室内定位传感器方案全解析：从UWB到地磁的11种选型指南

干室内定位这些年，有个问题几乎每次都会被问到：“GPS不是挺准的吗，为啥屋里还非得再来一套？”只要让机器人在客厅和厨房之间来一次自主导航，或者在商场里用手机找一家店，你马上就会明白——室内定位压根不是“GPS弱化版”，而是一套从原理到工程都完全不同的技术栈。这篇文章我想把机器人、物联网领域里真正在用的十一种室内定位传感器方案从头到尾梳理一遍，从精度最高的UWB到成本最低的红外、地磁，包括它们各自的原理、优缺点、适用场景、选型建议和落地时容易踩的坑，全放在一起做一次横向对比，你可以当一份选型手册来用。

1. 开始之前，先把室内定位的底层逻辑想清楚

1.1 为什么GPS一进室内就“哑火”

很多人觉得GPS到室内只是“信号变弱”，其实问题远不止信号强度。 GPS卫星信号到达地面时本身就只有约-120dBm，经过墙体、楼板衰减后基本形同噪声，接收机根本解不出有效星历；再加上室内多径效应严重——信号从墙壁、桌椅、人体反射后形成一堆叠加的副本，测距结果会出现几米甚至几十米的跳变。更麻烦的是，GPS定位依赖至少四颗卫星的视线传播，而室内几乎没有“视线”可言。

所以室内定位的核心思路是：不再依赖太空中的卫星，而是靠你自己部署在室内的“人工卫星”——也就是各类传感器基站、信标、参考点。定位对象可以是机器人、AGV、手机、穿戴设备、资产标签，不同对象决定了你能接受什么样的硬件成本、功耗和安装方式。这也直接导致室内定位方案五花八门，没有一个人人能用的“银弹”。

1.2 十一种方案的一级分类

把市面上常见的方案按原理归类，可以分成三大派：

• 测距派：通过测量信号传播时间或相位差来计算距离，典型代表是UWB、超声波、激光雷达。
• 指纹派：不测距离，而是提前采集“信号强度地图”，定位时拿当前读数去地图里匹配，典型代表是WiFi RSSI、蓝牙Beacon、ZigBee、RFID。
• 环境特征派：利用视觉特征、磁场畸变、惯性积分来推算位置，典型代表是视觉定位、红外、地磁、IMU惯性导航。

这三类方案没有绝对优劣，更多是取舍。测距派精度高但一般需要额外部署节点；指纹派部署最省事但建图和维护费劲；环境特征派有的不依赖外部设备，但稳定性或精度又不够。下面我按这三条线逐一拆解，把每个方案的真实水平、优缺点和应用边界说清楚。

1.3 评判方案的四个核心指标

先给一个统一的评价框架，后面所有方案都用它说话：

• 定位精度：多少厘米还是多少米？是“区域级”还是“厘米级”。
• 部署成本：是否需要额外布节点？节点间距多少？是否需要专业工程。
• 可扩展性：覆盖面积增大时，是加点位就行，还是要重新标定整个系统。
• 鲁棒性：光线、遮挡、人流、金属结构会不会让精度崩掉。

这四个指标彼此制约。比如UWB精度可以到10厘米，但意味着一间40平的房间可能要装6-8个基站；WiFi精度只有3米，但80%的公共场所已经有现成AP可用。理解这种“不可能三角”，后面选型才不会跑偏。

2. 测距派：UWB、超声波、激光雷达

2.1 UWB：精度天花板，但也有脾气

UWB（Ultra-Wideband，超宽带）在室内定位圈的地位大约等于“百米飞人”。它用纳秒级窄脉冲传输信号，带宽高达500MHz以上，时间分辨率极高，能通过测量信号飞行时间（TOF）或到达时间差（TDOA）把测距误差压到10厘米级。市面上主流的Decawave DW1000系列芯片方案，实测静态定位精度大约在10-30厘米，动态在30-50厘米，在机器人对接、AGV路径规划这类场景，精度确实够硬。

我最早接触UWB是在一个仓储AGV项目里，部署了4个基站+车端标签，定位频率做到10Hz，小车在货架通道里反复穿行，基本没有出现“撞墙”的情况。但UWB并非没有脾气：

• 基站之间必须做时钟同步。用有线同步精度最稳，无线同步省布线但会引入微秒级误差，导致TDOA解算飘。
• 金属遮挡和人体遮挡会让信号直射路径中断，定位点突然跳到另一侧，这个在工业环境里尤其明显。
• 基站数量决定覆盖面积，不是“装两个就能用”，通常至少需要3-4个基站才能形成二维定位，且基站安装高度、天线朝向都影响覆盖范围。

所以UWB适合对精度有硬指标、已经做好基础设施投入准备的场景，一般不太适合消费物联网那种“打开就能用”的需求。

2.2 超声波：便宜但怕遮挡

超声波定位的原理很直接：发射40kHz左右的声波，通过测量发射到接收的飞行时间乘以声速得到距离，再用多个探头做三角测量。它的精度能达到1-3厘米级别，成本很低——一个超声波传感器模块几块钱到几十块钱，因此在局部范围内有独特的应用价值。

不过超声波有个物理硬伤：声速会随温度、湿度变化，所以高精度应用必须做温度补偿；同时超声波发散角大、遇到墙壁地板会产生反射，多径干扰让人头大；更关键的是，它的有效传播距离短，一般只有几米，而且中间只要有书柜、人一挡，信号就断了。实际项目中，超声波常被用于“最后一米”的精细对接，比如机器人靠近充电桩、货架盘点时用超声波做近距离确认，很少单独拿来覆盖大面积空间。

2.3 激光雷达：机器人的眼睛

严格说，激光雷达不是“传感器定位”，而是一种同时建图和定位方案——SLAM。二维激光雷达通过发射激光束扫描周围环境，获取障碍物距离点云，再与预先构建的地图进行匹配，从而估算出机器人在环境中的位姿。目前在室内移动机器人里，2D激光雷达+Cartographer或Gmapping算法是主流，精度可以做到2-5厘米，而且不需要额外布置任何信标，机器人靠自身传感器就能自主定位。

这种方案最舒服的一点是“零基建”：部署只要让机器人跑一圈建图，之后就可以长期运行。但代价是激光雷达本身不便宜，即便是国产单线雷达，一颗也要几百到几千元；而且它对环境特征有要求，长走廊、空旷大厅、玻璃墙这类特征稀疏或镜面反射的场景，会让匹配算法陷入无解。我遇到过最典型的坑是某客户车间的隔断是反光不锈钢，小车在附近跑一圈后地图直接就“糊”了，最后只能加反光板特征点或改用融合定位来兜底。

3. 指纹派：WiFi、蓝牙、ZigBee、RFID

3.1 WiFi：用现成网络换2~5米精度

WiFi定位最常见的是RSSI指纹方案。做法是：先在目标区域采集多个参考点上的各AP信号强度，形成一张“指纹地图”，定位时把手机或芯片当前收到的RSSI向量跟指纹库比对，通过最近邻、贝叶斯等算法估算位置。这个方案的优点非常明显——公共场所基本都有WiFi覆盖，不需要额外加硬件，手机、物联网模组也都自带WiFi，部署成本几乎为零。

但成本低是有代价的。WiFi RSSI信号在室内受多径、人流、门开关影响极大，同一个位置早上和下午测出来的RSSI可能差10dBm，所以指纹库很容易“过期”，精度通常只有2-5米，偶尔还有跳跃到隔壁房间的尴尬体验。后来WiFi联盟推动FTM/RTT协议，通过测量信号往返时间把精度提升到1-2米，但需要路由器端硬件支持，普及率还不高。WiFi定位适合商场导购、医院就医导航这类对精度要求不高、但需要大体量覆盖的物联网应用。

3.2 蓝牙：从RSSI到AoA，潜力被低估

蓝牙定位大致经历了两代。第一代是BLE Beacon的RSSI方案，部署一堆低功耗信标，手机扫描广播包后按信号强度估算距离，精度跟WiFi差不多，2-5米。优点是信标便宜、电池能撑一两年、手机生态兼容性好，苹果的iBeacon就是典型代表，商场寻店、展会导览、室内停车反向寻车大量采用。

第二代则是BLE AoA/AoD测向方案。它的思路不是测信号强弱，而是用接收端的天线阵列去测量无线电波到达的角度，多个角度交汇后实现定位。实测AoA方案的精度能做到0.1-1米左右，比RSSI高一个量级，这也是目前物联网定位圈相当热门的方向。不过AoA需要专用定位基站（通常带8根以上天线的阵列），基站部署间距也有限制，整体造价高于Beacon方案。蓝牙方案我的建议是：预算紧张用RSSI，做精品场景用AoA，别在错误期待上花冤枉钱。

3.3 ZigBee：工业物联网里的老兵

ZigBee是一种基于IEEE 802.15.4的低速率、低功耗无线网状网络协议，本身不是定位专用技术，但大量工业物联网节点使用ZigBee组网，天然具备RSSI采集能力，顺手就可以做成定位。常见做法是在已有的ZigBee传感网络中，利用终端节点与周边路由节点之间的信号强度做三角测量或指纹匹配，精度约3-5米，能区分出“在哪个区域”、“在哪条走廊”，足够满足很多制造车间的物资定位、人员到岗判断需求。

ZigBee的优势是节点功耗极低、自组网能力稳定，且工业现场已有存量网络，几乎不增加额外硬件。劣势则是信号频率为2.4GHz，与WiFi共用频段容易互相干扰，且吞吐量小，无法承载高频率的原始数据采集。它更适合把定位“顺便”带起来的场景，而不是追求高精度的独立定位系统。

3.4 RFID：不是用来定位的，但用来“判别”很好用

严格讲，RFID（射频识别）更多是一种识别技术，而不是定位技术。但它确实能在空间上发挥作用：当读写器识别到某个标签时，可以认为该标签处在读写器覆盖范围内，从而实现“区域级”定位。根据标签是否有源，读写距离从几厘米到几十米不等。实际项目中，RFID常用于仓储盘点、工具管理、人员门禁，而不是实时连续导航。

举个例子，我在一个工厂做过工具借还系统：每个扳手、电钻上贴无源RFID标签，工具柜内嵌读写器，当标签被取出时系统立即知道该区缺了哪个工具。这本质上就是“在/不在”的二元定位，但比任何连续坐标都适用。RFID也有能做比较精细位置的方案，比如移相器阵列读取相位信息来定位，但成本高、工程复杂，一般项目没必要上。选RFID前先问自己：“我真的需要具体的x、y坐标吗？还是一个区域ID就够了？”如果答案是后者，RFID通常是最便宜的答案。

4. 视觉与环境特征派：视觉、红外、地磁、惯性

4.1 视觉定位：摄像头加标记，机器人的“认路”绝招

视觉定位在机器人领域分两条路线：一是人工标记定位，比如在环境中贴AprilTag、二维码，摄像头识别标记后根据像素位置和Marker的实际尺寸解算出相机相对于标记的位姿；二是自然特征定位，利用环境中的角点、纹理特征做视觉里程计或VIO（视觉惯性里程计），再结合预建地图匹配。人工标记方案精度很高，静态定位误差可以到厘米级，而且摄像头成本低，我见过不少机器人对接、无人机降落项目都是用二维码/ArUco标记做的。

但视觉方案的软肋同样明显：强光、逆光、黑暗都会让图像质量崩溃；反光地面、白色墙壁这种低纹理环境基本无法工作；摄像头视野有限，单目视觉会存在尺度模糊。自然特征方案还会随时间漂移，需要定期回到已知位置或与IMU融合修正。在我看来，视觉最适合作为机器人的“局部精定位”手段——全局靠UWB或雷达，靠近目标时再用视觉标签完成毫米级的最后对准，这种组合在工业界已经非常成熟。

4.2 红外：最廉价的“区域感测”

红外定位的方案大致有两种：一种是主动红外发射器配合多个红外接收器，通过探测哪个接收器“看到”红外光来判断位置；另一种是被动红外热释电传感器（PIR）检测人体或物体热辐射，实现有人/无人、区域入侵检测。它们的共同点就是便宜并且原理简单，但精度也最“感动”：基本只能做到房间级或区域级，确定“你是否在某一两块砖的大小范围”都比较难。

红外在实际项目中经常被当成“触发器”而不是“定位器”。比如智能展厅里，观众走到某个展位前，红外传感器触发语音讲解；仓库通道里，AGV经过时红外感应启动交接动作。红外传感器还特别怕阳光直射和热源干扰，夏天窗户边有阳光照进来时容易误触发，所以布局时要尽量避免把红外装在朝南的窗边或空调出风口附近。

4.3 地磁：让手机“自带”的定位能力

这个方案其实挺神奇：室内钢结构、钢筋混凝土会改变地球磁场，形成相对稳定的磁场畸变场，相当于天然的“室内指纹码”。手机或设备只需要内置磁力计，就能感知所在位置的磁场强度（三维分量），与事先采集的磁场指纹地图比对，从而实现定位。它的最大优势是不需要部署任何外部基站、信标，理论上每一台带磁力计的智能设备都能用。

但“免费”的东西往往要用别处去付。地磁定位的精度和稳定性受限于两点：一是磁指纹会随环境中铁磁性物体移动而改变，比如商场里移动的货架、停止的汽车都会让指纹失真，因此需要进行周期性的指纹更新；二是地磁信号原本就微弱，空间分辨能力不高，而且不同品牌手机的磁力计差异很大，同一个位置测出的值可能相差不少。实际应用往往是把地磁、WiFi、惯性整合在一起做手机室内导航，很少单独扛大梁。

4.4 惯性/IMU：定位系统的“万能配角”

IMU惯性测量单元（加速度计+陀螺仪）本身并不是绝对定位传感器，它测量的是物体运动的加速度和角速度，通过对时间积分可以推算出相对位移和航向。问题是积分误差会随时间累积，漂移是无法根除的——拿着手机走50米，纯靠惯导算出来的位置可能已经在隔壁小区了。因此IMU很少单独使用，但它却是几乎所有室内定位方案都不能缺的“配角”。

在机器人领域，IMU与激光雷达或视觉融合，可以补足雷达在剧烈运动、打滑时的运动估计，提高SLAM鲁棒性；在手机室内定位中，IMU做行人航位推算（PDR），用步数、步长、航向来推算位置，虽然已经知道是“高精度的方向悲剧”，但可以辅助在WiFi指纹库中做区域平滑，减少定位跳变。如果你同时用UWB和IMU做了卡尔曼滤波融合，UWB负责约束长期漂移，IMU负责补全短时间内的连续轨迹，这种“热融合”方案的体验会比任何单一传感器都好。所以不要纠结“IMU到底能不能定位”，把它当作万能辅助就好。

5. 十一选一？不，现实往往需要打组合拳

5.1 十一种方案横向对比速查表

表格把11种方案和IMU加在一起列了12行，但IMU在编号中算第11种（上一章四个小节里最后一种就是惯性）。实际项目管理中，这张表先看前三列就够筛掉一半方案。

5.2 机器人场景推荐：UWB+激光雷达+视觉标签

机器人（AGV、服务机器人、巡检车）对定位的要求往往有两个极端：在自由行走时允许“大概别撞人”就可以了，但靠近工位、充电桩、货架抓取时又希望“对齐到毫米”。就我观察，一个比较稳的组合是：

• 大范围使用激光SLAM或UWB作为绝对定位，覆盖整个作业区域；
• 短距离时用视觉标签或超声波做精准对接；
• 全程用IMU做高频运动插值，让控制环不至于在传感器更新间隙“断片”。

这样做的原因是单一传感器很难同时满足广覆盖和高精度，强如激光雷达在金属反光环境下也会出错，UWB在墙角遮挡处也会跳变。融合定位不是炫技，而是给系统上双保险。

5.3 物联网场景推荐：WiFi/蓝牙做导航，RFID做资产，地磁做“免安装”

物联网侧更看重低成本、低功耗和快速部署。如果你的需求是商场导流、医院找科室，优先考虑WiFi指纹或蓝牙Beacon，因为现有网络和手机生态几乎零成本；如果你需要管一个仓库里的几万件资产，RFID远比一大堆坐标数据靠谱；如果你想做一套“不需要在墙上打孔”的室内位置服务，地磁+惯导融合可以试试，但一定要把指纹采集工具和方法设计好，否则几百个点的数据能让人跑到腿软。

需要特别提醒的是，很多物联网客户一开始都抱着“装个系统全球通用”的想法，连个场景都不改，结果上线第一天就发现人流一变、货架一动就飘。室内定位是高度场景化的工程，方案选型时必须连同环境维护手段一起考虑进去。

6. 落地避坑指南：从实验室到现场的问题实录

6.1 时钟同步才是UWB最大的工程坑

UWB推广不开，精度不行往往是最后背锅的，真正卡脖子的是同步。 TDOA算法要求所有基站使用同一时间基准，时钟差1ns对应距离误差约30cm。很多项目图省事用无线时钟同步，结果在基站遮挡严重的地方同步失败，定位方差直接爆表。我的建议是：预算允许就做有线同步（用网线或同轴线串联时钟），实在要用无线同步，至少保证基站之间无遮挡，同时预留周期性同步校准时间。这个细节在现场往往比选哪家芯片还重要。

6.2 指纹采集工作量和维护周期会被严重低估

WiFi、蓝牙、地磁这类指纹方案，最容易翻车的地方不是算法，而是指纹库的建设和长期维护。一个2万平的商场，按1米间隔采集，光采集点就两万个，每点还要静止采几十秒、来回迭代，累到怀疑人生。更糟的是，商家重新装修、调整货架布局后，信号特征变了，指纹库直接作废。所以落地时一定要把“指纹更新”写成可执行的运营流程，比如每季度用无人小车重新自动巡测一次，而不是等投诉来了才去重新建库。

6.3 融合定位不是简单加和，状态估计才是关键

我见过不少团队做融合就是把UWB算出来的x、y和激光雷达的x、y做加权平均，结果两个传感器一打架，输出位置比不用任何一个都飘。更合理的做法是用卡尔曼滤波、粒子滤波或因子图做多传感器的状态估计，把不同传感器的误差特性建到模型里。简单说，最稳的方式是“一个高可靠全局传感器做慢刷新，一个高频率运动传感器做短时外推”，两边的长处都能用上。算法不复杂，但需要静下心调参数，不能指望自动修仙。

6.4 速查：现场定位异常排查顺序

我在实验室现场排查定位问题一般按这个顺序来：

1. 先数标签/机器人上报的有效定位帧率，如果断断续续，大概率是覆盖盲区或射频干扰。
2. 再看单点坐标是否在合理范围内跳动，如果在相邻两个点之间来回三角跳，多半是基站间遮挡导致测距异常。
3. 然后回看原始测距值，UWB的range值如果突然增大或为负，检查该基站的天线是否有金属遮挡或螺丝松动。
4. 最后才怀疑算法参数，因为大多数飘移问题不是滤波参数导致的，而是上游输入脏了。

这个顺序帮我省了很多无谓调参时间。

6.5 别忽视环境监控

室内定位系统最怕“环境悄悄变了”。玻璃推拉门被推到一个新位置、金属货架搬了个位、墙边多了一排快递柜，都会让一个原本稳定的系统瞬间变脸。有条件的话可以设置一个“参考节点”，在一段没人的时间里定期测一下位置稳定度，如果偏差超过阈值就主动发告警，提醒做环境重新标定或指纹更新。这个机制比任何高深算法都更能保证长期可用度。

7. 最后再分享一个经验：先定“误差需求”，再选传感器

如果让我给一个最省钱的建议，那就是在方案启动前先明确：你到底需要“在哪个房间”、“在哪个车位”、“停在哪个工位”这三个档次里的哪一个。差一个数量级，成本和复杂度往往要翻好几倍。很多项目一开始喊着要“厘米级”，最后实际只需要“这个托盘位置识别对”就够了；反过来，也有项目本来用蓝牙Beacon凑合，机器人撞了几次货架最后还是乖乖换UWB。

我在实际项目中体会最深的一点是：传感器从来不是越贵越好，适合自己的场景才是真好。十一种方案各有各的主场，真正扛事的往往是两三种方案的组合，再配上一个靠谱的状态估计算法。别迷信某一个“精度天花板”参数，也别低估现场部署和维护的工作量，把前面说的时钟同步、指纹维护、环境监控抓紧，一套室内定位系统基本就能稳定跑下去。

如果你正在做一个机器人导航或物联网位置服务的项目，建议把这篇里面收录的十一种方案拉成一张excel表格，填上你的真实场景、预算、精度预期和安装条件，用不了半小时，答案就会自己浮出来。