UWB自动跟随的算法优化与功耗管理

 

说到UWB自动跟随，大多数人脑子里首先想到的是“厘米级定位”，但当你真的要做一个能在日常环境下稳定运行的产品时，会发现硬件只是冰山一角——算法优化和功耗管理才是让它跑得又稳又久的关键。

今天我们从定位算法到功耗策略，一次性掰开揉碎。

 

 

一、为什么功耗问题比你想的更严重？

UWB芯片（比如 DW1000/DW3000系列）在主动测距时的功耗可以达到100 mA 级别。这对一台要全天运行的跟随机器人来说，是个不小的负担。尤其是：

  • IMU、MCU、通信模块一起耗电；
  • 小型消费电子（智能行李箱、跟随购物车）电池容量有限；
  • 用户期望一次充电用一整天。

所以，算法必须不仅精准，还得“省着用”UWB。

 

 

二、算法优化的核心思路

定位算法的优化可以分成两类：

  • 提升精度（在复杂环境下保持厘米级定位）
  • 降低计算量和功耗（在不牺牲精度的前提下减少测距次数）

 

 

1. 提升精度：TOF / TDOA / PDOA 的融合

UWB定位的三种常见算法：

  • TOF（Time of Flight，飞行时间法）

    测距公式：

    其中c是光速，trx是接收时间戳，ttx是发送时间戳。

 

    优点：直观易算

    缺点：时间同步要求高，对时钟漂移敏感。

 

  • TDOA（Time Difference of Arrival，到达时间差法）

    对两个基站A、B，有：

    再利用双曲线定位公式解出位置。

 

    优点：标签端功耗低（不必参与双向通信）

    缺点：基站间需要精确同步（通常用光纤或无线同步）

 

  • PDOA（Phase Difference of Arrival，相位差法）

    通过比较两个天线接收到的载波相位差：

 

    其中λ为载波波长，θ 为入射角。

 

    优点：可以实现角度测量（AOA）

    缺点：相位容易受多径和噪声干扰。

 

    实际经验：

    在室内复杂场景（比如超市货架区），单一算法很容易翻车——多径干扰导致TOF抖动大、TDOA同步失准、PDOA相位跳变。

    所以我们更建议使用融合算法：

  • 常规用TDOA 进行低功耗位置估计；
  • 检测到信号质量下降时，切换到TOF+PDOA修正。

 

 

2. 降低计算量与功耗

下面是我们的几个项目经验：

（1）自适应测距频率

    当IMU检测到目标和机器人相对速度很低时（比如用户停下来），将测距频率从 20 Hz 降到 2 Hz。

    当加速度超过阈值时，立即恢复高频测距。

（2）运动预测 + 滑动窗口滤波

    使用卡尔曼滤波或扩展卡尔曼滤波（EKF），将IMU、UWB 融合，预测目标位置：

 

    这样即使UWB测距间隔变大，也能平滑轨迹。

（3）测距分组管理

    如果有多天线/多基站布局，不必每次都全量测距，可以用上次结果筛选出最可能的位置区域，只测与该区域相关的基站。

 

 

三、功耗管理的硬核手段

硬件级功耗优化常被忽视，但效果往往比算法优化更直接。

1. 低功耗模式切换

  DW1000/DW3000 等芯片有睡眠模式和空闲模式，合理利用可以降低数十 mA 的待机功耗。

2. 硬件唤醒

  结合PIR传感器或蓝牙RSSI，当检测到用户接近时才唤醒UWB。

3. 射频输出功率动态调节

  UWB发射功率越高，覆盖越远，但功耗也成倍增加。对于近距离（<5m）跟随，可以把功率降低 6~9 dB，延长续航。

 

 

四、项目案例

案例1：在超市环境里测试，发现UWB标签每隔几十秒位置就会跳到十米开外。原因是货架金属反射导致PDOA角度计算出错。解决办法是加上信号质量门限，低于门限时不更新位置。

案例2：一个智能行李箱项目在机场跑没问题，但在地铁站掉链子。原因是地铁站的UWB信号噪声背景高、时钟同步失效，精度崩溃。最后改成 TOF+PDOA+IMU 备用通道才救回来。

 

 

五、总结

UWB自动跟随要想做到既精准又省电，需要在算法和硬件两端同时下功夫：

  • 融合TOF、TDOA、PDOA，提高鲁棒性；
  • 自适应测距频率、运动预测滤波降低计算量；
  • 合理利用低功耗模式、动态功率调节延长续航。