2. 定位算法基础：三边测量法、三角测量法、指纹定位法
大家好，我是你们的老朋友。今天咱们聊聊定位算法里最基础的三种方法。说实话，我刚入行那会儿，觉得定位嘛，不就是算个距离嘛。后来踩了不少坑，才发现这里面的门道还挺深。
这三种方法——三边测量、三角测量、指纹定位——几乎是所有定位系统的基石。你想想看，不管是室内定位还是室外定位，核心逻辑都跑不出这几个框架。我个人习惯把这三者比作：量尺子、看角度、对特征。嗯，咱们一个一个来拆解。
核心观点： 定位的本质，就是利用已知的参考点（基站、AP、卫星）和未知点（目标）之间的几何或信号关系，解算出未知点的坐标。这三种方法代表了三种不同的“关系”建模思路。
2.1 三边测量法：最直观的“量尺子”
三边测量法，说白了就是“已知三个点的距离，求第四个点的位置”。这是最朴素、最符合直觉的定位方法。
核心思想： 假设你知道自己到三个已知位置点的距离，那么你就在以每个已知点为圆心、距离为半径的圆的交点上。
数学原理：
设三个已知点坐标为 (x₁, y₁), (x₂, y₂), (x₃, y₃)，未知点坐标为 (x, y)。已知距离分别为 d₁, d₂, d₃。那么有方程组：
(x - x₁)² + (y - y₁)² = d₁²
(x - x₂)² + (y - y₂)² = d₂²
(x - x₃)² + (y - y₃)² = d₃²这是个非线性方程组。怎么解？我一般用线性化的方法。用第一个方程减去第二个、第三个，消去二次项，得到两个线性方程：
2(x₂ - x₁)x + 2(y₂ - y₁)y = d₁² - d₂² + x₂² - x₁² + y₂² - y₁²
2(x₃ - x₁)x + 2(y₃ - y₁)y = d₁² - d₃² + x₃² - x₁² + y₃² - y₁²然后直接用矩阵求解就行了。嗯，这里要注意：三个圆必须交于一点，否则无解。但在实际中，由于测量误差，三个圆往往不会完美交于一点。
避坑指南： 我曾经在项目中遇到过，三个基站测出来的距离，画出来的圆根本不交于一点，而是形成一个“模糊区域”。这时候别硬解，用最小二乘法求近似解才是正道。我习惯用 np.linalg.lstsq 来处理这种超定方程组。
适用场景： GPS定位、UWB室内定位、蓝牙AOA测距定位。说白了，只要你能测到距离，就能用三边测量。
2.2 三角测量法：用角度说话
三角测量法和三边测量法一字之差，但思路完全不同。三边测量靠的是距离，三角测量靠的是角度。
核心思想： 已知两个参考点的位置，以及目标相对于这两个参考点的方位角（角度），就可以通过几何关系确定目标的位置。
数学原理：
设两个已知点 A 和 B，坐标分别为 (xₐ, yₐ) 和 (x_b, y_b)。目标点 P 相对于 A 的方位角为 α，相对于 B 的方位角为 β。那么从 A 点出发，沿 α 方向作射线；从 B 点出发，沿 β 方向作射线。两条射线的交点就是 P 点。
具体计算时，可以用正弦定理。先算出 A 和 B 之间的距离 d_AB，然后根据三角形内角和算出 ∠APB，再用正弦定理求出 AP 或 BP 的距离：
∠APB = 180° - (α - β) // 注意角度方向定义
AP / sin(β) = AB / sin(∠APB)
BP / sin(α) = AB / sin(∠APB)有了距离和角度，P 点的坐标就出来了。
注意： 角度测量对误差非常敏感。我记得有一次做视觉定位，摄像头角度偏差了 0.5 度，结果目标位置偏了十几米。所以，三角测量法对硬件精度要求很高。你想想看，角度误差会随着距离线性放大，距离越远，误差越大。
适用场景： 视觉定位（双目摄像头）、基站测向定位、声源定位。说白了，只要你能测到方向角，就能用三角测量。
2.3 指纹定位法：不靠几何，靠“记忆”
指纹定位法，和前两种完全不是一个路子。它不依赖几何关系，而是依赖信号特征的匹配。
核心思想： 每个位置都有独特的“信号指纹”——比如 Wi-Fi 信号强度（RSSI）、蓝牙信号强度、磁场强度等。先建一个指纹库（离线阶段），然后在定位时（在线阶段）把当前测到的指纹和库里的指纹做匹配，找到最相似的那个位置。
数学原理：
指纹定位的核心是最近邻匹配。假设指纹库里有 N 个参考点，每个参考点有 M 个信号特征（比如来自 M 个 AP 的 RSSI 值）。当前测到的信号向量为 S = [s₁, s₂, ..., s_M]。指纹库中第 i 个参考点的信号向量为 F_i = [f_i1, f_i2, ..., f_iM]。
计算 S 和每个 F_i 的“距离”，常用的有：
- 欧氏距离： d_i = √(Σ(s_j - f_ij)²)
- 曼哈顿距离： d_i = Σ|s_j - f_ij|
- 余弦相似度： cosθ = (S·F_i) / (||S||·||F_i||)
找到距离最小的那个参考点，它的坐标就是定位结果。更高级的做法是用 K 个最近邻（KNN）做加权平均。
个人经验： 我在做商场室内定位时，指纹定位法效果出奇的好。但有个大坑——指纹库会过时。商场里店铺装修、货架移动、甚至人流变化，都会改变信号特征。我曾经遇到过，建库时好好的，三个月后定位精度从 2 米掉到了 8 米。所以，指纹库需要定期更新，或者用在线学习的方法自适应调整。
适用场景： Wi-Fi 室内定位、蓝牙 iBeacon 定位、地磁定位。说白了，只要信号特征有空间区分度，就能用指纹法。
2.4 三种方法的对比与选择
这三种方法各有优劣，没有绝对的好坏。我一般这样选：
| 方法 | 所需数据 | 优点 | 缺点 | 典型精度 |
|---|---|---|---|---|
| 三边测量法 | 距离 | 原理简单，计算快 | 对距离误差敏感，需要至少3个基站 | 1-5米（UWB可达厘米级） |
| 三角测量法 | 角度 | 只需2个参考点 | 角度误差随距离放大，硬件要求高 | 5-20米（视距内较好） |
| 指纹定位法 | 信号特征 | 无需测距测角，抗多径好 | 建库工作量大，环境变化需更新 | 2-8米（取决于指纹密度） |
我的建议： 实际项目中，别死磕一种方法。我做过一个混合方案——先用指纹法粗定位（精度 5 米），再用三边测量法精定位（精度 1 米）。效果比单独用任何一种都好。说白了，融合才是王道。
2.5 知识体系总览
下面这张图，是我自己梳理的三种定位方法的核心逻辑。你看一眼，就能明白它们之间的区别和联系。
你看，这三种方法最终都指向同一个目标——输出坐标。但它们的输入和模型完全不同。三边测量和三角测量属于几何方法，依赖精确的物理测量；指纹法属于经验方法，依赖数据驱动的匹配。
我个人觉得，初学者最好先把三边测量法吃透。为什么？因为它的数学最简单，而且很多高级算法（比如 TDOA、AOA）本质上都是三边测量的变种。等你把三边测量玩熟了，再去看三角测量和指纹法，会发现很多东西是相通的。
最后提醒一句： 别迷信理论精度。我在仿真里跑三边测量，精度能到厘米级。但一到真实环境，多径效应、非视距传播、信号衰减……各种问题全来了。所以，仿真验证只是第一步，真正的考验在实地测试。
好了，这一章就到这里。三种方法的核心思想和数学原理，你应该已经清楚了。下一章咱们聊聊怎么在仿真环境里把这些算法跑起来，看看它们到底表现如何。