、陀螺仪本身有零偏误差，方向估计会随时间缓慢偏移，步长估计也不可能永远准确。走50米可能只偏两三米，走500米可能已经绕到完全错误的方向。因此惯性定位几乎不会单独使用，基本都是和其他绝对定位手段（Wi-Fi、蓝牙、UWB）做融合：用绝对定位校正漂移，用惯性填充两个校正点之间的盲区。

7.2 地磁定位：把建筑钢结构变成定位指纹

地磁定位的基本想法有点浪漫：室内的钢筋混凝土梁柱、金属管线、电梯井道、消防栓等铁磁性物体，会让地球磁场在室内形成一幅独特的、不均匀的“磁场等高线图”。每一处的磁场强度在三个方向上的分量都不同，而这种空间差异在正常条件下短时间保持稳定，类比Wi-Fi指纹，就形成了一幅天然存在的“地磁指纹图”。

部署时先拿专用磁场采集设备（或特定手机上标定过的磁力计）沿通道逐点采样，构建地磁特征库。使用时，实时测量当前磁场三维向量，在特征库里搜索最接近的位置。因为完全不依赖任何发射设备，地磁定位的成本很低，不需要供电、不需要维护信标，只需要一笔“建模费”。

地磁定位的大问题是环境动态扰动。人员密集区里的手机、平板、金属推车，以及临时搭建的铁架都能短时间改变局部磁场，而地铁、高压母线等大电流设施产生的强磁场甚至会干扰整块区域的特征。所以它的精度通常在1到5米，更适合作为辅助手段在别的定位技术连续不准的局部区域做“参考修正”，或用在低成本的楼层识别场景里。

7.3 累积误差和外部扰动怎么解决

惯性导航和地磁定位都不宜单独作为核心方案，这是我踩过多次坑后的最大教训。工程上一般把这两者放进视觉、Wi-Fi、UWB融合算法里，取各自的优势：惯性地磁负责高频输出和填补盲区，绝对定位负责定期“拉回来”。另外可以在算法层识别规律动作（电梯、扶梯、楼梯）对整个轨迹做一次分段校正，比如检测到气压计高度变化时触发楼层切换，这一招能把跨层定位的老大难问题解决掉大半。

8. 视觉与可见光通信：新势力正在补位

8.1 二维码/视觉标记定位

视觉定位的第一步就是让摄像头“看到”空间里的已知标记。最常见的是二维码、AprilTag、ArUco这类人工标记：把它们按已知坐标张贴在墙面、货架、天花板上，机器人或手机拍到标记后，根据标记在图像中的大小和畸变程度，可以解算出摄像头相对标记的三维位置和姿态。单个标记定位精度可以做到厘米级，但前提是摄像头必须能清晰拍到标记，而且标记不能被遮挡。

这种方案在仓储AGV和室内配送机器人上很常见——机器人沿路径上的视觉标记走，每一步都知道自己在哪。优点是不依赖信号强度，不容易受射频干扰；缺点是需要大量张贴标记并维护，且强光、逆光、污损会让识别率大幅下降，得搭配摄像头补光和定期清洁巡检。

8.2 视觉特征匹配与VIO

还能更进一步：不使用人工标记，依靠自然特征点。摄像头拍下连续画面，算法从中提取角点、纹理特征，在已知地图里匹配这些特征，或通过多帧特征点的运动估计自身移动轨迹，这就是视觉里程计（VO）、视觉惯性里程计（VIO）的玩法。手机导航领域已经开始把VIO和蓝牙、Wi-Fi结合，在室外到商场跨场景的衔接段提供相对平滑的定位衔接。

VIO的优势在于不依赖任何基础设施，但对计算资源和光线比较挑剔，暗光、纹理稀疏的大白墙环境会明显掉帧。工程上很少单靠VIO走完整段导航，通常会把它作为“运动传感器”的增强版，为上层融合提供更准确的相对位移和姿态变化。

8.3 VLC：用灯光的身份ID做导航

可见光通信（VLC）定位的思路是让每一盏LED灯以肉眼不可见的高频频率调制一个专属ID编码，手机摄像头或专用光敏传感器接收这个闪烁信号，解析出“现在距离哪一盏灯最近”。如果每盏LED灯的坐标入库，就知道大概位置了。

VLC的优势是LED灯具无处不在——商场、办公区、地下车库本来就是灯火通明，信号源增量成本低；另一个优点是光信号不会穿透楼层，天生具有楼层区分能力，不会像Wi-Fi那样上下楼层串扰。目前手机摄像头在普通帧率下识别高频调制仍有瓶颈，需要特定传感器或慢动作模式辅助，所以VLC在消费级手机上落地较慢，更多出现在智慧商场、智能仓储等可以定制终端的场景。

8.4 视觉方案选型时的几个判断

视觉定位真正的分水岭不是精度，而是“目标设备形态”：机器人用视觉没问题，算力、安装位置都好控制；手机用视觉就要考虑光线、角度、摄像头性能和隐私问题。我建议如果你的目标设备是手机且场景复杂，优先把视觉当作辅助锚点，而不是主力定位源；如果目标设备是自主移动机器人，视觉标记加VIO的可靠性通常会让人惊喜。

9. 十种技术一张表看清，选型终点是融合

9.1 技术参数横向对比

把十种技术拉在同一张表里，关注精度、作用距离、部署成本、功耗、是否依赖额外基础设施这几项指标。

注意表格里的精度都是理想或实验室条件下的参考值。真正上线时的精度受环境复杂度影响极大，比如同一种Wi-Fi方案在空旷展厅能做到3米，在货物堆满的仓库里可能退化到8米以上。

9.2 按需求场景倒推选型

选型的时候不要先问“哪个精度最高”，要先问自己的场景收敛到哪个象限：

• 如果目标用户是手机室内导航，要求低成本且基础设施可以自己铺，蓝牙Beacon + Wi-Fi指纹 + 惯性融合是主流组合，UWB在手机端普遍不支持，暂不考虑。
• 如果目标是机器人厘米级定位，允许新增基础设施，UWB或视觉标记方案第一梯队，具体看环境是否允许贴标记、是否金属密集。
• 如果目标是资产管理、区域判断，RFID是最直接的答案；如果还想参与传感数据采集，ZigBee能一鱼两吃。
• 如果环境不允许新增任何设备，只能走地磁 + 惯性 + 视觉（有摄像头的话）这类“零基础设施”路线，接受精度差一些。
• 如果场景覆盖楼层多、金属密集、人流动线复杂，单一技术大概率撑不住，认真设计融合定位架构远比追求单项精度重要。

9.3 融合定位是工程落地的终局答案

我经手的项目里，几乎没有靠单一技术做到上线验收一次通过的。原因很简单：单一技术总有自己的死角。UWB精度高但怕金属遮挡，Wi-Fi不怕遮挡但精度有限，惯性不怕环境但会漂，视觉怕光线。把这些技术按特性拼在一起，才能覆盖住不同路段的状态变化。

目前工程上最成熟的融合框架是扩展卡尔曼滤波（EKF）和粒子滤波。EKF适合把不同来源的定位观测值作为“量测更新”，把惯性位移作为“状态预测”，每次拿到新的Wi-Fi/UWB/蓝牙观测就修正一次累积漂移；粒子滤波能处理更复杂的非线性、非高斯问题，比如电梯上下、楼层切换这种状态突变，但计算量偏大，得跑在服务器或性能好的终端设备上。

我个人的建议是：先把融合架构定义成“高频预测 + 低频修正”的模式，不要让系统依赖单一观测源，并且在项目初期就把数据采集接口和算法框架留好扩展位，因为现场大概率会临时加入新的定位源来补窟窿。

最后再分享一个我踩过的坑：做融合定位时，各技术的时间戳对齐问题比想象中难得多。不同锚点、不同终端上报数据时用的时钟可能差出几十毫秒，如果不做统一时间基准，融合算法会“看到”前后矛盾的测量值，效果甚至不如单方案。建议在架构上加一层时间同步处理，或者在数据接入时统一转换成统一时间戳，这个细节能省掉你后面大量的调优时间。