3、轨迹数据采集：GPS数据格式（NMEA-0183）、基站定位、WiFi定位、惯性导航（IMU）数据融合
各位同学，咱们今天聊点实在的。
做轨迹回放，第一步就是拿到数据。数据怎么来？说白了，就是定位。但现实世界不是理想实验室，你不可能指望一种定位技术打天下。我做了这么多年轨迹回放，踩过的坑比走过的路还多。今天就把几种主流的数据采集方式，掰开了揉碎了讲给你听。
3.1 GPS数据格式：NMEA-0183
GPS 是最常见的定位方式。但 GPS 芯片吐出来的数据，不是直接给你经纬度就完事了。它有一套自己的语言，叫 NMEA-0183 协议。
嗯，这里要注意。NMEA 是一套标准，几乎所有 GPS 模块都支持。它的数据格式是纯文本，以 $ 开头，以 <CR><LF> 结尾。每一条语句叫一个 Sentence。
我个人最常用的是 $GPGGA 和 $GPRMC 这两条。前者给定位信息，后者给速度和时间。
举个例子，一条典型的 GGA 语句长这样：
$GPGGA,123519,4807.038,N,01131.000,E,1,08,0.9,545.4,M,46.9,M,,*47看着乱是吧？我拆开给你看：
| 字段 | 含义 | 示例值 |
|---|---|---|
| $GPGGA | 语句头，GGA 定位数据 | - |
| 123519 | UTC 时间，12:35:19 | 12:35:19 |
| 4807.038,N | 纬度，北纬 48°07.038' | 48.1173° |
| 01131.000,E | 经度，东经 11°31.000' | 11.5167° |
| 1 | 定位质量，0=无效，1=单点，2=差分 | 1 |
| 08 | 可见卫星数 | 8 |
| 0.9 | 水平精度因子（HDOP） | 0.9 |
| 545.4,M | 海拔高度，单位米 | 545.4 |
3.2 基站定位：没 GPS 时的救命稻草
GPS 信号不好怎么办？比如地下车库、隧道、高楼林立的街道。这时候基站定位就派上用场了。
基站定位的原理很简单：手机同时连接多个基站，根据信号到达的时间差（TDOA）或者信号强度（RSSI）来估算位置。精度嘛，说实话，在城市里大概 50-200 米，郊区可能更差。
为什么精度差？因为基站的位置是固定的，而且信号会受建筑物遮挡、多径效应影响。你想想看，在密集的楼群里，信号反射来反射去，算出来的位置能准吗？
但基站定位有个好处：覆盖广。只要有手机信号，就能定位。我在做物流轨迹项目时，很多货车跑偏远山区，GPS 经常掉线。这时候全靠基站定位补数据，虽然精度差，但至少知道车大概在哪个县哪个镇。
3.3 WiFi 定位：室内定位的利器
到了室内，GPS 基本废了，基站定位精度又不够。这时候 WiFi 定位就香了。
WiFi 定位的原理是：每个 WiFi 热点（AP）都有唯一的 MAC 地址。手机扫描周围的 AP，把它们的 MAC 地址和信号强度上报给服务器。服务器有一个指纹库，里面存着每个位置能扫到的 AP 列表和信号强度。通过匹配，就能算出位置。
精度怎么样？如果指纹库建得好，可以达到 5-15 米。比基站强多了。
但有个前提：指纹库需要提前采集。说白了，你得先拿着设备在商场里走一遍，把每个角落的 WiFi 信号都记录下来。这是个苦力活。
我记得有一次给一个大型商场做室内导航，光采集指纹数据就花了三天。但效果确实好，用户反馈定位很准。
3.4 惯性导航（IMU）：最后的倔强
如果 GPS、基站、WiFi 全都没信号呢？比如地下停车场、电梯、隧道深处。这时候只能靠 IMU 了。
IMU 包含加速度计和陀螺仪。加速度计测加速度，陀螺仪测角速度。通过积分，可以算出位移和姿态。
但这里有个大坑：积分会累积误差。加速度计有零偏，陀螺仪有漂移。你走 10 米，积分出来可能变成 12 米。时间越长，误差越大。
所以 IMU 不能单独用，必须和其他定位方式融合。比如在 GPS 信号好的时候，用 GPS 校准 IMU 的误差。信号丢失后，用 IMU 推算一小段距离，等信号恢复再校准回来。
我做过一个地下车库的轨迹项目，车进车库后 GPS 就没了。全靠 IMU 推算，配合车库入口处的 WiFi 定位做初始校准。最后轨迹虽然有点飘，但至少能看出车在哪个车位附近停了。
3.5 数据融合：把鸡蛋放在一个篮子里？不，是放在多个篮子里
上面讲了四种定位方式，各有优缺点。实际项目中，我们不会只用一种。而是用数据融合算法，把多种数据揉在一起，取长补短。
最常用的融合算法是卡尔曼滤波（Kalman Filter）。它的核心思想是：用预测和观测两个步骤，不断修正位置估计。
举个例子：
- 预测： 上一秒你在 A 点，速度 1 m/s，方向朝北。那我预测这一秒你在 A 点北边 1 米处。
- 观测： GPS 报了一个位置 B，离预测点有 3 米。
- 融合： 卡尔曼滤波会根据 GPS 的精度和 IMU 的精度，算出一个加权平均。如果 GPS 精度高（比如 HDOP 很小），就多信 GPS。如果 GPS 信号差，就多信 IMU 的预测。
这样，即使某一种数据突然变差，整体定位也不会崩。
下面这张图，是我总结的四种定位方式在轨迹回放中的融合逻辑：
你看，从四种数据源开始，经过预处理，再到融合算法，最后输出一条平滑的轨迹。每一步都有坑，每一步都需要经验。
我个人建议，刚开始做轨迹回放的同学，先别急着上卡尔曼滤波。先把每种数据单独吃透，搞清楚它们的特性和误差模型。然后再考虑怎么融合。否则，你连数据为什么飘都搞不清楚，融合出来的结果只会更糟。
好了，这一章的内容就到这里。数据采集是轨迹回放的地基，地基不牢，后面的一切都是空中楼阁。希望你能把这些知识点消化掉，下次遇到定位不准的问题，至少知道该从哪个方向排查。