4、融合定位架构：松耦合与紧耦合架构、数据融合层级

做融合定位，说白了就是要把 WiFi 和 UWB 的数据「揉」在一起。但怎么揉，揉到什么程度，这里头门道不少。我刚开始接触这个方向时，也踩过不少坑，今天就把这些经验掰开揉碎讲给你听。

4.1 松耦合 vs 紧耦合：两种架构的取舍

先问个问题：你拿到 WiFi 的 RSSI 和 UWB 的 TOF 数据后，是直接各自算位置再平均，还是先把原始数据扔进一个滤波器里？这两种思路，就是松耦合和紧耦合的核心区别。

4.1.1 松耦合架构

松耦合，说白了就是「各算各的，最后再合并」。WiFi 和 UWB 各自独立解算位置，然后通过一个融合算法（比如加权平均、卡尔曼滤波）把两个位置结果合并。

我记得有一次做商场室内导航项目，客户要求快速上线。当时时间紧，我就用了松耦合——WiFi 用指纹定位，UWB 用 TOA 定位，最后用加权平均融合。嗯，效果还行，但遇到 WiFi 信号波动大的区域，定位就会跳变。

4.1.2 紧耦合架构

紧耦合就不一样了。它把 WiFi 的 RSSI、UWB 的 TOF/TDOA 等原始测量值，直接扔进同一个状态估计器（比如扩展卡尔曼滤波 EKF 或无迹卡尔曼滤波 UKF）里。说白了，就是「原始数据级别」的融合。

我曾经在一个工业 AGV 项目里试过紧耦合。UWB 提供厘米级测距，WiFi 提供粗粒度区域约束，两者在 EKF 里互相修正。结果定位误差从 1.2 米降到了 0.3 米。代价是算法调试花了两周。

4.1.3 架构对比

维度	松耦合	紧耦合
融合层级	位置级	测量值级
精度	中等（受限于各自解算误差）	高（原始信息保留完整）
计算复杂度	低	高
模块独立性	强（可单独替换）	弱（耦合紧密）
典型场景	快速原型、低成本系统	高精度工业、自动驾驶

4.2 数据融合的三个层级

你想想看，数据融合其实不只是「怎么合并」的问题，更关键的是「在哪个层级合并」。我一般把它分成三层：数据级、特征级、决策级。

4.2.1 数据级融合

这是最底层的融合。直接把 WiFi 的 RSSI 原始值和 UWB 的 TOF 原始值，在时间上对齐后，一起送入滤波器。说白了，就是「原始数据不加工，直接喂给算法」。

4.2.2 特征级融合

特征级融合会先对原始数据做特征提取。比如从 WiFi 的 RSSI 序列中提取均值、方差、信号稳定性特征；从 UWB 的 TOF 中提取距离、置信度、多径特征。然后再把这些特征向量合并，送入定位算法。

我个人习惯用特征级融合做鲁棒性要求高的系统。为什么？因为特征提取可以过滤掉一部分噪声和异常值。比如 UWB 在非视距（NLOS）环境下测距会偏大，通过特征级融合可以识别并降低其权重。

4.2.3 决策级融合

决策级融合是最上层的融合。WiFi 和 UWB 各自独立完成定位决策（比如各自输出一个位置坐标），然后通过投票、加权、贝叶斯推理等方式合并最终结果。

4.2.4 三层级对比

层级	输入	输出	信息损失	计算量
数据级	原始测量值	融合后的状态估计	最小	最大
特征级	特征向量	融合后的特征	中等	中等
决策级	独立决策结果	最终决策	最大	最小

4.3 典型系统框图设计

光说不练假把式。下面我画一个典型的紧耦合融合定位系统框图，你一看就明白数据是怎么流的。

4.4 架构选型建议

说了这么多，到底怎么选？我根据项目经验给你几个参考：

• 快速原型验证：选松耦合 + 决策级融合。开发周期短，代码量少，适合先跑通流程。
• 高精度工业定位：选紧耦合 + 数据级融合。虽然调试复杂，但精度上限高。
• 多场景自适应：选特征级融合。可以在特征层面动态调整 WiFi 和 UWB 的权重，适应环境变化。

4.5 小结

融合定位架构的选择，没有银弹。松耦合简单但精度有限，紧耦合精度高但复杂度也高。数据级、特征级、决策级三个层级，对应不同的信息保留程度和计算开销。我个人建议：先明确你的精度需求和硬件能力，再决定走哪条路。

嗯，这一章的内容就到这里。记住，架构设计是融合定位的骨架，骨架搭好了，后面的算法才能跑得稳。