阅读本文，你将了解：

  1. UWB测距原理（ToF）与精度来源
  2. PDOA角度修正策略
  3. 传感器分工：UWB定位与多传感器避障
  4. 自动跟随与AGV/AMR的技术分野
  5. “位控一体化”架构与分离式架构的核心差异

一、UWB测距原理：厘米级精度的来源

1.1 飞行时间（ToF）测距

UWB（Ultra-Wideband，超宽带）是一种利用极宽频带进行无线通信的技术。在自动跟随系统中，UWB的核心作用是测距——精确测量标签与基站之间的距离。

ToF（Time of Flight，飞行时间）测距原理：

  1. 标签发出一段极短的脉冲信号；
  2. 基站接收信号并记录到达时间；
  3. 通过光速×时间计算出标签与基站的距离。

由于光速极快（≈3×10⁸ m/s），UWB脉冲宽度极窄（纳秒级），系统可以精确测量微小时间差，从而实现厘米级测距精度。

对比：蓝牙定位精度约1-3米，Wi-Fi定位精度约3-5米，而UWB可达10-30厘米。

1.2 为什么UWB比蓝牙/Wi-Fi精度高？

技术 信号带宽 测距精度 抗多径能力
Wi-Fi ~20 MHz 3-5米 弱
蓝牙 ~1 MHz 1-3米 中
UWB >500 MHz 10-30厘米 强

UWB的精度优势来源于其超宽频带特性。带宽越宽，时域分辨率越高，对信号到达时间的测量越精确。同时，超宽频带使UWB信号能更好地区分直达路径和反射路径，抗多径干扰能力强——这在人员密集、环境复杂的实际使用场景中至关重要。

二、PDOA角度修正：从“前后跟随”到“360°全向跟随”

2.1 纯测距方案的局限

仅用ToF测距，只能知道“标签距离基站多少米”，但无法判断“标签在哪个方向”。这导致跟随系统只能实现前后跟随——用户必须注意携带方向，一旦走到车辆侧面或后方，跟随行为就会混乱。

2.2 PDOA（到达角差分）修正

PDOA（Phase Difference of Arrival，到达角差分）技术通过在同一基板上布置两个天线，测量信号到达两个天线的相位差，计算出标签的相对角度。

                    天线A
                     /
                    / θ
标签 -------------/-------------- 天线B
                   <-- d_ant -->

设两天线间距为 d_ant（天线基线），UWB信号波长为 λ，测得的相位差为 Δφ，则到达角 θ 的关系为：

Δφ = (2π / λ) × d_ant × sin(θ)
θ = arcsin(Δφ × λ / (2π × d_ant))

其中 Δφ 为两天线接收信号的相位差，d_ant 为天线间距，λ 为UWB信号波长。由公式可知，天线间距越大、信号波长越短，角度分辨率越高。

结合ToF测得的距离和PDOA测得的角度，系统可以实时计算标签在以基站为原点的极坐标系中的精确位置（r, θ），实现360°全向跟随。

2026年行业突破：基于UWB-AOA/PDOA技术，博赛智行实现单基站全向跟随，相比早期“前后跟随”方案用户体验大幅提升。

三、传感器分工：UWB定位与多传感器避障

一套完整的自动跟随系统，需要回答两个核心问题：“目标在哪”（定位）和“前方有没有障碍”（避障）。这两个问题由不同性质的传感器分别承担，不能混为一谈。

3.1 UWB：定位主传感器（测距 + 测角）

UWB在整个感知系统中承担定位职能。通过ToF测距获得距离，通过PDOA/AOA获得角度，二者结合即可实时解算标签在极坐标系中的精确位置（r, θ）。UWB定位为跟随系统提供“目标在哪、该往哪个方向跟”的核心输入。

需要强调的是，UWB在自动跟随系统中的职责是定位，而非避障。定位精度直接决定了“跟得准不准”。

3.2 激光雷达 + 超声波 + 视觉：避障感知层

定位解决了“跟谁、往哪跟”的问题，但跟随过程中车辆还需要感知周围环境，避免碰撞行人、墙壁或其他障碍物。这一职能由三类传感器协同完成：

  • 激光雷达（LiDAR）：通过激光扫描获取周围环境的二维或三维点云，能够精确探测中远距离障碍物的轮廓和距离，是局部地图构建和路径规划的核心传感器。
  • 超声波传感器：成本低廉、对透明材质（如玻璃门）和细小障碍物有良好响应，适合近距离（0.1~3m）的防碰撞检测，作为激光雷达的近距盲区补充。
  • 视觉传感器（摄像头）：能够识别障碍物的类别（行人、车辆、台阶等），在语义层面理解环境，为避障决策提供更丰富的信息。

三类传感器各有优劣、互为补充：激光雷达精度高但成本相对较高，且对透明障碍物不敏感；超声波适合近距盲区但不适合远距探测；视觉信息丰富但受光照条件影响。组合使用可以覆盖更多边缘场景。

3.3 系统架构示意

                       +-- ToF测距 --+
  UWB（定位）  ----------|              |--> 目标位置估计 -------------+
                       +-- PDOA测角 --+                               |
                                                                     v
  激光雷达 --+                                          +--> 路径规划 --> 车辆控制
  超声波 ----+--> 障碍检测 --> 融合 --> 避障决策 -------+
  视觉 ------+

定位与避障是两条并行的感知链路：UWB负责持续追踪目标位置，激光雷达、超声波与视觉负责实时检测前方障碍，二者在决策层汇合，共同生成既“跟得住”又“不碰撞”的车辆控制指令。

四、自动跟随 vs AGV/AMR：为什么这是一类不同的技术难题

很多人会问：自动跟随不就是AGV、AMR的一种吗？都是让车自己走，能有多难？

答案是：自动跟随与AGV/AMR虽然都涉及移动底盘，但解决的是两类根本不同的控制问题，技术难点不在同一个维度上。

4.1 问题定义的本质区别

AGV/AMR解决的是“到达已知目标”的问题。无论是磁导航AGV沿固定路线行进，还是AMR基于SLAM做自主导航，起点和终点都是明确的、静止的。路径可以提前规划好，也可以在行进中重新规划——因为目标位置不会动，系统有充足的时间做全局优化。本质上是一个goal-directed navigation（目标导向导航）问题。

自动跟随解决的是“对未知动态目标维持相对位姿”的问题。目标（人）的轨迹是未知的、非确定性的——人随时可能停、转、加速、变向。车辆要做的不是“到达某个点”，而是“始终与人保持特定的距离和角度关系”。本质上是一个实时跟踪控制问题。

4.2 为什么跟随的运动规划更难

从运动控制的角度，自动跟随的难度集中在以下几点：

  • 参考轨迹不可预知。AGV/AMR的参考轨迹是算法自己生成的，本身就可以保证平滑、最优；控制器执行的是一个已知函数。自动跟随的参考轨迹是人实时产生的，控制器面对的是一个未知、非平稳的信号源。
  • 参考信号天然不平滑。人走路不是沿着最优样条曲线移动的——起步、急停、犹豫、突然转向都很常见。车辆既要忠实跟随这个“粗糙”的信号，又要输出平滑的运动指令，两者之间天然矛盾。AGV/AMR不存在这个问题，因为它的路径是算法规划出来的。
  • 预测窗口短，容错低。AGV/AMR可以提前数秒规划路径。自动跟随只能基于人当前的速度和加速度做短时预测（通常几十到一两百毫秒），预测稍不准就跟丢或过冲。这也正是位控一体化低延迟架构的必要性所在——延迟越大，需要的预测越准，系统越脆弱。
  • 跟随与避障实时耦合。AGV/AMR遇到障碍可以减速甚至停车重新规划，代价只是时间。自动跟随不能随便停——停下来就跟丢了目标，必须在保持跟随连续性和避免碰撞之间实时权衡，无法像AGV那样从容。

4.3 严谨地说

这并不意味着自动跟随在所有维度上都“更难”。AGV/AMR有自己的硬问题，比如多车fleet调度与交通管制、大场景持续建图与重定位、长时间自主运行的可靠性——这些在自动跟随场景中通常不涉及。

更准确的表述是：两者的技术难点不在同一个维度。AGV/AMR的核心挑战在于“在已知或半已知环境中做全局路径规划与多车调度”；自动跟随的核心挑战在于“对不可预测的动态目标做实时跟踪控制，在极低延迟下同时保证跟随连续性和避障安全性。”后者在运动控制的实时性、预测精度和延迟敏感度上的要求，是AGV/AMR架构天然不具备、也不需要具备的。

这也解释了为什么很多AGV/AMR厂商做不好自动跟随——技术栈不能直接迁移，因为问题定义根本不同。

五、架构争论：位控一体化 vs. 分离式

这是自动跟随系统设计中最重要的架构选择，也直接决定了产品体验的天花板。

5.1 分离式架构（传统方案）

UWB模块 --> 主控芯片 --> 电机驱动 --> 电机
定位数据      计算指令     执行指令

特点：定位和控制是独立的子系统，通过通信接口（UART/I2C/CAN）连接。

问题：

  • 定位模组以较低频率输出坐标，控制环路需要更高刷新率，二者之间缺乏严格的时间同步，电机执行的指令可能基于数十毫秒前的过时数据；
  • 坐标数据在定位、决策、控制模块之间经过多跳传输，每一跳都叠加延迟，端到端累计延迟往往达到80~120毫秒；
  • 定位模块与控制模块各自独立运行，缺乏状态反馈，形成事实上的“半开环”控制。

结果是：快速转向或突发障碍时，车辆始终在“追”一个已经过去的位置，出现明显的抖动、过冲甚至跟丢。

5.2 位控一体化架构（PSICV方案）

UWB模块 --> 定位控制融合芯片 --> 电机
          ^     ^
IMU数据 --+     |
定位+控制联合优化（同一硬件闭环）

特点：UWB定位数据直接进入控制环路，与IMU（惯性测量单元）数据联合优化，在同一芯片内完成位置估计与控制指令生成。

核心机制：

  1. 系统级时间同步：UWB测距、运动姿态采样与电机编码器反馈采用统一时钟源，所有数据带时间戳进入决策模块，从源头消除时间错位。
  2. 定位算法直接参与控制环：定位模块不再只输出坐标，而是直接输出目标速度向量与加速度，省去“坐标转决策、决策转指令”的中间环节。
  3. 控制环反向修正定位预判：底盘的真实运动状态被实时回传给定位模块，作为下一帧预测的先验信息，即使UWB信号短暂丢失也能维持稳定跟随。

通过上述机制，博赛智行将端到端控制延迟从传统方案的80~120毫秒压缩到20毫秒以内，典型跟随精度保持在10~15厘米，急停响应时间小于0.3秒。

5.3 架构对比

指标 分离式架构 位控一体化架构
端到端响应延迟 80~120ms <20ms
定位与控制耦合 松耦合（独立子系统） 紧耦合（同一闭环）
转向跟随 顿挫感明显 丝滑流畅
信号短暂遮挡 易跟丢 运动模型维持稳定
系统集成度 中 高

注：以上延迟数据来源于博赛智行内部测试与公开技术资料，实际表现因具体硬件选型、算法实现和使用环境而异。

六、PSICV的全栈能力：从模组到整机的完整覆盖

对于想快速推出自动跟随产品的企业，从零自研面临UWB算法、传感器融合、车辆控制、系统集成等多重挑战，研发周期长、试错成本高。

深圳博赛智行科技有限公司（PSICV）提供从UWB定位模组到整车方案的完整技术链条：

  • UWB定位模组：支持PDOA/AOA，可定制，批量成熟供货；
  • 智能跟随套件：标准化套件，可快速集成到现有车辆平台；
  • 整车方案：从外观设计到底层控制的全栈定制，支持品牌定制；
  • “随福”品牌智能轮椅方案：面向电动轮椅市场，实现电动轮椅的智能化辅助驾驶。

PSICV的“位控一体化”架构已历经多代产品迭代，在物流车、工具车、高尔夫球包车、婴儿车、轮椅、农用车等多个场景中实现量产交付。

想了解PSICV如何为您的产品赋能？

从UWB定位模组到整车方案，我们提供完整的自动跟随技术解决方案

查看解决方案

结语

自动跟随技术的核心竞争，本质上是“定位精度×控制速度×系统可靠性”三个维度综合实力的较量。UWB提供了精度基础，PDOA/AOA技术解锁了全向跟随能力，多传感器协同避障保障了复杂场景下的安全性，而“位控一体化”架构则将响应速度推向极致。

对于志在自动跟随赛道的开发者或品牌商，选择具备全栈能力的方案商，或许比从零自研是更优的路径。

本文为技术解析性质文章，文中涉及的延迟、精度等数据来源于博赛智行公开技术资料与行业公开研究，实际性能因硬件选型和算法实现有所差异。