超宽带技术是一种利用纳秒甚至亚纳秒级的极窄脉冲进行无线通信的无线电技术。与传统的连续载波通信系统不同，超宽带技术通过发送和接收极其短暂的脉冲信号来传递信息。这一根本性的差异赋予其一系列独特优势，其中最引人注目的便是厘米级的空间感知与定位能力。实现如此高精度的空间感知并非单一技术的功劳，而是其物理特性、信号处理算法以及系统架构深度整合的结果。从信号层面看，超宽带技术所采用的极窄脉冲在时域上非常短暂，通常在纳秒量级，这直接导致其在频域上具有极宽的频谱。这种宽频谱特性带来了多重好处。首先，极宽的带宽意味着极高的时间分辨率。根据信号理论，时间分辨率与信号带宽成反比关系。超宽带信号高达数百兆赫兹乃至数吉赫兹的带宽，使其能够精确区分在时间轴上相距极近的多径信号分量。这种能力是传统窄带系统所不具备的，后者在密集多径环境中，多个反射信号容易相互叠加，难以分辨，导致定位模糊。而超宽带信号可以解析出直达路径与各个反射路径之间的细微时间差，为精准测距奠定了物理基础。其次，宽频谱信号具有极强的穿透能力和抗干扰性。其功率谱密度极低，能够很好地隐藏在环境噪声地板之下，对现有窄带系统的干扰微乎其微，同时自身也不易受到窄带干扰的影响。这使得超宽带系统能在复杂的工业环境或室内场景中稳定工作。
实现厘米级精度的核心在于精确测量无线电波在两个设备之间的飞行时间。超宽带系统主要采用两种测距方法：双向测距和到达时间差定位。双向测距是一种在两个设备之间直接测量信号往返时间的方法。设备A向设备B发送一个带有精确时间戳的测距脉冲，设备B在收到后，经过一个固定的、已知的短延时后，向设备A回复一个确认脉冲。设备A通过记录发送和接收的时间差，扣除设备B的处理延时，即可计算出信号在空中的单程飞行时间，再乘以光速就得到了两者之间的距离。这种方法无需设备间严格的时间同步，但对硬件的时间戳记录精度要求极高。超宽带接收机需要具备亚纳秒级的时间鉴别能力，才能实现厘米级的测距精度。另一种广泛用于定位的系统是到达时间差定位，它通常需要部署多个已知位置的固定基站。待定位的标签同时向所有基站发射信号，各基站根据接收到信号的精确时间戳，计算信号到达不同基站的时间差。每个时间差对应一条双曲线，多条双曲线的交点即为标签的位置。这种方法要求所有基站之间保持极高精度的时间同步，通常通过有线连接或高精度无线时钟同步协议实现。然而，仅仅测量飞行时间是不够的，实际环境中的多径传播和非视距传播是精度的主要杀手。多径传播是指信号除直达路径外，还经过墙壁、家具等物体的反射和散射，形成多个不同路径和延时的副本同时到达接收机。在窄带系统中，这些多径信号会导致信号衰落和相位失真。但在超宽带系统中，凭借极高的时间分辨率，接收机可以通过先进的信号处理算法，如相关接收或阈值检测，从一堆叠加的信号中准确地识别出第一个到达的、通常是沿着最短路径（即视距路径）传播的信号峰值。准确捕获这个“首达路径”是获得真实距离的关键。现代超宽带芯片集成了复杂的数字信号处理单元，采用如“首径检测”算法和“到达时间估计”算法，即使在有轻微非视距遮挡的环境中，也能最大程度地逼近真实距离。
非视距传播则是更严峻的挑战，当收发设备之间被人体或厚墙完全阻隔，不存在直接的电磁波路径时，信号只能通过衍射或穿透方式传播，其路径长度将大于真实的几何距离。此时，简单依赖“首达路径”的测量结果会产生正偏差。为了缓解非视距误差的影响，系统层面会采用多种策略。一种策略是数据融合与滤波，例如结合惯性测量单元数据，利用行人航位推算来辅助和校准无线定位结果，当超宽带测距值发生突变（可能由非视距引起）时，可以依赖惯性数据维持短时轨迹的连续性，再通过卡尔曼滤波等算法进行最优估计。另一种策略是环境感知与学习，系统可以通过预先测量或在运行中学习特定环境下的信号传播特性，建立误差模型，对测量结果进行补偿。此外，在定位网络中增加基础设施（基站）的密度，从多个方向对标签进行几何约束，也能有效降低单个非视距链路对整体定位精度的影响。
天线设计也是影响最终精度的重要因素。超宽带天线需要能够在极宽的频带内保持一致的辐射特性。天线的相位中心稳定性至关重要。相位中心是天线上电磁波辐射的等效原点，理想情况下它应该是一个固定的点。如果天线的相位中心随着频率变化而移动，那么在测量信号到达时间时就会引入额外的误差。因此，专门设计的、具有稳定相位中心的超宽带天线是实现高精度测距的硬件保障。同时，天线的方向性也会影响系统性能，全向天线更适合标签使用，而定向天线则可能用于特定方向的精度增强或干扰抑制。
在系统架构层面，为实现高精度空间感知，超宽带网络需要精心设计。时钟同步误差是限制到达时间差定位精度的主要因素之一。基站间的时钟偏差会直接转化为距离测量误差。因此，在部署固定基站时，通常采用有线网络（如以太网）进行高精度时钟分发，或者使用无线空口同步协议，确保所有基站的时钟参考保持一致。网络部署的几何构型同样关键。基站在空间中的分布需要避免所谓的“几何精度因子”过大的情况，例如当所有基站近似位于一条直线上时，垂直于该直线方向的位置解算误差会急剧增大。良好的基站布局应使标签能被多个基站从不同角度“看见”，形成良好的几何构型，从而将测距误差最小化地转化为定位误差。此外，上层应用算法对原始测量数据的处理与融合，是将物理层的高精度测距转化为稳定、可靠的空间感知的最后一步。这通常涉及复杂的估计算法，如扩展卡尔曼滤波器、粒子滤波器或最小二乘估计等。这些算法能够融合历史轨迹信息、运动模型以及多个基站的冗余测量值，实时估算出标签的最优位置和速度状态。它们不仅能平滑测量噪声，还能在一定程度上识别和抑制由非视距等因素引起的异常测量值，输出平滑、连续且可靠的位置轨迹。
