UWB室内定位精度提升：双分支MLP模型融合测距与RSSI的工程实践

1. 项目概述：从厘米级测距到米级定位的挑战

在机器人导航、资产追踪和增强现实这些领域，高精度定位是决定系统成败的基石。从业内来看，实现定位的技术路线很多，从依赖卫星信号的GNSS，到利用Wi-Fi、蓝牙信标的指纹匹配，再到基于视觉或激光的SLAM，各有其适用的场景和瓶颈。其中，超宽带（UWB）技术因其物理层的独特优势——利用纳秒级的极窄脉冲进行通信，从而获得厘米级的理论测距精度和极强的多径分辨能力——在过去几年里，成为了高精度、高可靠性定位方案的热门选择。

然而，在实际工程落地时，尤其是在室内、工厂、仓库这类复杂环境中，理想与现实的差距就显现出来了。UWB信号在传播过程中遇到墙壁、金属货架、甚至行人，都会产生反射、衍射和遮挡，导致非视距（NLOS）传播。这时，基于纯净视距（LOS）模型设计的经典几何定位算法，如三角测量（Triangulation）或三边测量（Trilateration），其性能会急剧下降。我经历过不少项目，在空旷的室外场地，UWB轻松实现0.2米以内的定位精度，但一旦进入室内，误差动不动就飙升到1米以上，这对于需要厘米级精度的自动化叉车或机械臂应用来说，是完全不可接受的。

问题的核心在于，传统的几何方法严重依赖于“测距值本身是准确的”这一假设。在NLOS环境下，这个假设不再成立。信号可能走了更长的反射路径，导致测距值比真实距离大，我们称之为“正偏差”。这时，如果还机械地用这些有偏差的距离去画圆求交点，结果自然会偏离真实位置。因此，业界一直在探索如何“修正”或“补偿”这些有误差的原始数据。

一种思路是引入额外的传感器进行数据融合，比如惯性测量单元（IMU），通过卡尔曼滤波等算法进行紧耦合，但这增加了系统的复杂性和成本。另一种思路，也是近年来随着算力提升而越发主流的思路，就是利用机器学习（ML）方法。机器学习不试图从物理层面精确建模复杂的信号传播过程，而是把它看作一个“黑箱”，通过大量数据学习从有噪声的观测值（如测距值、信号强度）到真实位置的映射关系。这听起来很美好，但具体怎么做才能高效、鲁棒，就是工程上的学问了。

我最近深入研究和复现了一篇2025年发表在IEEE ACCESS上的工作，它提出了一种非常巧妙的双分支多层感知机（Dual-Branch MLP）模型，专门用于提升UWB在复杂室内环境下的定位精度。他们的核心思想并不复杂，但设计非常精妙：不对单一的、有噪声的数据源抱有过高期望，而是让网络学会如何“权衡”和“融合”来自不同维度、具有不同可靠性的信息。具体来说，他们用一支网络分支专门处理UWB单边双向测距（SS-TWR）得到的距离信息，另一支分支处理接收信号强度指示（RSSI），最后在高层进行特征融合。这个设计背后，是对UWB信号特性深刻的工程理解。实测下来，这套方案在室内将平均定位误差从传统三角测量法的0.87米降低到了0.45米，效果提升非常显著。

在接下来的内容里，我将结合自己多年的嵌入式与算法开发经验，为你彻底拆解这个“基于UWB与双分支MLP的室内外高精度定位系统”。我会从硬件选型与天线延迟校准这些容易踩坑的底层细节讲起，再到数据采集、传统算法基准测试，最后重点剖析双分支MLP的设计思想、实现细节以及如何将其部署到资源受限的嵌入式平台。无论你是正在评估UWB方案的工程师，还是对机器学习在物联网中应用感兴趣的研究者，相信这份融合了论文精华与实战心得的指南，都能给你带来直接的参考价值。

2. 系统硬件设计与校准：精度从何而来

很多人在接触UWB定位时，容易一头扎进算法里，认为精度全靠后面的数学魔术。但根据我的经验，硬件是精度的天花板，算法只是在逼近这个天花板。如果硬件层面的误差有十几厘米，那么再高级的算法也难以实现厘米级定位。因此，我们必须首先打好硬件基础。

2.1 核心芯片选型：DW3000为何成为主流之选

目前市面上可供选择的UWB芯片主要有三大阵营：Qorvo的DW系列、NXP的Trimension系列以及Microchip的ATA系列。论文中选择了Qorvo的DW3000，这是一个经过市场检验的成熟选择。这里我简单分析一下选型考量：

• Qorvo DW3000/DW1000：这是开源社区和早期产品中最常见的芯片。DW3000是DW1000的升级版，主要提升了时钟稳定性和功耗表现。它完全兼容IEEE 802.15.4-2011/4z标准，支持信道5（6489.6 MHz）和9（7987.2 MHz），集成度很高，包含了射频前端、基带和MAC层。其最大的优势是资料丰富、社区活跃，有大量开源固件（如Decawave的官方例程、Apple的OpenHaystack等）和硬件参考设计，极大地降低了开发门槛。论文中提到，在优化条件下，基于DW3000的系统在视距内可以达到平均5厘米的测距精度，这为高精度定位提供了可能。
• NXP Trimension SR系列：例如SR150，其特点是原生集成了FiRa联盟的软件栈，在与其他FiRa认证设备（如部分智能手机）的互操作性上可能有优势，并且支持到达角（AoA）测量。更适合追求标准化、商业化集成的产品。
• Microchip ATA8350/8352：这两款芯片的特点是硬件集成了对TDoA（到达时间差）定位模式的支持，对于需要大量标签同步定位的基站式架构可能有优势。

选型心得：对于研究、原型开发或对成本敏感的项目，DW3000几乎是默认的起点。它的性能足够验证绝大多数算法，且生态完善。选择它，意味着你可以把更多精力放在算法和应用层，而不是纠结于驱动和底层兼容性。我们的系统架构也基于此：采用3个固定锚点（Anchor）和1个移动标签（Tag），锚点负责与标签进行测距，标签的位置通过后端计算得出。

2.2 天线延迟校准：被忽视的厘米级误差源

这是硬件部分最关键的实操环节，也是很多新手会栽跟头的地方。DW3000芯片内部有一个“天线延迟”（Antenna Delay）参数，它代表了信号从芯片核心到天线端口之间的射频路径延时。这个延时会被计入总的飞行时间（ToF）计算中，如果不校准，会直接转化为固定的距离偏差。

关键在于，这个延迟值对于每一片DW3000模块、甚至每一根外接天线来说，都不是完全相同的。它受到PCB布线、射频开关、滤波器以及天线本身的影响。论文中给出了一个非常清晰的校准思路和伪代码，我将其转化为可操作的步骤：

1. 搭建校准环境：将一个锚点和一个标签固定在已知精确距离的位置上。这个已知距离D_true的测量必须非常准确，建议使用激光测距仪，并确保是严格的视距环境。距离不宜过近或过远，选择3-5米是一个不错的范围。
2. 采集原始数据：让这对锚点和标签进行N次（例如100次）SS-TWR测距，得到一组测距值d_i。
3. 计算平均误差：计算这N次测量的平均值D_avg。计算时间误差：t_err = (D_avg - D_true) / c，其中c是光速。
4. 转换为设备时间单元：DW3000内部使用一个15.65皮秒（ps）的“设备时间单元”（DTU）进行高精度计时。将时间误差转换为DTU：AD_ext = round(t_err / T_DTU)，其中T_DTU = 15.65e-12秒。
5. 合成总延迟值：DW3000模块出厂时��经预烧录了一个OTP（一次可编程）天线延迟值AD_OTP（通常约为16436）。总的天线延迟值为：AD_total = AD_OTP + AD_ext。
6. 写入配置：将计算得到的AD_total值，通过SPI接口写入到锚点和标签的DW3000芯片配置寄存器中。

注意：校准过程需要针对每一对（锚点，标签）组合进行吗？理论上，是的。因为每个设备的射频路径都有微小差异。但在工程上，如果使用同一批次的模块和天线，并且PCB设计一致，可以选取一个“典型”设备进行校准，然后将得到的AD_ext值应用于所有同批次设备，这能在保证精度的同时大幅减少工作量。论文中的对比图（类似图4）清晰地显示，使用校准后的系数（16367）比使用出厂默认系数（16436），测距值在真实值附近的分布更集中、误差更小。

2.3 固件架构与DBSCAN滤波：让数据更干净

硬件采集上来的原始数据是充满噪声的。SS-TWR每次测距都可能因为时钟抖动、瞬间干扰等原因产生野值。论文的固件设计基于FreeRTOS，在ESP32上运行两个核心任务：

1. TWR测距任务：负责执行SS-TWR协议。关键点在于时序控制。三个锚点必须分时复用信道，依次与标签通信，避免信号碰撞。他们使用信号量进行同步，确保同一时间只有一个锚点在发起测距。每个锚点会连续进行10次测量，得到一个原始距离数组。
2. DBSCAN聚类任务：这是对原始数据的第一道，也是极其有效的一道滤波。DBSCAN是一种基于密度的聚类算法，非常适合找出“正常值集群”并剔除“离散的噪声点”。

为什么是DBSCAN，而不是简单的中值或均值滤波？在UWB测距中，错误数据通常有两种：一种是围绕真实值的高斯分布小误差，另一种是偶尔出现的、偏离很远的“飞点”。均值滤波对“飞点”非常敏感，一个巨大的野值就能拉偏整体结果。中值滤波稍好，但在数据量小（比如10个点）时，如果恰好有连续几个坏点，效果也会打折扣。DBSCAN的优势在于，它不预设数据的分布形状，只关注“密度”。那些远离主集群的孤点，无论其值大小，都会被自动识别为噪声并剔除。

实操中的参数设置：

• MinPts（最小邻居数）：对于一维的测距数据，论文设置为3。这意味着一个点周围至少要有3个“邻居”才被认为是一个核心点。这个值设得太小（如2）容易把噪声也聚进去，设得太大则可能把有效数据也当成噪声。
• Epsilon（邻域半径）：这是DBSCAN最重要的参数。论文采用了一种“肘部法则”来自动确定：计算每个点到其第MinPts个最近邻的距离，然后排序绘图，寻找曲线的拐点（肘部）作为Epsilon值。这个方法的优点是能自适应不同环境下的数据分布。

经过DBSCAN滤波后，对保留下来的“核心点”求平均，作为这个锚点到标签的最终距离值。这个处理流程，在固件层面就为后续的定位算法提供了更干净、更可靠的输入数据。

3. 数据采集与基线算法评估：知己知彼

在尝试任何复杂的机器学习模型之前，建立一个可靠的性能基准是至关重要的。我们需要知道，在理想和典型环境下，传统方法能做到什么程度，瓶颈又在哪里。这能帮助我们客观评估新算法的价值。

3.1 场景搭建与数据收集

论文分别在室外和室内两个场景进行了测试：

• 室外场景：相对空旷，视距条件良好。三个锚点呈三角形布置，覆盖一个约10x10米的区域。标签在网格点上移动，采集了706个数据点。每个数据点包含：到三个锚点的实测距离(d1, d2, d3)，以及通过全站仪或高精度RTK记录的标签真实坐标(x_true, y_true)。
• 室内场景：一个3x10米的长条形房间，内有家具等障碍物，模拟典型的复杂多径环境。采集了73个数据点。特别注意，论文强调他们的锚点是“低部署”的，而非通常的贴墙或挂顶。这故意恶化了锚点与标签之间的几何关系（几何稀释精度GDOP可能变差），并引入了更多的部分非视距情况，从而更能考验算法的鲁棒性。

除了距离，他们还同步记录了每个锚点对应的RSSI值。RSSI在UWB中通常不如在Wi-Fi或蓝牙定位中那样可靠，因为UWB的宽带特性使其对多径不那么敏感，但论文认为在复杂的NLOS环境下，RSSI的衰减模式仍能提供一些补充信息。

3.2 几何定位法：三角测量的局限

这是最直观的定位方法。已知三个锚点的坐标(x_i, y_i)和测得的距离d_i，理论上解三个圆的方程就能得到标签坐标(x, y)。但由于测量误差的存在，三个圆往往不会交于一点。

论文采用了一种轻量化的线性化解法：

1. 将每个圆的方程(x - x_i)^2 + (y - y_i)^2 = d_i^2展开。
2. 将第一个圆的方程分别与第二、第三个圆的方程相减，消去平方项x^2和y^2，得到两个关于x和y的线性方程。
3. 求解这个二元一次方程组，得到一个解(x12, y12)。同理，用第二和第三个圆、第一和第三个圆可以得到另外两组解。
4. 最后对这三组解取平均，作为最终的预测位置(x_pred, y_pred)。

结果分析：

• 室外：平均定位误差为0.17米，最大误差0.65米。这个结果印证了在良好视距下，UWB结合简单的几何方法已经能提供很高的精度。
• 室内：平均定位误差飙升到0.87米。这正是我们前面提到的NLOS和多径效应导致的。当某个测距值因反射而显著偏大时，对应的圆半径变大，其与其它圆的交点会严重偏离真实位置，取平均也无法完全纠正。

3.3 指纹定位法：机器学习初探

指纹定位是室内定位的经典思路，分为离线训练和在线定位两个阶段。在离线阶段，在参考点采集信号特征（指纹）并记录位置；在线阶段，将实时采集的指纹与数据库匹配，估计位置。

论文测试了几种基于指纹的机器学习模型作为基线：

• K近邻（KNN）：寻找特征空间中最相似的K个参考点，取其位置的平均值。简单有效，但计算量随数据库增大而增加。
• 加权K近邻（WKNN）：KNN的改进版，根据相似度（如距离的倒数）对K个近邻的位置进行加权平均，相似度越高权重越大。
• 随机森林（Random Forest）：一种集成树模型，能够学习特征与位置之间复杂的非线性关系。
• XGBoost：另一种强大的梯度提升树模型，通常在表格数据上表现优异。
• 单分支MLP：一个传统的多层感知机，将(d1, d2, d3)作为输入，直接输出(x, y)。

室外结果对比（见表5）：

• 表现最好的是单分支MLP和三角测量法，平均误差均为0.17米。
• MLP的最大误差（0.53米）低于三角测量法（0.65米），说明MLP对异常值的鲁棒性稍好。
• 随机森林和XGBoost的表现反而不如简单的MLP，平均误差在0.22-0.25米。这可能是因为在室外数据相对干净、关系接近线性的情况下，复杂模型容易过拟合，而简单的线性模型或浅层网络泛化能力更好。

这个对比给了我们一个重要启示：并不是模型越复杂，效果就一定越好。模型必���与问题的复杂度相匹配。在室外，问题相对简单，复杂模型优势不大。但当我们把目光转向室内，情况就变了。

4. 双分支MLP的核心设计：融合的艺术

室内环境的挑战在于，单一的测距信息(d1, d2, d3)已经被NLOS严重污染了。���时，我们引入RSSI作为辅助信息。但RSSI本身在UWB中噪声也很大，且与距离的关系不稳定。如何有效地利用这两种不完美、且性质不同的信息源，是提升精度的关键。

4.1 模型架构详解

论文提出的双分支MLP结构（如图15所示）是其创新核心，其设计哲学体现了对问题本质的深刻理解：

1. 分支一：距离特征处理网络

   • 输入：[d1, d2, d3]，即到三个锚点的距离。
   • 结构：4个全连接层，神经元数量分别为256, 128, 128, 64，均使用ReLU激活函数。
   • 设计意图：距离信息是几何定位的基础，理论上与坐标存在明确的数学关系（尽管被噪声破坏）。这个分支需要具备较强的非线性拟合能力，去学习如何从有噪声的距离中“反推”出位置。因此，它被设计得相对“宽”和“深”，拥有更多的参数来捕捉潜在的复杂模式。

2. 分支二：RSSI特征处理网络

   • 输入：[RSSI1, RSSI2, RSSI3]，即来自三个锚点的信号强度。
   • 结构：2个全连接层，每层32个神经元，使用ReLU激活。
   • 设计意图：RSSI信息噪声大，可靠性低。如果给它一个过于复杂的网络，它极容易过拟合到训练数据中的噪声上，反而损害模型性能。因此，这个分支被设计得“小而简单”，仅用于提取RSSI中最基本的、可能与NLOS状态相关的模式（例如，信号是否急剧衰减）。这是一种正则化思想，通过限制模型容量来防止过拟合。

3. 特征融合与输出层

   • 操作：将分支一和分支二的输出向量在特征维度上进行拼接（Concatenation）。
   • 结构：拼接后的特征首先通过一个128维的全连接层，再通过一个64维的全连接层（均用ReLU），最后通过一个2维的线性输出层，直接回归预测的(x, y)坐标。
   • 设计意图：融合层的作用是学习如何协调来自两个不同域的信息。例如，当距离分支的某个输出暗示标签可能在A区域，而RSSI分支的输出（可能表示信号衰减严重）暗示该区域存在障碍物时，融合层应学会适当降低距离分支在该方向上的置信度，从而将预测位置向更合理的B区域调整。

4.2 为什么双分支比单分支好？

论文对比了三种MLP变体：

1. MLP-距离：仅使用距离特征，即单分支（只有上述分支一）。
2. MLP-距离+RSSI：将[d1, d2, d3, RSSI1, RSSI2, RSSI3]共6个特征拼接在一起，输入一个单分支的MLP。
3. 双分支MLP：本文提出的结构。

室内测试结果（见表8）非常说明问题：

• 三角测量：0.87米
• MLP-距离：0.80米 （仅用距离，已有改善）
• MLP-距离+RSSI（单分支）：0.52米 （引入RSSI，提升明显）
• 双分支MLP：0.45米（最佳性能）

关键分析：

• 单分支拼接的弊端：当把距离和RSSI简单拼接后输入一个网络时，网络需要同时处理两种量纲、分布、可靠性完全不同的特征。在反向传播更新权重时，梯度来自共同的损失函数，这可能导致网络难以平衡对两者的学习。噪声大的RSSI特征可能会干扰对相对更重要的距离特征的学习。
• 双分支的优势：双分支结构在底层实现了“特征解耦”。每个分支先在自己的特征空间里进行独立的变换和抽象，提取出高阶特征。距离分支学会了“几何推理”，RSSI分支学会了“环境感知”。在融合层，网络处理的是这两个已经过提炼的、抽象度更高的特征表示，此时再进行信息融合和决策，效率更高，也更容易学到有效的互补关系。这好比让两个专家（一个擅长几何计算，一个擅长信号分析）先独立工作，然后再一起开会讨论，比让一个通才同时处理所有原始数据要更有效。

4.3 训练技巧与参数设置

• 数据预处理：
  • 特征标准化：对距离和RSSI特征，分别使用StandardScaler进行标准化（减去均值，除以标准差）。必须注意：均值和标准差只能从训练集计算，然后用于验证集和测试集，这是避免数据泄露的黄金法则。
  • 标签归一化：将坐标(x, y)使用MinMaxScaler归一化到[0, 1]区间，有助于网络训练稳定、加速收敛。
• 损失函数与优化器：使用均方误差（MSE）作为损失函数，直接最小化预测坐标与真实坐标的欧氏距离平方。优化器选用自适应学习率的Adam。
• 防止过拟合：
  • 早停（Early Stopping）：监控验证集损失，当其在连续10个epoch内不再下降时，停止训练，并回滚到验证损失最小的模型权重。
  • 学习率调度：使用ReduceLROnPlateau，当验证损失停滞时，自动降低学习率，帮助模型跳出局部最优。
  • Dropout：论文的MLP结构中虽然没有明确提及，但在实际应用中，在融合层后的全连接层中加入Dropout（如0.3-0.5的丢弃率）是防止过拟合的常用有效手段。

5. 工程实现与部署考量

理论再完美，最终也要落地。将双分支MLP模型部署到实际的UWB定位系统中，还需要解决一系列工程问题。

5.1 模型轻量化与嵌入式部署

论文中的MLP模型参数量不大，但对于资源受限的微控制器（如ESP32）来说，在推理时进行浮点矩阵运算仍有一定压力。以下是几种部署策略：

1. TensorFlow Lite for Microcontrollers：将训练好的Keras/TensorFlow模型转换为.tflite格式，并利用TFLite Micro库在ESP32上运行。这是最直接的方式，社区支持好。
2. 量化（Quantization）：将模型权重和激活从32位浮点数（float32）量化为8位整数（int8）。这可以将模型大小减少约75%，并显著提升在支持整数加速的硬件上的推理速度。TFLite Micro支持训练后量化。
3. 手动实现或使用轻量级推理库：如果模型非常简单，也可以手动用C语言实现前向传播。或者使用像CMSIS-NN（针对ARM Cortex-M）或NNoM这样的轻量级神经网络推理库。
4. 边缘-云端协同：一种折中方案是在标签或锚点上完成数据采集和预处理（如DBSCAN滤波），然后将(d1, d2, d3, RSSI1, RSSI2, RSSI3)这6维特征通过Wi-Fi或4G发送到云端服务器或边缘网关进行MLP推理，再将结果返回。这适用于对实时性要求不极端（>100ms）的应用。

实操建议：在项目初期，可以采用边缘-云端协同的方式快速验证算法效果。待算法稳定后，再着手进行模型量化与轻量化，尝试部署到嵌入式前端。ESP32-S3等新款芯片带有向量指令扩展，对于小型MLP的推理已经游刃有余。

5.2 系统实时性优化

整个定位流水线包括：SS-TWR测距（三个锚点依次进行）-> DBSCAN滤波 -> 特征拼接 -> MLP推理 -> 输出坐标。

• 测距周期：这是主要的延时来源。每个SS-TWR交互需要几毫秒，三个锚点顺序工作，加上处理时间，一个完整的测距周期通常在几十毫秒量级。若要提高刷新率，可以考虑优化通信调度，或使用TDoA（到达时间差）模式（需要锚点间严格同步）。
• DBSCAN滤波：对于10个点的小样本，DBSCAN的计算开销很小，在微控制器上可在毫秒内完成。
• MLP推理：一个几百个参数的量化MLP，在100MHz以上的MCU上，推理时间可以控制在1毫秒以内。

因此，整个系统的定位更新率主要受限于UWB测距周期，做到10-20Hz是相对容易的，对于大多数移动机器人、人员跟踪应用已经足够。

5.3 动态环境与模型自适应

训练好的模型是在特定环境、特定锚点布局下采集的数据上训练得到的。如果环境发生显著���化（如家具移动、人员密集度改变），或者锚点位置被挪动，模型的性能可能会下降。

• 在线微调（Online Fine-tuning）：在系统部署后，可以设计一个“校准模式”。当标签被放置到少数几个已知位置时，系统采集新的数据，并用这些新数据对预训练模型的最后几层（或全部）进行少量epoch的微调。这需要设备具备一定的在线学习能力。
• 增量学习：更高级的方案是持续收集数据（尤其是当系统置信度低或误差较大时），并将其加入训练池，定期或触发式地重新训练模型。这通常需要边缘网关或云端的支持。
• 特征工程与领域自适应：除了距离和RSSI，是否可以引入更多对环境鲁棒的特征？例如，三个距离之间的比值、RSSI的方差、历史轨迹信息等。这些特征可能比原始数据更具不变性。

6. 常见问题与实战排坑指南

在实际开发和调试UWB+ML定位系统的过程中，我踩过不少坑，也总结出一些共性问题。

6.1 硬件与数据层面

• 问题1：测距值跳动大，不稳定。

  • 排查：首先检查电源。UWB芯片对电源噪声非常敏感，务必使用LDO提供干净、稳定的电源，并在芯片电源引脚附近放置足够大小（如10uF+0.1uF）的退耦电容。其次，检查天线安装。天线周围（尤其是接地层）必须严格按照数据手册设计，避免金属物体遮挡或过近。
  • 解决：确保良好的硬件设计。进行严格的天线延迟校准。在固件中实施如DBSCAN之类的滤波算法。适当增加单次定位的测距次数（如从10次增加到15次）并取聚类后均值，以牺牲少许延迟换取稳定性。

• 问题2：在室内某些角落误差突然增大。

  • 排查：这很可能是遇到了严重的NLOS或多径叠加。观察该位置到各个锚点的RSSI值，如果某个RSSI异常低（如低于-110 dBm），而距离并不远，则很可能是信号被遮挡。
  • 解决：优化锚点部署。尽量避免锚点与常见标签活动区域之间存在直接的金属障碍物。如果无法改变环境，考虑增加锚点数量（4个或更多），利用冗余信息提高鲁棒性。双分支MLP模型在一定程度上可以缓解此问题，因为RSSI分支能感知到信号衰减。

• 问题3：模型在训练集上表现很好，但在新的测试区域误差大。

  • 排查：过拟合。检查训练数据是否足够覆盖所有类型的区域（开阔区、角落、障碍物后）。检查模型是否过于复杂（参数量远大于数据量）。
  • 解决：收集更多样化的训练数据。在数据增强方面，可以对原始距离和RSSI数据添加符合实际噪声模型的高斯噪声，生成更多样本。使用更强的正则化，如Dropout、权重衰减（L2正则化）。简化模型结构。

6.2 算法与模型层面

• 问题4：双分支MLP训练时，损失震荡或不收敛。

  • 排查：学习率可能设置过高。两个分支的输出尺度可能差异巨大，导致融合层学习困难。
  • 解决：使用更小的学习率（如1e-4）并配合学习率调度。确保对两个分支的输入特征进行了独立的标准化。这是成败的关键一步。也可以尝试在融合前，对两个分支的输出分别进行Batch Normalization。

• 问题5：实时推理时，偶尔出现非常离谱的预测值（飞点）。

  • 排查：输入特征出现了异常值（如DBSCAN滤波失败，或通信错误导致接收到非法数据）。
  • 解决：在将数据送入MLP之前，增加一道“合理性检查”。例如，检查三个距离值是否满足三角不等式（任意两边之和大于第三边）。对于预测输出，也可以根据历史轨迹进行简单的卡尔曼滤波或低通滤波，平滑掉不可能的突变。

• 问题6：如何评估模型在实际场景中的表现？

  • 方法：除了在固定网格点上采集测试集，更重要的是进行动态轨迹测试。让标签沿一条已知的路径（如直线、正方形、八字形）匀速运动，连续记录系统的预测轨迹和真实轨迹（可用高精度运动捕捉系统或激光跟踪仪获得）。计算整个轨迹的均方根误差（RMSE）和最大误差。绘制轨迹对比图，能直观看出误差发生在哪里（是系统性偏移，还是在转弯处发散）。

通过这套从硬件底层到算法上层，再到工程实践的完整拆解，我们可以看到，实现一个高精度的UWB室内定位系统，是一个典型的“硬件-算法-软件”协同优化的工程。双分支MLP的提出，为我们提供了一种优雅且有效的思路，来处理多源异构传感器数据。它告诉我们，在物联网和边缘智能的场景下，算法的设计不仅要看精度指标，更要考虑数据的物理意义、模型的效率以及最终在嵌入式设备上的可部署性。这个案例的成功，正是这种工程化思维与机器学习理论结合的良好示范。