在室外，我们早已习惯依赖GPS导航——打开手机，卫星信号便告诉我们身处何方。可一旦走进室内，从商场到地下车库，从工厂车间到医院走廊，这个全球定位系统就“失联”了。卫星信号被建筑遮挡，精度急剧下降。对于需要在室内工作的机器人而言，这一空白长期悬而未决。

你见过AGV小车在仓库里“迷路”吗？见过扫地机器人转了半天找不到充电桩吗？这些场景的背后，其实是一个共同的难题——室内定位。

今天，我们就来聊聊这项被称为“室内GPS”的技术，以及它如何让机器人在室内也能时刻知道自己“在哪里”。

一、室内定位，为什么这么难？

室外定位有GPS和北斗，几十颗卫星在天上随时待命。可室内环境完全不同——墙壁遮挡信号、金属货架产生反射、人流不断变化……传统定位技术在这里要么失效，要么精度大打折扣。

目前主流的室内定位技术各有短板：

WiFi和蓝牙定位精度在3到10米，信号稍受干扰位置就飘了。UWB超宽带稍好一些，能做到10到30厘米，但机器人自动充电时，充电电极触点只有几毫米宽，差一点就插不上。激光雷达SLAM精度不错，局部能达到2到5厘米，但一台激光雷达动辄上万，而且存在累积误差——机器人跑得越久，“漂”得越远。

有没有一种技术，既便宜、又精准、还不怕漂移？

答案是肯定的。

二、把GPS“搬”进室内

室外GPS的工作原理，是通过接收多颗卫星的信号，解算出接收器的三维坐标。RoomAPS将这一原理完整移植到了室内——卫星变成了部署在天花板上的微型基站，机器人顶部的接收模块则扮演了GPS接收器的角色。

具体怎么工作？当机器人向上发射一束940nm的不可见红外光脉冲时，天花板上的多个基站同时被触发，随即向下发射超声波脉冲。接收模块测量从发出光信号到收到各基站超声波的时间差，再结合温湿度补偿后的声速，计算出到每个基站的距离。

当同时锁定三个及以上基站时，系统通过空间几何解算，就能确定接收模块的精确三维坐标。这个过程每秒重复10到20次，形成连续的高频位置数据流。

关键是，每次解算都是独立进行的，误差不随时间累积——这就是GPS式绝对定位的核心优势。

三、毫米级精度意味着什么？

这套系统能做到多准？

在基站部署合理的条件下，定位误差稳定控制在±4毫米以内；在科学严谨的安装环境下，甚至可以达到±1到±2毫米。4毫米是什么概念？大约是一枚一元硬币的厚度。

对比一下就清楚了：

• WiFi/蓝牙：3~10米，差了上千倍
• UWB超宽带：10~30厘米，差了一个数量级
• 激光SLAM：2~5厘米，虽然接近但存在漂移
• RoomAPS：±4毫米，而且是绝对坐标，永不漂移

这意味着什么？意味着AGV小车在仓库里穿梭数小时后，仍然能精准停靠在毫米级误差的充电桩前；意味着机器人对接货架时，一次就能成功，不需要反复调整。

四、像装灯泡一样简单

听到这里，你可能会想：精度这么高，安装一定很复杂吧？

恰恰相反。RoomAPS的定位基站直径只有115毫米，高60毫米，如同一个小巧的吸顶灯。安装方式有三种——筒灯式、抱箍式、卡座式，适应不同的天花板环境。

更厉害的是基站坐标自动标注功能：安装完基站后，你只需要带着一个定位终端在场地里平稳走两圈，系统就自动完成所有基站坐标的采集和标注。免去人工测量的繁琐，省时省力还不会出错。

一套基站网络，可以同时为区域内的所有机器人提供定位服务。就像安装一盏公用电灯，能让所有机器人都丢掉手里那支昂贵的手电筒。

五、不只“在哪里”，还知道“多高”“朝哪”

RoomAPS输出的不只是平面坐标（X、Y），还同时输出高度坐标（Z）。这意味着它可以用于大型吊装定位、室内无人机飞行控制等需要三维空间感知的场景。

如果你在机器人车头和车尾各装一个定位终端，通过计算两个坐标点的连线，还能获得精确的方位角度——在电磁干扰严重的环境中，这比地磁传感器可靠得多。

此外，系统输出的定位数据中还包含当前定位基站的编号——在多层建筑中，上位机可以据此判断机器人当前位于哪一层楼。

六、经济账：几百元 vs 上万元

最后一个不得不提的优势——成本。

一台3D激光扫描雷达动辄上万元。而RoomAPS的定位终端定价在几百元级别。基站网络可被区域内所有机器人共享，摊薄到每台设备上的成本更低。

用几百元的成本实现毫米级定位——这在行业里是颠覆性的。

写在最后

从WiFi到蓝牙，从UWB到激光SLAM，室内定位技术走过了漫长的探索之路。而RoomAPS给出的答案是：把GPS的原理搬进室内，用光同步超声波实现毫米级绝对定位。

这不是实验室里的概念——它已经在工业物流、商业服务、公共安全、家庭生活等多个场景中落地应用。AGV小车、服务机器人、安防巡逻机器人、室内无人机……凡是需要在室内“找准自己”的移动设备，都可以成为这套“室内GPS”的用户。

让每一台机器人在室内都能像在室外一样，时刻知道自己在哪里——这就是RoomAPS正在做的事。