uwb定位算法c++代码_室内定位和导航芯片，下一代智能设备的关键技术

uwb定位算法c++代码_室内定位和导航芯⽚，下⼀代智能设备

的关键技术

⼈们对于以GPS为代表的定位和导航技术并不陌⽣，使⽤百度地图等APP配合GPS在户外场景中导航已经成为⽇常⽣活中常见的⼀幕。随着技术和应⽤场景的演进，对于室内导航的需求正在逐渐上升。室内导航和室外导航有诸多不同的技术需求，⽽为室内导航专门设计的硬件芯⽚有希望成为GPS的补充进⼊相关的设备中。

为什么需要室内定位和导航

说起室内导航，⼤家的第⼀个想法可能就是，为什么不能⽤GPS？其主要原因在于信号和精度问题。GPS使⽤的是卫星信号，在地⾯接收到的信号⾮常微弱，其最理想的使⽤场景在开阔且没有遮挡的室外场景，⽽在室内，甚⾄是在⼀些城市⾥建筑物⽐较密集的区域就会出现信号被遮挡的情况，反映到定位上的表现就是迟迟⽆法搜索到GPS信号。

除了信号问题之外，另⼀个室内导航和室外导航的区别在于精度。对于驾驶等室外导航应⽤，通常精度需求在⼏⽶的数量级就可以接受，⽽对于室内导航来说其精度需求往往⽐室外导航有数量级的提升，因此必须有相应的技术。

室内定位和导航第⼀个重要应⽤在于包括⽆⼈机在内的机器⼈导航。对于⼤型货仓等应⽤场景，室内定位和室内导航技术⾄关重要。利⽤室内导航技术，机器⼈可以制定最优路线以到达⽬的地，⽽室内定位技术则能在多机器⼈的应⽤场景下提供每个机器⼈的位置，从⽽帮助每个机器⼈在导航时考虑到其他机器⼈的位置以避免堵塞。

除了机器⼈应⽤之外，另⼀个重要的室内导航和定位的技术是下⼀代智能设备，尤其是AR／VR头戴设备。在典型的AR应⽤中，虚拟内容会显⽰在现实世界中的固定位置(例如下图中的宇航员和地球出

现在桌⼦上)。为了让这些虚拟物体看上去更具真实感，我们希望这些虚拟物体能看上去是固定在物理世界中的某个位置⽽不会随着⽤户移动⽽改变。为了实现这⼀点，必须有⾮常精准的室内定位和导航技术。举例来说，如果我们希望在佩戴AR眼镜时在桌⼦上召唤出⼀个地球和宇航员的虚拟物体，那么⾸先我们需要有室内定位系统把桌⼦的位置给确定下来，从⽽当⽤户移动到桌⼦附近的时候可以在桌⼦上显⽰相关虚拟物体；此外，随着⽤户的位置移动，必须要渲染虚拟物体不同的尺⼨和视⾓以满⾜真实感，因此会需要⾮常精确的室内导航系统知道⽤户是怎么移动的。

室内定位原理和相关芯⽚分析

室内定位最基本的原理是多基站原理，即根据设备和多个已知位置的基站之间的信号关系来判断设备的位置。如果我们有三个以上的基站且能计算出设备到每个基站之间的距离，那么根据⼏何原理我们就可以获取设备的位置。

室内定位的基础版本可以说是蓝⽛／WiFi信号定位。此类定位技术上根据设备到已知基站(路由器)之间的WiFI／蓝⽛信号强度信息来估计设备的位置。由于WiFi／蓝⽛信号的强度会收到出了距离之外的其他因素影响(例如遮挡)，因此基于WiFI／蓝⽛的室内定位精度通常在⽶数量级。

除了利⽤WiFi／蓝⽛等基于信号强度来估计距离之外，还可以利⽤超宽带(UWB)技术来实现更⾼精度的室内定位。UWB定位芯⽚⽬前得到了业界的认可，苹果的最新iPhone即搭载了⾃主研发的U1芯⽚⽤于UWB定位。

UWB定位技术是基于UWB信号规范。与传统的⽆线通信⾼功率⾼集中度的频谱不同，UWB把信号功率分散在⾮常宽的频谱上。因此，即使UWB信号总的功率并不低，但是每个频点的功率密度很低，因此对于其他使⽤该频段的通信协议造成的⼲扰⾮常⼩。

UWB超宽带频谱信号反映到时域就是⼀个⾮常短的脉冲。因此，其时域信号与雷达的脉冲信号很接近，这也是为什么UWB可以利⽤类似雷达的原理去做与基站之间的距离估计以实现室内定位。与基于WiFi／蓝⽛⽆线信号强度的距离估计相⽐，基于UWB的距离估计使⽤的是信号的飞⾏时间(与雷达相同)，即设备发射⼀列UWB脉冲信号并根据回波的时间差来估计与基站的距离。因此，UWB信号做定位不受遮挡的影响，可以做到更⾼的定位精度(⼗厘⽶级别精度，相⽐⽶级别的精度好了⼀个数量级)。

苹果的U1芯⽚⽬前已经进⼊主流⼿机，我们认为UWB⾼精度室内定位可望为下⼀代智能设备中的重要应⽤赋能，这类应⽤包括AR等相关应⽤。从芯⽚设计的⾓度考虑，UWB芯⽚的主要设计难度在于如何设计⼀个能在很宽频率范围内都有较好频率响应的射频系统。与传统通讯系统中的带通射频系统不同，UWB系统的频率范围要⾼10倍以上，⽽UWB信号在每⼀个频点的信号功率密度都很低，因此如何克服宽带内噪声的问题将是接收机的⼀个重要课题。此外，UWB系统的天线需要满⾜宽频带，这与传统通信系统中的窄带天线不同。如果UWB定位系统中的设备端需要同时判断基站与设备之间的⽅向关系，那么还会需要设计⼀个天线阵列，这也增加了设计的难度。从功耗上来

说，UWB的功耗通常较低，因此我们可望看到UWB技术进⼊更多的智能设备中。

室内导航芯⽚

室内定位可以提供设备的位置(精确到⽶或者0.1⽶的数量级)，⽽室内导航技术则从另⼀个⾓度提供设备的精确运动轨迹。精确运动轨迹对于许多任务来说⾄关重要(例如家⽤扫地机器⼈就需要能知道⾃⼰的运动轨迹以判断哪些位置已经扫过哪些没有)，⽽精确运动轨迹对于每次测量之间相对误差的需求往往⼩于10厘⽶，因此光靠室内定位就不够⽤(例如每次室内定位的精度在10厘⽶级别，那么两次定位之间的相对误差最多就会到20厘⽶，对于轨迹来说误差太⼤)。

室内导航的主要技术是SLAM技术，即同时完成定位和环境的地图建模。⽬前应⽤在消费应⽤中的SL

AM技术可以分成两类，⼀类是基于惯性传感器加视觉的SLAM⽅案，另⼀类是仅仅基于视觉的SLAM⽅案。

SLAM对于算⼒的需求很⾼。这是因为SLAM算法的本质是找到环境中的特征点，根据环境特征点的变化来估计设备的移动轨迹。例

如，SLAM算法需要⾸先从摄像头传感器的图像中去提取特征点(可以⽤传统的sift等特征，也可以⽤基于神经⽹络的特征)，之后需要做特征点匹配算法，再之后才是移动估计。这⼀套算法在DSP或CPU上的执⾏效率都不够⾼，因此需要使⽤专⽤加速器芯⽚来实现⾼效率SLAM。随着室内导航应⽤在机器⼈和AR／VR设备上的普及，我们可望见到SLAM加速器芯⽚或专⽤IP进⼊相关设备SoC。

⽬前，室内导航SLAM芯⽚在学术界已经得到了⼴泛的重视，也有⼀些芯⽚研究发表在ISSCC或VLSI Symposium等重要的会议上。对于基于IMU和视觉的SLAM，MIT的Amr Suleiman在今年早些时候发表了Navion系列芯⽚，该芯⽚把IMU+视觉 SLAM的整个计算流⽔线都放到了芯⽚上，同时做了图像压缩、稀疏计算优化等优化，最终能实现低⾄2mW的计算功耗，因此⾮常适合微型⽆⼈机等需要SLAM但是对于功耗⾮常敏感的应⽤。

在纯视觉SLAM⽅⾯，由于没法借助IMU，⽽必须纯粹靠视觉特征点的匹配和位移去做运动轨迹估计，因此算法要更复杂⼀些。该领域的芯⽚最新的研究成果是密歇根⼤学发表在ISSCC 2019上的视觉SLAM加速芯⽚，该芯⽚使⽤卷积神经⽹络做特征提取，并且对于特征点匹配、深度估计等都做了相应优化，最终整体芯⽚的功耗仅240mW。

展望未来

随着下⼀代智能设备和机器⼈应⽤的普及，我们认为相应的室内定位和室内导航专⽤硬件会成为⼀个专门的品类，⽽相应的芯⽚也会有可观的出货量，苹果的UWB室内定位芯⽚就是⼀个例⼦。

在室内定位⽅⾯，我们认为以UWB为代表的下⼀代室内定位芯⽚将会逐渐成为主流。室内定位芯⽚主要是射频系统芯⽚，我们认为中国半导体⾏业在该领域并不落后美国太多，因此如果UWB真正得到⼴泛认可我们期望看到许多中国芯⽚⼚商成为该领域的重要出货商。

在室内导航⽅⾯，SLAM芯⽚实质上是专⽤的算法加速芯⽚，其本质类似于摄像头ISP。因此，该芯⽚的主要挑战不仅仅在于电路设计，⽽更在于算法的选择和参数调优，我们认为⼀旦有了公认的主流算法，那么中国半导体⾏业在相应的芯⽚设计⽅⾯将会很快占据主导地位。这⼀点其实和⼈⼯智能芯⽚很像，在卷积神经⽹络确定成为主流算法之后，中国已经诞⽣了许多家能⾛在世界前列的⼈⼯智能芯⽚公司。我们认为⼀旦室内导航SLAM系统和算法确定之后，中国芯⽚公司也将会成为主流供货商。

*免责声明：本⽂由作者原创。⽂章内容系作者个⼈观点，半导体⾏业观察转载仅为了传达⼀种不同的观点，不代表半导体⾏业观察对该观点赞同或⽀持，如果有任何异议，欢迎联系半导体⾏业观察。

今天是《半导体⾏业观察》为您分享的第2118期内容，欢迎关注。

更多推荐