NOVA 中文逐节精读

论文题目： NOVA: Navigation Optimization via UWB-Assisted Iterative Path Planning for UAV Delivery

作者： Dokyun Ryoo, Yongjae Yoo, Jeongyeup Paek, Saewoong Bahk

会议： IEEE INFOCOM 2026

DOI： 10.1109/INFOCOM59046.2026.11571424

阅读说明

这份文档按照原论文的章节顺序，逐节整理中文解释、关键句翻译、公式含义和实验数字。它的目标是覆盖全文，方便你对着英文原文阅读，并准备导师追问。

说明：这里采用“逐节精读 + 关键句翻译”的方式，不逐字复制原文；参考文献、图表编号和公式编号保持与原文一致，方便对照。

0. 先用一句话理解全文

NOVA 让无人机在末端配送时充当“移动的 UWB 锚点”：它不依赖多个固定基站，而是通过主动飞行制造不同的观测角度，在飞行过程中同时估计无人机自身位置和地面 UWB 标签位置，最后通过两段式下降完成高精度定位和降落。

它主要解决三个问题：

翻转歧义：单个距离不能判断目标在轨迹的哪一侧；
复合误差：无人机自身定位误差会污染标签估计，并形成反馈回路；
高空水平不敏感：高度差越大，UWB 噪声越容易被放大到水平方向。

1. 摘要逐句理解

1.1 背景

论文指出，新兴的无人机配送面临“最后一米”问题。包裹交接和精准降落需要高精度定位，但 GPS 在城市、遮挡和复杂环境下精度不够。

可以理解为：

无人机能飞到附近，但未必能准确落在目标点上。

1.2 UWB 的作用

UWB 具有高精度测距能力。如果把它和 IMU 的航位推算结合起来，可以改善无人机导航，让无人机更准确地到达目标。

这里的关系是：

UWB：提供高精度距离，但只给距离，不给方向；
IMU：提供连续的加速度和角速度，短时间平滑，但会漂移；
两者结合：用 UWB 抑制 IMU 的长期漂移。

1.3 三个挑战

论文明确列出三个困难：

Flip ambiguity，翻转歧义；
IMU drift，IMU 漂移；
Horizontal insensitivity，高空飞行导致的水平定位不敏感。

1.4 NOVA 的方案

NOVA 是一种“UWB 辅助的迭代路径规划导航优化方案”。它的核心是：

无人机沿着一条能够缓解翻转歧义的轨迹飞行；
用迭代联合优化，同时估计 UWB 标签位置和修正无人机轨迹；
接近标签后，在下降过程中做小幅二维修正动作，保证最后一米精度。

1.5 论文报告的结果

论文通过真实实验和仿真验证 NOVA，报告：

平均导航误差约 0.83 m；
轨迹额外开销约 25.45%。

2. 引言

2.1 无人机配送为什么重要

论文一开始给出市场背景：全球无人机包裹配送市场预计从 2024 年的约 6.93 亿美元增长到 2030 年的约 46.7 亿美元，年复合增长率约 37.4%。

驱动因素包括：

空中运输可以绕过地面交通拥堵；
可以服务偏远地区或灾害地区；
可以提升末端配送效率。

2.2 最后一米为什么难

论文指出，可靠的最后一米交付通常要求定位误差不超过约 1.5 m。

但现有方案各有问题：

方案	主要问题
把包裹扔在目标附近	精度不够，不能完成精确交接
纯 RF 定位	易受多径和环境影响
GPS 定位	复杂环境下误差大
声学着陆系统	需要额外基础设施
专用停机坪	部署成本高
视觉标记	需要预先布置，受光照和遮挡影响
视觉/SLAM	计算量大，涉及隐私问题

所以论文的目标是：

在不依赖外部着陆设施、不需要人工干预的前提下，实现高精度、基础设施自由的末端定位。

2.3 单移动锚点的想法

论文选择 UWB 作为核心测距手段。传统 UWB 定位通常需要多个固定锚点，但论文提出一种“无人机驱动”的方案：

地面只放一个 UWB 标签；
无人机在不同位置测量距离；
无人机移动后，相当于变成了多个“虚拟锚点”；
通过连续测距逐步估计标签位置。

2.4 三个技术挑战

挑战一：翻转歧义

距离测量具有对称性，无人机可能无法判断自己应该从哪一侧接近标签。

解决它需要改变轨迹，增加观测角度；但轨迹变化越多，飞行距离、时间和能耗也越大。因此存在“精度与效率”的权衡。

挑战二：复合误差

无人机既要估计自己，又要估计标签。它既是导航者，也是移动锚点。

于是形成两个相互依赖的问题：

无人机需要在三维空间中定位自己；
无人机用这个定位结果去估计 UWB 标签。

如果无人机自身定位有误差，标签估计就会被污染；错误的标签估计又会引导无人机飞错方向，形成误差放大回路。

挑战三：高空水平不敏感

无人机在高空飞行时，三维距离主要由垂直高度差贡献。水平方向的变化对距离影响变小，导致无人机移动对水平定位的帮助下降。

这会让最后一米的高精度定位变得困难。

2.5 NOVA 的方法概述

论文提出：

用 DOP-based trajectory planning 优化航点；
航点代价由 DOP 和归一化距离加权组成；
通过轨迹变化减少翻转歧义；
用 joint optimization 同时修正无人机轨迹和标签估计；
用 reliability-based EMA filter 修正轨迹；
用 gradient descent-based multilateration 改进标签位置；
接近标签后进行下降和二维修正；
在下降过程中继续精化无人机和标签的相对位置。

2.6 论文贡献

论文列出三项贡献：

识别无人机单标签 UWB 定位中的关键挑战，包括翻转歧义、定位歧义和水平定位敏感性问题；
提出 NOVA，通过迭代路径规划和 UWB 辅助定位解决上述挑战；
实现 NOVA，并用真实实验和仿真证明它同时改善了定位精度和轨迹效率。

2.7 论文结构

第 II 节：相关工作；
第 III 节：问题动机和建模；
第 IV 节：NOVA 方法；
第 V 节：实验评估；
第 VI 节：结论。

3. 相关工作

3.1 无人机定位

GNSS 方案

GNSS/GPS 是传统主流方案，在开阔环境下可以提供米级精度，但在复杂环境中会受遮挡和多径影响。

改进方案包括：

DGPS：差分 GPS；
RTK：实时动态差分，理想条件下可达厘米级；
GPS mirror：利用反射信号等辅助。

问题是：这些方案通常依赖固定基础设施和预先建图，扩展性有限。

视觉方案

SLAM、VO、VIO 等视觉方法在结构化环境中表现较好，但：

对光照、遮挡敏感；
涉及隐私问题；
计算需求较高。

RF 方案

BLE、Wi-Fi、毫米波等可以实现亚米级精度，但：

多径影响明显；
需要密集基础设施。

非视觉融合方案

LiDAR、超声波、气压计等可以降低 IMU 漂移，但硬件或计算成本较高。

UWB 定位

UWB 适合无人机，因为：

精度高；
延迟低；
对多径有一定鲁棒性。

传统 UWB 多锚点系统需要：

多个固定节点；
时钟同步；
标定；
基础设施。

为了解决这些问题，论文回顾了几类相关工作：

单锚点 UWB：无人机结合 UWB 测距和已知固定锚点位置；
VIO + UWB：仍然依赖视觉；
平面运动 UWB 跟踪：假设运动在平面内；
紧耦合 IMU-UWB：减少漂移，但假设平面运动或初始条件较好；
无锚点相对定位：无人机之间用 UWB-IMU 互相估计位置，但通常需要丰富运动、离线训练，或者缺少真实无人机验证。

论文强调 NOVA 的差异：

不需要固定基础设施，显式处理漂移、垂直可观测性和差初始化问题，并进行真实无人机实验。

3.2 无人机最后一米配送系统

最后一米配送面临：

复杂环境；
遮挡；
城市中 GNSS 信号不可靠。

现有方法包括：

GPS + 视觉标记，例如 WhyCon；
固定物理图案识别；
语义视觉和 SLAM，识别门、院子等着陆区域；
学习方法，在复杂三维空间中寻找着陆点。

它们的问题是：

需要预置标记或基础设施；
受遮挡、光照和视觉复杂度影响；
学习方法需要大量数据和高计算；
最终都依赖视觉线索。

NOVA 的差异是：

使用 UWB 和惯性数据，不依赖视觉线索，目标是基础设施自由、鲁棒的真实场景定位。

4. 问题建模

4.1 单 UWB 标签定位与导航模型

场景

地面目标处放置一个静止的 UWB 标签。无人机先在 GPS 引导下接近目标，检测到可靠 UWB 信号后，切换到 INS + UWB 精定位。

问题由两个紧耦合部分组成：

无人机用机载传感器估计自己在三维空间中的位置；
无人机用 UWB 距离测量推断标签位置。

无人机自身位置

无人机的水平速度来自 IMU 积分，垂直高度来自气压计：

\[ \mathbf{p}_{\mathrm{INS}}(t) = \left( \int v_x(t)\,dt,\ \int v_y(t)\,dt,\ h_{\mathrm{barometer}}(t) \right) \]

含义：

IMU 提供水平速度；
气压计提供高度；
这个位置是“估计值”，会有漂移。

UWB 距离模型

无人机和标签之间的真实三维距离满足：

\[ \left\|\mathbf{p}_{\mathrm{UAV}}(t)-\mathbf{p}_{\mathrm{tag}}\right\|_2 = D_{3D}(t) \]

实际 UWB 测量值加入噪声后为：

\[ D_{\mathrm{UWB}}(t) = D_{3D}(t)+\varepsilon_d \]

含义：

UWB 只给出一个含噪声的距离；
距离没有方向信息；
一个距离只能把标签限制在一个球面上。

多边定位

无人机在多个不同位置测量距离后，可以用多边定位估计标签位置：

\[ \hat{\mathbf{p}}_{\mathrm{tag}} = \arg\min_{\mathbf{p}} \sum_t \left( \left\|\mathbf{p}-\mathbf{p}_{\mathrm{INS}}(t)\right\|_2 - D_{\mathrm{UWB}}(t) \right)^2 \]

随着测量增加，标签估计会逐步收敛。

4.2 翻转歧义

单锚点 UWB 系统只有一个标量距离。这个距离把无人机放在以标签为中心的球面上。

如果无人机沿直线飞行，多个测距球面的交线可能形成一个圆环，很多候选位置都满足同样的距离约束。

论文用真实飞行数据展示了三种情况：

轨迹	结果
30 m 直线飞行	形成圆形歧义区域
加入约 ±5 m 横向摆动	歧义减少，但垂直方向仍不确定
再加入 5 m 下降	歧义基本消除

核心矛盾是：

轨迹变化越多，定位越准；但飞行距离和时间也越大。

4.3 复合误差

IMU 的加速度和角速度积分会累积误差，导致 INS 长时间漂移。

更严重的是，无人机同时承担两个角色：

它是被定位的对象；
它又是定位标签的参考锚点。

误差传播路径是：

无人机自身位置误差
→ 标签位置估计错误
→ 无人机导航方向错误
→ 后续测距参考位置更差
→ 标签估计进一步恶化

论文用三组仿真说明这个问题：

情况	配置	误差
Case 1	真实无人机位置 + 真实距离	约 \(1.59\times10^{-9}\) m
Case 2	INS 位置 + UWB 距离，只做定位	2.40 m
Case 3	INS 位置 + UWB 距离，同时做定位和导航	5.41 m

结论：

IMU 漂移不仅影响无人机自身定位，也会污染标签估计；如果无人机再根据错误估计去导航，误差会进一步放大。

4.4 水平定位误差传播

把三维距离分解为水平距离和高度差：

\[ D_{3D}^{2} = D_{2D}^{2} + \Delta H^{2} \]

其中：

\(D_{3D}\)：三维距离；
\(D_{2D}\)：水平距离；
\(\Delta H\)：高度差。

对 \(D_{3D}\) 求导可得：

\[ \frac{dD_{2D}}{dD_{3D}} = \frac{D_{3D}}{D_{2D}} = \frac{\sqrt{D_{2D}^{2}+\Delta H^{2}}}{D_{2D}} \]

当 UWB 存在小扰动 \(\varepsilon_d\) 时，水平误差近似为：

\[ \Delta D_{2D} \approx \frac{\sqrt{D_{2D}^{2}+\Delta H^{2}}}{D_{2D}} \varepsilon_d \]

物理含义：

当 \(\Delta H\) 很大、\(D_{2D}\) 很小时，放大系数变大；
高空接近目标时，水平定位会越来越不可靠；
无人机必须通过下降改变几何条件。

论文假设系统级测距误差为 0.28 m，并给出：

要达到 1 m 水平精度，\(D_{2D}/D_{3D}\) 至少约 0.28；
要达到 1.5 m 水平精度，该比例至少约 0.186；
在 30 m 高度下，对应最小水平距离约为 8.75 m 和 5.68 m。

这说明高空 UWB 定位存在根本限制。

5. NOVA 方法

NOVA 分为三个阶段：

Initial Phase：初始探索；
Mid-Flight Phase：DOP 轨迹规划和联合优化；
Final Phase：两段式下降。

可以用下图理解：

初始探索
  ↓
粗标签估计
  ↓
DOP 规划下一航点  ←────────────┐
  ↓                            │
到达航点，采集 UWB/INS         │
  ↓                            │
联合优化：修正轨迹和标签位置    │
  ↓                            │
是否足够接近标签？ ──否────────┘
  │
  是
  ↓
两段式下降
  ↓
最终定位与交付

5.1 初始阶段

单纯平面飞行缺少 z 轴变化，会导致高度估计差，进而影响整体定位。

因此无人机先做一次探索飞行：

先垂直下降 \(z_{\mathrm{init}}\)；
再沿与估计标签方向正交的方向水平飞行 \(D_{\mathrm{init}}\)；
采集 IMU、气压计和 UWB 数据；
用多边定位得到粗略标签位置。

为什么正交飞行？

论文用 Fisher Information Matrix 解释：当两次观测方向与目标方向夹角为 \(\alpha\) 时，FIM 的行列式与 \(\sin^2\alpha\) 成正比。\(\alpha=90^\circ\) 时信息量最大。

真实标签位置未知，所以用“估计方向的正交方向”作为近似。

5.2 中段飞行：DOP 轨迹规划

无人机在每个迭代中构造一组候选航点 \(S\)，这些点均匀分布在以当前位置为中心、半径为

\[ d=\frac{1}{2}\left\|\mathbf{p}_{\mathrm{curr}}^{xy}-\hat{\mathbf{p}}_{\mathrm{tag}}^{xy}\right\| \]

的圆周上。

每个候选航点的代价为：

\[ L(\mathbf{p}) = \lambda \frac{\left\|\mathbf{p}-\hat{\mathbf{p}}_{\mathrm{tag}}\right\|} {\left\|\mathbf{p}_{\mathrm{curr}}-\hat{\mathbf{p}}_{\mathrm{tag}}\right\|} + (1-\lambda) \mathrm{HDOP}(\mathbf{P}_{\mathrm{UAV}}\cup\{\mathbf{p}\}) \]

解释：

第一项：归一化飞行代价，希望不要绕太远；
第二项：加入候选点后的 HDOP，希望几何观测质量更好；
\(\lambda\in[0,1]\) 控制两者权重；
论文中 \(\lambda=0.7\)，略偏向效率。

选择代价最小的候选点作为下一航点，飞过去后采集新的 UWB 和 INS 数据。

5.3 中段飞行：联合优化

联合优化的目标是同时修正：

无人机轨迹 \(\hat{\mathbf{p}}_{\mathrm{UAV}}(\cdot)\)；
标签位置 \(\hat{\mathbf{p}}_{\mathrm{tag}}\)。

代价函数为：

\[ J = \sum_t \left[ \left\|\hat{\mathbf{p}}_{\mathrm{UAV}}(t)-\mathbf{p}_{\mathrm{INS}}(t)\right\|_2^2 + \alpha \left( \left\|\hat{\mathbf{p}}_{\mathrm{UAV}}(t)-\hat{\mathbf{p}}_{\mathrm{tag}}\right\|_2 - D_{\mathrm{UWB}}(t) \right)^2 \right] \]

两项含义：

INS 一致性：修正后的轨迹不要偏离 INS 估计太远；
UWB 距离匹配：修正后的轨迹到标签估计位置的距离，应接近 UWB 测量距离。

直接求解非凸的 \(J\) 很困难，所以论文采用交替优化。

无人机轨迹修正

给定当前标签估计，先修正无人机轨迹。由于单锚点 UWB 在径向信息强、切向信息弱，论文使用可靠性 EMA 滤波：

\[ \mathbf{v}_{\mathrm{LPF}}(t) = \beta_t\mathbf{v}_{\mathrm{INS}}(t) + (1-\beta_t)\mathbf{v}_{\mathrm{LPF}}(t-1) \]

其中 UWB 径向速度为：

\[ \mathbf{v}_{\mathrm{UWB}}(t) = \frac{D_{\mathrm{UWB}}(t)-D_{\mathrm{UWB}}(t-1)}{\Delta t} \]

可靠性分数为：

\[ \rho_t = \exp\left( - \frac{\left|\mathbf{v}_{\mathrm{UWB}}(t)-\mathbf{v}_{\mathrm{INS}}(t)\cdot\mathbf{u}(t)\right|} {\delta} \right) \]

权重 \(\beta_t\) 的设计思想是：

INS 与 UWB 径向速度一致：更相信 INS；
两者不一致：降低 INS 权重，利用 UWB 抑制漂移；
UWB 数据缺失：使用备用权重 \(\beta_{\mathrm{raw}}\)。

参数 \(\delta_j,\beta_{\mathrm{base},j},\beta_{\mathrm{raw},j}\) 按轨迹段用贝叶斯优化调整。目标不是拟合真实标签，而是让修正轨迹与分段端点之间的名义参考路径保持一致。

标签位置估计

修正无人机轨迹后，再估计标签位置：

\[ \hat{\mathbf{p}}_{\mathrm{UWB}} = \arg\min_{\mathbf{p}} \sum_j \frac{1}{L_j} \sum_{t\in T_j} \left( \left\|\mathbf{p}-\hat{\mathbf{p}}_{\mathrm{UAV}}(t)\right\|_2 - D_{3D}(t) \right)^2 \]

其中 \(L_j\) 是第 \(j\) 段二维路径长度。这样做的原因是：直线运动中的冗余测量会放大噪声，按路径长度归一化可以降低这种影响。

论文使用 ADAM 优化这个非凸残差，并加入速度裁剪保证稳定收敛。

当标签估计变化小于阈值 \(\epsilon\) 时，认为收敛。如果水平距离小于 \(D_{2D}^{\mathrm{thr}}\)，就进入最终阶段；否则继续回到 DOP 规划。

5.4 最终阶段：两段式下降

高空时，三维到二维的误差放大仍然存在。因此无人机进行两次下降，每次利用不同高度的测距估计水平距离。

第 \(i\) 次下降从高度 \(H_i\) 下降到 \(H_i+\Delta H\)，记录两个三维距离：

\[ \left(D_{3D}^{(i,1)}\right)^2 = \left(D_{2D}^{(i)}\right)^2+H_i^2 \]

\[ \left(D_{3D}^{(i,2)}\right)^2 = \left(D_{2D}^{(i)}\right)^2+(H_i+\Delta H)^2 \]

由此可以解出：

\[ H_i = \frac{\left(D_{3D}^{(i,2)}\right)^2-\left(D_{3D}^{(i,1)}\right)^2-(\Delta H)^2} {2\Delta H} \]

\[ D_{2D}^{(i)} = \sqrt{\left(D_{3D}^{(i,1)}\right)^2-H_i^2} \]

为了提高抗噪能力，每次下降被分成三个垂直段，用首段和末段的 UWB 读数平均来估计两个距离。

第一次下降后，无人机再做一次与估计标签方向正交的横向移动，然后进行第二次下降。两次水平距离估计对应两个相交圆，会产生两个候选标签位置。系统用整段轨迹和测距历史计算残差，选择残差更小的候选点。

最后，无人机飞向这个位置完成交付。

6. 实验评估

6.1 实验设置

硬件实现

论文使用：

Argosdyne Aquila 3 无人机平台；
机载遥测系统 argosALES，用于监控航向、速度和高度；
Raspberry Pi 4；
DWM1001 UWB 标签；
DS-TWR 双边双向测距；
地面服务器进行集中式融合；
Python 定位模块执行迭代优化。

由于飞控遥测只能通过专有 GUI 访问，论文用 OCR 提取实时数据构建伪 INS。NOVA 本身对遥测接口不敏感。

真实实验场景

实验在三种户外场景进行：

停车场；
宽路；
公园。

流程：

先用商用手机 GPS 近似标签位置；
无人机在 30 m 高度接近目标；
检测到 UWB 信号后切换到 NOVA；
用 RTK-GPS 记录真实轨迹，仅用于离线验证。

仿真环境

论文还开发了 MATLAB 仿真器，模拟：

无人机动力学；
IMU 输出；
UWB 测距；
气压计高度。

每个仿真结果平均 100 次 Monte Carlo 试验。

6.2 真实世界性能

三个场景各做 5 次飞行。

初始 GPS 误差

初始 GPS 定位误差很大，尤其是高度方向，最小误差都超过 6.15 m。

结论：

仅靠 GPS 初始化无法完成最后一米精准交付。

中段飞行

中段飞行把平均垂直误差降到约 0.51 m，总定位误差降到：

公园 3.21 m；
停车场 2.85 m；
宽路 3.47 m。

仍然无法达到亚米级，因为存在几何条件和测量限制。

最终阶段

最终飞行修正把平均导航误差降到：

场景	平均导航误差
公园	0.89 m
停车场	0.81 m
宽路	0.78 m
总体	0.83 m

15 次飞行中有 12 次达到亚米级，所有误差都低于 1.6 m。

轨迹开销

轨迹额外开销指相对于理想水平加垂直飞行路径多出的距离。

停车场和宽路：额外路径少于 20%；
公园：约 42.47%。

公园开销高的原因：

UWB 通信受遮挡和环境杂波影响；
分组投递率降低；
初始 UWB 检测延迟；
固定距离的探索行为导致无人机在较近范围内飞了更大范围。

不过，这种更大的飞行范围反而改善了 DOP 和几何多样性，因此公园场景获得了最高定位精度。

6.3 仿真性能

消融实验 V1–V7

论文比较了 7 个变体，主要结果如下：

变体	配置	平均误差
V1	无定位，每 1 m 调整航向	7.32 m
V2	每 1 m 做多边定位	2.02 m
V2’	半距离步长做多边定位	2.34 m
V3	加入初始探索飞行	2.26 m
V4	加入联合优化	2.32 m
V5	加入轨迹规划	2.02 m
V6	轨迹规划 + 联合优化	1.32 m
V7 / NOVA	再加入两段式下降	0.42 m

解读：

多边定位比盲目航向调整好很多；
单独加入初始探索、联合优化或轨迹规划，提升有限；
轨迹规划和联合优化结合后效果明显；
最终下降解决高空水平不敏感问题，是达到亚米级的关键。

与基线比较

论文比较了：

SA：单锚点方法；
RP：基于 CKF 的相对定位；
RP-Error：带真实 GPS 误差的 RP。

结果大致为：

SA 最终平均误差约 2.26 m；
RP 在完美初始化下约 1.27 m；
RP-Error 在真实初始化误差下约 6.89 m；
NOVA 在更差初始条件下约 1.26 m。

结论：

NOVA 对初始化误差的鲁棒性优于传统 Kalman 类方法。

参数敏感性

论文测试了 DOP 权重 \(\lambda\)：

\(\lambda=0.7\) 时定位精度最好；
低于 0.7 提升有限；
高于 0.75 后精度提升很小，但飞行时间明显增加。

因此 \(\lambda=0.7\) 是精度和效率的折中点。

传感器噪声鲁棒性

条件	平均误差	亚米级比例
IMU 噪声加倍	0.75 m	77%
UWB 噪声增大	0.81 m	66%
两者同时变差	1.16 m	67%

结论：

UWB 质量是影响定位的主要因素；
IMU 退化的影响相对温和，但会产生长尾失败；
两者同时退化时误差明显增加。

风扰鲁棒性

论文用比典型环境风大约 1.5 倍的风扰动测试：

无风时亚米级比例约 94%；
仅有垂直风时约 82%；
水平风或水平加垂直风时约 52%–59%；
恶劣风况下平均误差约 1.665 m 和 1.533 m。

结论：

水平风对精度影响最大，但 NOVA 仍能保持收敛。

高度和初始先验

最终接近距离从 20 m 增加到 40 m 时：

亚米级成功率从约 94% 降到 74%；
原因是远距离 UWB 精度下降，垂直误差放大。

在三种初始标签先验误差下：

Normal：\(r\sim N(5,2^2)\)，\(z\sim N(0,5^2)\)；
High：\(r\sim N(10,5^2)\)，\(z\sim N(0,10^2)\)；
Very High：\(r\sim N(20,5^2)\)，\(z\sim N(0,20^2)\)；

即使最差条件下，NOVA 仍能收敛，平均最终误差约 0.94 m，亚米级成功率约 68%。

7. 结论与未来工作

论文总结：

NOVA 是一个面向单 UWB 锚点场景的无人机定位框架；
它通过分段轨迹修正和 DOP 感知的航点规划主动制造几何多样性；
它联合优化无人机轨迹和标签位置；
它能在模糊测量几何下保持可靠性能；
真实实验和仿真都验证了方法的有效性。

未来工作：

扩展到多无人机场景；
应用到更大规模的现场部署。

8. 导师可能追问的问题与回答思路

问题 1：为什么不用多个固定 UWB 锚点？

多个固定锚点精度更稳定，但需要预先部署、时钟同步和标定，基础设施成本高。NOVA 的目标是基础设施自由和可快速部署，因此用单个移动锚点换取部署灵活性。

问题 2：一个 UWB 标签为什么会有翻转歧义？

因为 UWB 只测距离，不测方向。一个距离把目标限制在球面上；直线飞行时，多个球面的交线可能形成圆环，无法区分对称的候选位置。

问题 3：NOVA 怎么解决翻转歧义？

通过主动改变轨迹：

初始阶段做垂直和正交水平运动；
中段用 DOP 选择有信息量的航点；
最终阶段用两段不同高度的下降和正交横向移动。

本质上是制造更好的观测几何。

问题 4：为什么高空会导致水平定位不敏感？

因为三维距离中垂直分量占主导。公式表明，水平误差放大系数为

\[ \frac{\sqrt{D_{2D}^{2}+\Delta H^{2}}}{D_{2D}} \]

当 \(D_{2D}\) 变小、\(\Delta H\) 很大时，同样的 UWB 噪声会被放大。

问题 5：联合优化解决了什么？

它打断了“无人机自定位误差 → 标签估计错误 → 导航错误 → 误差进一步放大”的反馈回路。它同时修正轨迹和标签位置，而不是只优化其中一个。

问题 6：EMA 滤波为什么需要可靠性权重？

因为 INS 和 UWB 各有优缺点。INS 短期平滑但会漂移，UWB 长期稳定但噪声大。可靠性权重根据两者速度一致性动态决定更信任谁。

问题 7：为什么用 DOP，而不是直接用 Fisher Information？

DOP 是工程上常用、计算简单的几何质量指标，适合在线选择航点。FIM 更理论化，但直接用于实时规划可能更复杂。论文用 FIM 解释初始探索方向的合理性，用 HDOP 做在线航点选择。

问题 8：DOP 小就一定定位准吗？

不一定。DOP 只描述几何条件，不包含测量噪声、非视距、多径和硬件误差。DOP 小是必要条件，不是充分条件。

问题 9：为什么要做两段式下降？

因为高空时水平方向不可观测。两个不同高度的距离测量可以解出水平距离，从而打破垂直分量主导的问题。

问题 10：0.83 m 是真实实验还是仿真结果？

0.83 m 是三个真实场景、每场景 5 次飞行的平均导航误差。仿真中 \(\lambda=0.7\) 时约 0.42 m。两者不能直接混用。

问题 11：为什么公园场景轨迹开销达到 42.47%？

公园中 UWB 遮挡和杂波严重，分组投递率低，初始检测延迟，固定探索距离导致无人机相对目标飞了更大范围。但更大的探索范围也改善了 DOP，因此定位精度反而最高。

问题 12：如果 UWB 丢包或长时间失效怎么办？

论文没有系统验证长时间 UWB 失效。它使用 EMA 备用权重和 INS 连续性来短期应对，但仍依赖足够的 UWB 测量。严重丢包会降低可观测性。

问题 13：能处理移动标签吗？

论文假设标签静止。移动标签会引入额外运动模型，现有方法没有验证。

问题 14：能扩展到多无人机吗？

论文把多无人机列为未来工作。多无人机可以共享测距和轨迹信息，提高几何多样性，但也会带来协同优化、通信和一致性问题。

问题 15：GPS 完全不可用还能工作吗？

NOVA 依赖 GPS 做初始近似，也依赖 GPS 过渡到 UWB 检测。完全 GPS 拒止环境下需要其他全局初始化方法。

问题 16：这套方法的真正创新是什么？

不是发明 UWB 测距，而是把单移动锚点、主动轨迹规划、轨迹与标签联合估计、最终下降消歧整合成一个闭环系统，并用真实无人机验证。

问题 17：最大的工程风险是什么？

依赖 UWB 质量和视距；
依赖 GPS 初始先验；
使用机外服务器和伪 INS；
只测试单无人机、单静止标签；
没有覆盖恶劣天气、夜间和密集城市环境；
没有考虑 UWB 欺骗和干扰。

9. 术语速查

术语	含义
UWB	超宽带，用短脉冲无线电进行高精度测距
Anchor	位置已知的参考点
Tag	待定位的目标设备
DS-TWR	双边双向测距，降低时钟不同步误差
ToF	飞行时间，通过信号往返时间计算距离
INS	惯性导航系统，用 IMU 和气压计推算位置
IMU	惯性测量单元，提供加速度和角速度
Dead reckoning	航位推算，根据上一时刻位置和运动估计当前位置
Drift	误差随时间累积导致的漂移
Multilateration	多边定位，用多个距离约束估计位置
Flip ambiguity	距离对称性造成的候选位置歧义
DOP / HDOP	精度衰减因子 / 水平精度衰减因子
FIM	Fisher 信息矩阵，衡量参数估计的信息量
EMA	指数滑动平均
ADAM	一种自适应梯度优化算法
RTK-GPS	厘米级实时动态差分 GPS
Monte Carlo	通过多次随机仿真评估稳定性

10. 原文对照阅读顺序

建议这样对照原文：

摘要 + 第 I 节：先理解问题和三个挑战；
第 III 节：重点看公式 (1)–(7)，这是全文的物理基础；
第 IV-A、IV-B：看初始阶段和 DOP 规划；
第 IV-C：看联合优化，重点理解公式 (9)–(13)；
第 IV-D：看两段式下降，重点理解公式 (14)–(15)；
第 V-B：看真实实验和 0.83 m；
第 V-C：看消融、基线、参数敏感性和鲁棒性；
第 VI 节：总结和未来工作。