上篇讲了力/力矩传感器——机器人"触觉"的实现方案，从应变片原理到六维力传感器解耦，再到力控策略和ROS2集成。今天从室内转到室外，讲GPS和RTK定位原理——这是室外移动机器人（无人车、农业机器人、物流AGV）实现精确定位的核心技术。

面试时候被问"室外机器人怎么定位"，很多人会说"用GPS"。但面试官想听的是更工程化的内容：GPS定位精度到底是多少？RTK是怎么把精度从米级提升到厘米级的？NMEA协议怎么解析？在ROS2中怎么集成GPS模块？GPS信号丢失了怎么办？

GPS定位原理

GPS（Global Positioning System）的基本原理是"距离交会"。每颗GPS卫星不断广播自己的位置和时间信息，接收器通过测量信号传播时间计算出到每颗卫星的距离，然后用三球交会确定自己的三维位置。

关键公式很简单：距离 = 光速 × 传播时间。但实际中，传播时间的测量受到很多因素影响——卫星钟差、接收器钟差、电离层延迟、对流层延迟、多径效应。这些误差叠加在一起，导致标准GPS的定位精度只有3-10米。

import numpy as np

def gps_pseudorange_position(satellite_positions, pseudoranges):
    """GPS伪距定位（最小二乘法）
    satellite_positions: Nx3数组，每颗卫星的ECEF坐标
    pseudoranges: N维向量，到每颗卫星的伪距
    至少需要4颗卫星（3个位置未知数+1个钟差未知数）
    """
    n_sats = len(pseudoranges)
    if n_sats < 4:
        raise ValueError("至少需要4颗卫星")
    
    # 初始估计（地球中心）
    x = np.array([0.0, 0.0, 0.0, 0.0])  # [x, y, z, dt]
    
    for iteration in range(10):
        H = np.zeros((n_sats, 4))  # 设计矩阵
        residual = np.zeros(n_sats)
        
        for i in range(n_sats):
            dx = satellite_positions[i] - x[:3]
            geometric_range = np.linalg.norm(dx)
            predicted_range = geometric_range + x[3]  # 加上钟差
            
            residual[i] = pseudoranges[i] - predicted_range
            
            # 几何距离对位置的偏导数
            H[i, :3] = -dx / geometric_range
            H[i, 3] = 1.0  # 对钟差的偏导
        
        # 最小二乘更新
        delta_x = np.linalg.lstsq(H, residual, rcond=None)[0]
        x += delta_x
        
        if np.linalg.norm(delta_x) < 1e-6:
            break
    
    return x[:3], x[3]  # 位置(ECEF), 钟差

标准GPS的误差来源需要了解一下。电离层延迟（2-8米）是最大的误差源，因为GPS信号穿过电离层时速度会变慢。对流层延迟（0.5-2米）次之。卫星轨道误差（1-2米）和卫星钟差（1-2米）也贡献了不少误差。多径效应（信号被建筑物反射后到达接收器）在城市环境中尤其严重，可能导致几米甚至十几米的误差。

还有一个很多人忽略的误差源：卫星几何分布。DOP（Dilution of Precision，精度衰减因子）反映了卫星几何分布对定位精度的影响。如果可见卫星都集中在天空的一侧，定位精度会很差（HDOP可能到5-10）。如果卫星均匀分布在天空各处，精度就好（HDOP接近1）。选型GPS模块时，要关注HDOP值——HDOP大于3的时候，定位结果就不可靠了。

GPS使用的坐标系是WGS84（World Geodetic System 1984），输出的位置是经纬度+海拔。但机器人系统通常用的是局部平面坐标系（比如UTM投影），所以GPS数据需要经过坐标转换才能在导航中使用。这个转换在ROS2的navsat_transform_node中已经实现了，但面试时候经常被问到原理。

实际选型GPS模块时，除了关注定位精度，还要看更新频率（5Hz/10Hz/20Hz）、冷启动时间、天线增益这些参数。农业机器人一般用5Hz就够了，但无人配送车至少需要10Hz才能保证高速运动时的定位平滑度。天线安装位置也有讲究——天线正上方不能有金属遮挡，否则会影响卫星信号接收。工程上通常会把GPS天线装在机器人最高点，并且使用有源天线来增强信号接收能力。

这就是为什么标准GPS对机器人来说不够用。一辆自动驾驶车如果定位精度只有5米，它根本不知道自己在哪条车道上。

RTK基站部署实践

RTK系统由基准站（Base Station）和流动站（Rover）组成。基准站固定在已知坐标的点上，接收GPS信号后计算误差修正量，通过无线电或网络发送给流动站。流动站用这些修正量来校正自己的定位结果，从而实现厘米级精度。

基准站的选址很重要。基准站天线要架设在开阔位置，上方无遮挡，远离反射面（建筑物、水面）。基准站的坐标精度直接影响流动站的精度，所以基准站坐标要通过长时间静态观测或者已知控制点来确定。

通信链路方面，基准站和流动站之间需要实时传输修正数据。短距离（几公里内）可以用UHF电台，延迟低、稳定。长距离可以用4G/5G网络，通过NTRIP协议传输修正数据。但网络延迟不稳定时，RTK初始化时间会变长，甚至无法维持固定解。实际项目中，建议用有线网络或者专用数传电台，比公网更可靠。

面试中怎么聊

面试官问GPS/RTK定位，按这个顺序回答：先说GPS基本原理（距离交会）和误差来源（电离层、对流层、多径），再说RTK差分定位的原理（基准站校正+载波相位模糊度解算），然后说NMEA协议解析和ROS2集成，最后说GPS信号丢失的应对策略。

如果面试官追问"RTK的固定解和浮点解有什么区别"，你可以说：载波相位模糊度是整数，如果能正确解算出这个整数（固定解），定位精度就是厘米级。如果解算不出来，只能用浮点数近似（浮点解），精度下降到分米级。固定解需要至少连续跟踪几秒的信号，如果信号被遮挡导致卫星数不够，就会退化到浮点解甚至失去定位。

如果面试官追问"GPS坐标怎么转换到机器人局部坐标系"，你可以说：GPS输出的是WGS84经纬度，需要投影到平面坐标系。常用的是UTM投影（Universal Transverse Mercator），把经纬度转换成米为单位的平面坐标。在ROS2中，robot_localization包的navsat_transform_node可以自动完成这个转换——它接收NavSatFix消息，输出UTM坐标系下的里程计。

如果面试官追问"有没有比RTK更好的方案"，你可以说：RTK在开阔环境下精度最高（厘米级），但在城市环境中因为多径和信号遮挡，表现会下降。这时候可以考虑RTK+视觉定位融合——用视觉SLAM在GPS信号好的区域建图，在GPS信号差的区域用视觉定位。这种方案在无人配送车领域用得越来越多。另外，PPP（Precise Point Positioning）技术也在发展，它不需要基准站，通过卫星播发的精密星历和钟差产品实现分米级定位，适合大范围作业的场景。

补充一个RTK调试的实用建议：在正式部署之前，先用RTK的原始数据做离线精度评估。记录一天的定位数据，和已知坐标的参考点对比，计算水平和垂直精度的统计值。很多厂家标称的精度是在理想条件下的，实际在你的使用环境中可能差不少。提前做离线评估能帮你判断RTK方案是否满足需求，避免上线后才发现精度不够。

下一篇讲超声波与红外传感器——近距离避障的低成本方案。GPS解决的是"我在哪"的问题，超声波和红外解决的是"前面有没有障碍物"的问题。

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第161篇 力/力矩传感器——机器人"触觉"的实现方案 下一篇预告：第163篇 超声波与红外传感器——近距离避障的低成本方案

有任何问题欢迎评论区留言，我会尽量回复。