{
  "id": "trilateration",
  "title": "三边测量",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "三边测量利用到已知参考点的距离确定位置，结合几何约束，并在测量存在误差时采用统计估计。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "三边定位",
    "测距定位"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/trilateration/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/trilateration/",
      "json": "https://aiwiki.page/en/trilateration.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "三边测量是一种根据到已知位置参考点的实测距离，确定未知位置的方法。在平面上，每个精确距离都将未知点约束在一个圆上；在三维空间中，则将其约束在一个球面上。综合这些约束即可求得位置。三边测量用于测量学、卫星导航、机器人技术和局部定位系统。与主要通过测量角度确定位置的三角测量不同，三边测量依靠的是距离。"
    },
    {
      "heading": "几何原理",
      "text": "设未知位置为 \\(\\mathbf{x}\\)，已知参考位置为 \\(\\mathbf{a}_1,\\ldots,\\mathbf{a}_m\\)，这些参考点通常称为锚点。若测得的距离 \\(r_i\\) 精确无误，则位置满足\n\n\\[\\|\\mathbf{x}-\\mathbf{a}_i\\|=r_i, \\qquad i=1,\\ldots,m,\\]\n\n其中，范数表示欧几里得距离。\n\n每个方程都定义了一个可能位置的集合。三边测量所求的就是这些集合的公共交集。锚点的数量与分布决定了这个交集是唯一的、存在歧义的，还是空集。\n\n二维定位\n\n在二维空间中，一个距离确定一个圆。两个圆可能相交于两点、相切于一点，也可能没有交点。因此，除特殊构型外，仅凭两个距离通常会留下两个候选位置。\n\n如果第三个锚点不在前两个锚点所在的直线上，那么在测量精确且相互一致的情况下，到该锚点的第三个距离便能消除这种歧义。因此，三个不共线的锚点足以确定平面上的唯一位置。\n\n例如，设锚点位于 \\((0,0)\\)、\\((4,0)\\) 和 \\((0,3)\\)，对应距离分别为 \\(\\sqrt{5}\\)、\\(\\sqrt{13}\\) 和 \\(\\sqrt{8}\\)。相应的约束为\n\n\\[x^2+y^2=5,\\]\n\n\\[(x-4)^2+y^2=13,\\]\n\n\\[x^2+(y-3)^2=8.\\]\n\n用第二个方程减去第一个方程，得 \\(x=1\\)；用第三个方程减去第一个方程，得 \\(y=2\\)。代入可验证，\\((1,2)\\) 满足全部三个方程。\n\n如果所有锚点共线，关于这条直线作镜像反射不会改变任何距离。因此，仅凭这些距离，无法区分直线外的某个位置及其镜像位置。\n\n三维定位\n\n在三维空间中，每个距离确定一个球面。两个球面通常相交成一个圆，三个布置适当的球面通常会留下两个候选位置。对于三个不共线的锚点，这两个位置关于锚点所在的平面互为镜像。\n\n当测量精确且相互一致时，位于该平面之外的第四个锚点可以消除这种歧义。因此，四个不共面的锚点足以实现无约束的三维定位。\n\n如果附加信息能够排除其中一个候选位置，例如已知的作业区域或高度约束，那么较少的锚点也可能足够。反过来，如果新增锚点的几何分布仍保留同样的对称性，增加锚点也未必能消除歧义。\n\n更一般地，在 \\(d\\) 维欧几里得空间中，\\(d+1\\) 个仿射无关的锚点，可以根据相互一致的精确距离唯一确定一个位置。"
    },
    {
      "heading": "代数表述",
      "text": "采用笛卡尔坐标系时，距离平方方程为\n\n\\[(\\mathbf{x}-\\mathbf{a}_i)^{\\mathsf T} (\\mathbf{x}-\\mathbf{a}_i)=r_i^2.\\]\n\n展开可得\n\n\\[\\mathbf{x}^{\\mathsf T}\\mathbf{x} -2\\mathbf{a}_i^{\\mathsf T}\\mathbf{x} +\\mathbf{a}_i^{\\mathsf T}\\mathbf{a}_i =r_i^2.\\]\n\n虽然这些方程是二次方程，但它们具有相同的项 \\(\\mathbf{x}^{\\mathsf T}\\mathbf{x}\\)。将后续各方程分别减去第一个方程，即可消去这一项：\n\n\\[2(\\mathbf{a}_i-\\mathbf{a}_1)^{\\mathsf T}\\mathbf{x} = \\|\\mathbf{a}_i\\|^2-\\|\\mathbf{a}_1\\|^2+r_1^2-r_i^2, \\qquad i=2,\\ldots,m.\\]\n\n这些方程组成一个线性方程组\n\n\\[A\\mathbf{x}=\\mathbf{b}.\\]\n\n\\(A\\) 的矩阵的秩反映了锚点差向量是否张成所有空间方向。在 \\(d\\) 维空间中，列满秩，即秩为 \\(d\\)，意味着这些相减所得的方程至多有一个解。\n\n对于精确且相互一致的距离，这个解就是所求位置。但对于不一致的距离，满足相减所得的方程，并不保证满足原始距离方程。使用最少数量的锚点时，即使原来的圆或球面没有公共交点，线性方程仍可能给出一个位置。\n\n增加锚点后，可以对线性方程组求近似解。基于QR分解或奇异值分解的方法，有助于识别不利的几何构型，并避免不必要的数值精度损失。"
    },
    {
      "heading": "含噪测量与估计",
      "text": "实际距离测量包含由计时不确定性、传播效应、仪器校准以及锚点位置不确定性引起的误差。因此，相应的圆或球面很少恰好相交于同一点。实际的三边测量通常是一个估计问题，而不是精确的几何作图问题。\n\n一种常见的测量模型为\n\n\\[r_i=\\|\\mathbf{x}-\\mathbf{a}_i\\|+\\varepsilon_i,\\]\n\n其中，\\(\\varepsilon_i\\) 为测距误差。加权非线性最小二乘法估计通过最小化下式求得：\n\n\\[\\widehat{\\mathbf{x}} = \\underset{\\mathbf{x}}{\\operatorname{arg\\,min}} \\sum_{i=1}^{m} w_i\\left(\\|\\mathbf{x}-\\mathbf{a}_i\\|-r_i\\right)^2.\\]\n\n如果误差相互独立、服从正态分布，且方差 \\(\\sigma_i^2\\) 已知，那么取权重 \\(w_i=1/\\sigma_i^2\\) 后，这一估计就是最大似然估计。\n\n当误差存在相关性时，用协方差矩阵 \\(\\Sigma\\) 代替各个单独的权重：\n\n\\[\\widehat{\\mathbf{x}} = \\underset{\\mathbf{x}}{\\operatorname{arg\\,min}} \\mathbf{e}(\\mathbf{x})^{\\mathsf T} \\Sigma^{-1}\\mathbf{e}(\\mathbf{x}),\\]\n\n其中，\\(e_i(\\mathbf{x})=\\|\\mathbf{x}-\\mathbf{a}_i\\|-r_i\\)。\n\n这些都是非线性数学优化问题，通常采用迭代方法求解。由距离平方作差得到的解可以提供初始估计，但这两种方法所最小化的误差准则不同。对含噪距离取平方会改变其误差分布，而减去同一个参考测量值，会使所得各方程的误差之间产生相关性。\n\n存在严重测距误差时，可能需要采用稳健的损失函数，而不是残差平方。也可以加入高度或作业区域约束，但这些约束是否成立取决于具体应用。"
    },
    {
      "heading": "几何构型与定位不确定性",
      "text": "定位精度既取决于测距精度，也取决于锚点的几何分布。二维空间中近乎共线的锚点，或三维空间中近乎共面的锚点，都可能使某些坐标难以确定。在这类构型中，较小的测距误差可能导致大得多的位置误差。\n\n这种影响可由距离函数的雅可比矩阵在局部加以描述。对于不与任何锚点重合的未知点，该矩阵的第 \\(i\\) 行为\n\n\\[J_i= \\frac{(\\mathbf{x}-\\mathbf{a}_i)^{\\mathsf T}} {\\|\\mathbf{x}-\\mathbf{a}_i\\|}.\\]\n\n在局部线性近似及适当的测量误差模型下，位置协方差近似为\n\n\\[\\operatorname{Cov}(\\widehat{\\mathbf{x}}) \\approx (J^{\\mathsf T}\\Sigma^{-1}J)^{-1},\\]\n\n前提是该矩阵可逆。较大的条件数表明这个局部估计问题对误差较为敏感。\n\n局部不确定性与全局唯一性是两个不同的概念。例如，共面锚点可能留下两个互为镜像的三维解，即使每个解在局部都能得到很好的确定。仅对其中一个解进行不确定性估计，本身并不能揭示另一个解的存在。\n\n额外的锚点提供了冗余信息，可以提高精度，或帮助发现不一致的测量。其作用取决于锚点的位置分布和误差特征；在近乎相同的方向上增加许多锚点，未必能改善另一个方向上观测不足的问题。"
    },
    {
      "heading": "距离测量",
      "text": "三边测量需要通过某种方式获取距离，但这种几何方法本身并不限定使用哪种仪器。\n\n直接测距。 测量仪器可以利用电磁信号测量距离。测量结果可能需要针对大气条件、仪器偏置，以及斜距与所选坐标面之间的关系进行改正。\n\n飞行时间。 如果信号以已知速度 \\(v\\) 传播，测得的单程传播时间为 \\(t\\)，则推算出的距离为\n\n\\[r=vt.\\]\n\n对于电磁信号，其传播速度与光速密切相关，必要时还需进行传播改正。单程测距要求发射端与接收端时钟之间具有适当的时间关系。往返测距可以降低时钟同步要求，但必须考虑响应延迟。\n\n信号强度。 利用传播模型，可以将接收功率换算为近似距离。这类估计受障碍物、天线朝向、反射及环境条件的影响很大，因此其表现未必与精确的几何距离相同。\n\n载波相位。 相位测量可用于精密距离估计，但仅凭测得的相位，无法确定发射端与接收端之间所包含的完整波长数。消除这种整周模糊性，需要额外的信息或观测。"
    },
    {
      "heading": "相关定位方法",
      "text": "三边测量与以下几种相关技术有所区别：\n\n- 三角测量以角度或方位角作为主要观测量。距离测量与角度测量也可以结合用于同一个定位系统。\n- 多边定位的用法与三边测量有所重叠。广义上，它可以指利用多个与距离相关的观测量进行定位，但通常特指根据不同信号到达时间之差进行定位。\n- 到达时间差定位约束的是距离之差，而非各个距离本身。在平面上，固定的距离差确定的是一条双曲线，而不是一个圆。\n\n全球卫星导航系统体现了对基本测距模型的一项重要扩展。卫星信号提供的是伪距，其中不仅包含几何距离，还包含接收机时钟误差。一个简化的方程为\n\n\\[p_i= \\|\\mathbf{x}-\\mathbf{s}_i\\| +cb+\\varepsilon_i,\\]\n\n其中，\\(\\mathbf{s}_i\\) 为卫星位置，\\(c\\) 为光速，\\(b\\) 为接收机时钟相对于系统时间的偏差。此外，还必须处理卫星时钟效应并进行传播改正。\n\n三个位置坐标加上一个接收机时钟偏差，共有四个未知量，因此，要获得无约束的三维解，通常至少需要对四颗几何分布适当的卫星进行观测。这并不等同于求四个半径分别已知的球面的交点，因为这些观测量中包含一个共同的未知时钟项。"
    },
    {
      "heading": "发展、应用与局限",
      "text": "基于距离的几何定位早于电子仪器出现，但直到电子测距技术问世，现代测量中的大型三边测量网才具有实用性。卫星导航和小型无线电测距设备，又将同样的原理推广到了移动接收机和局部定位领域。\n\n其应用包括建立测量控制网、相对于固定信标跟踪机器人、在室内定位设备，以及利用声学信号对水下航行器进行定位。运动目标系统可以将连续的距离观测与运动模型相结合，例如通过卡尔曼滤波器实现。\n\n主要局限来自距离测量不精确和几何信息不完整。反射信号的传播路径可能比直达路径更长，而直达路径受阻时，可能产生系统性的正测距误差。锚点坐标不准确、时钟偏差、传播速度误差以及校准不足，都可能造成偏差，仅靠增加观测次数并取平均值无法消除这些偏差。\n\n几何模型还必须与定位尺度和环境相适应。对于小型场地，平面近似可能适用；而较大范围的定位，可能需要采用三维地心坐标或椭球参考模型。实测斜距、水平距离和沿曲面量取的距离是不同的量，未经适当变换，不能相互替代。"
    }
  ],
  "links": [
    "triangulation",
    "euclidean-distance",
    "circle",
    "euclidean-space",
    "cartesian-coordinate-system",
    "system-of-linear-equations",
    "matrix-rank",
    "qr-decomposition",
    "singular-value-decomposition",
    "least-squares",
    "normal-distribution",
    "maximum-likelihood-estimation",
    "covariance-matrix",
    "mathematical-optimization",
    "loss-function",
    "jacobian-matrix",
    "condition-number",
    "speed-of-light",
    "hyperbola",
    "kalman-filter"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}