UWB与IMU紧耦合定位技术解析与实践

1. 项目概述：UWB紧耦合定位的核心价值

去年在给某仓储机器人项目做定位方案时，传统IMU+轮速计的融合方式在货架密集区域频繁丢定位，直到尝试了UWB+IMU紧耦合方案才彻底解决问题。这个经历让我意识到，在复杂室内环境中，基于EKF的紧耦合融合确实能发挥1+1>2的效果。

本项目实现的是二维平面下UWB(TDOA测距)与IMU的紧耦合融合，核心输出包括：

• 实时运动轨迹估计
• 位移误差分析
• 融合状态的可视化监控

相比松耦合方案，紧耦合的最大优势在于将UWB的原始观测数据（TDOA时间差）直接纳入状态估计，而非简单地用UWB单独解算位置后再与IMU融合。这种方式能更好地处理UWB信号遮挡时的误差传播问题——实测显示，在UWB基站被遮挡30%的情况下，紧耦合方案的定位误差仍能控制在15cm以内，而松耦合方案误差可能超过1米。

2. 技术架构解析

2.1 系统输入与传感器特性

IMU数据流：

• 采样频率：200Hz（典型值）
• 包含三轴加速度计和陀螺仪原始数据
• 关键参数：加速度计零偏稳定性1.5mg，陀螺仪零偏稳定性10°/h（以BMI088为例）

UWB(TDOA)数据流：

• 采样频率：20Hz
• 输入为至少3个基站的到达时间差(TDOA)
• 典型精度：视距环境下10cm，非视距环境下可能劣化至50cm

注意：IMU和UWB的时钟必须严格同步！常见做法是用PPS信号对齐时间戳，或通过软件时间同步算法校正。

2.2 EKF状态向量设计

状态向量共13维：

code复制x = [px, py, vx, vy, θ, bgx, bgy, bax, bay, τ1, τ2, τ3]

其中：

• (px,py)：二维位置
• (vx,vy)：二维速度
• θ：航向角
• bg：陀螺仪零偏（二维）
• ba：加速度计零偏（二维）
• τ：UWB基站时钟偏差（对应3个基站）

这种设计将传感器误差和UWB系统误差都作为状态量进行估计，是紧耦合的核心特征。

2.3 紧耦合观测模型

与传统松耦合不同，紧耦合直接将TDOA测量值作为观测输入。对于基站i和j的TDOA观测：

code复制z_ij = (||p - bi|| - ||p - bj||)/c + (τi - τj) + v