一、引言
在定位技术领域，GNSS（GPS/北斗）、Wi‑Fi、蓝牙、UWB 已成为主流方案。但在室内、地下、隧道、水下、高干扰环境等场景中，电磁波定位往往失效或精度急剧下降。声波（Acoustic / Ultrasonic）由于其传播介质广、可控性强、设备成本低，逐渐成为一类重要且被反复验证的定位技术路径。
声波定位并不是“新技术”，但在智能手机、物联网、机器人、可穿戴设备等硬件能力提升后，其工程可行性和应用边界正在被重新拓展。
本文系统介绍：
声波定位的基本原理
关键技术路线
工程实现方式
优缺点与适用场景
与其他定位技术的对比
二、声波定位的基本原理
声波定位的核心思想可以概括为一句话：
利用声波传播速度已知、可测的特性，通过时间、相位或频率差来反推空间位置。
在空气中，声速约为：
343 m/s（20℃）
这是一个比光速、电磁波慢得多的速度，使得微秒级时间测量即可带来厘米级定位精度，这正是声波定位的物理优势。
1. 距离测量（ToF）
最常见的方法是飞行时间法（Time of Flight, ToF）：
距离 = 声速 × (接收时间 − 发射时间)通过测量声波从发射端到接收端的传播时间，即可估算两者之间的距离。
2. 多点测距与定位
当目标与≥3 个已知位置的声源/麦克风建立距离关系时，即可通过几何方法（三边测量）计算二维或三维位置。
三、主要技术路线
1. 超声波定位（Ultrasonic Positioning）
工作频段：通常 > 20 kHz（人耳不可闻）
特点
抗环境噪声能力强
定位精度高（厘米级）
传播距离有限（通常 < 10–20 m）
典型方案
固定超声基站 + 移动标签
手机扬声器发射 + 麦克风接收
应用
工厂/仓库定位
医疗设备定位
机器人避障与定位
2. 可听声波定位（Audible Sound Positioning）
工作频段：18 Hz – 20 kHz
通过特定编码音频信号（如 FSK / Chirp）进行定位。
特点
可直接利用手机、音箱、麦克风
无需专用硬件
易受环境噪声干扰
应用
室内导航
商场/展馆定位
设备间近距离配对
3. TDOA（到达时间差）定位
TDOA 不要求发射端与接收端严格时间同步。
原理
多个接收器同时接收同一声源
计算各接收器的到达时间差
通过双曲线定位目标
优点
不需要双向通信
适合被动定位
应用
声源定位
室内人员定位
智能会议系统
4. 相位与频率差定位
在连续波或调频信号中，通过：
相位差（Phase Difference）
多普勒频移（Doppler Shift）
进行高精度微位移或姿态感知。
应用
手势识别
微动检测
呼吸/心跳监测
四、工程实现关键点
1. 时间同步问题
ToF 方案对时钟同步要求高
常见解决方案：
双向测距（Round Trip Time）
TDOA 架构
2. 多径与反射
声波在室内环境中极易反射：
墙壁
地面
家具
常见处理手段：
使用短脉冲 / Chirp
匹配滤波
选择最早到达路径
3. 环境变化影响
温度、湿度影响声速
工程上常通过：
温度补偿
相对定位
动态校准
4. 编码与抗干扰
使用扩频、跳频
频段隔离多个声源
结合信号强度与置信度过滤
五、与其他定位技术的对比
| 技术 | 精度 | 成本 | 覆盖范围 | 适用场景 |
|---|---|---|---|---|
| GNSS | 米级 | 中 | 室外 | 全球定位 |
| Wi‑Fi | 3–10 m | 低 | 室内 | 商场/办公 |
| 蓝牙 | 1–5 m | 低 | 室内 | 近距离 |
| UWB | 厘米级 | 较高 | 室内 | 工业/车间 |
| 声波 | 厘米级 | 低 | 局部 | 室内/水下 |
六、典型应用场景
室内高精度定位（医院、工厂）
水下定位与通信（声波是水下主力）
机器人与无人系统
智能交互与感知
GNSS 失效环境的补充定位
七、优势与局限
优势
物理可解释性强
硬件成本低
时间测量精度高
适合短距高精度
局限
传播距离有限
易受遮挡与噪声影响
不适合高速移动目标
八、发展趋势与展望
随着：
手机音频硬件性能提升
边缘计算与 AI 信号处理的发展
多传感器融合定位需求增加
声波定位正在从“小众方案”走向“特定场景下的最优解”，并逐步成为：
多源融合定位系统中的关键一环，而非替代者。
九、总结
声波定位是一种基于明确物理规律、工程可控、成本友好的定位技术。在不追求“全场景通吃”的前提下，它在室内、高干扰、短距离、高精度场景中具有不可替代的价值。
理解声波定位，本质上是在理解：
如何在约束条件下，利用最慢、最可控的波，换取最确定的位置。
——这也是工程技术最迷人的地方。
维智 Android 定位 SDK 是一套面向 Android 移动端应用的简单易用定位服务接口，为开发者提供融合定位能力。通过使用维智定位 SDK，开发者可以在不直接依赖底层 NLP 实现质量的前提下，为应用快速集成极速、智能、精准、高效的定位功能。
