尧图网页设计 
简介这套源码围绕TDOA与TOA定位中的克拉美罗界CRLB计算展开面向无线定位、传感器网络及算法研究的工程师与学生。资源提供MATLAB脚本演示如何基于Fisher信息矩阵推导位置估计的理论误差下界帮助读者理解CRLB的建模、FIM构建与逆矩阵求解流程计算过程涵盖信号模型定义、观测矩阵构造与逆矩阵求解等关键环节。包内共1个文件为.m脚本压缩包仅1KB轻量易用可直接运行或嵌入现有定位仿真。已有1291人学习适合希望快速上手CRLB数值验证、进行课程设计或定位精度预研的开发者。通过运行该脚本可直观得到特定观测模型下的CRLB结果为算法优化与系统性能分析提供参考。1. 为什么 TDOA、TOA 定位算法绕不开克拉美罗界一个很常见的项目场景先布了 5 个基站TOA 测距噪声标称 3 米解算算法从最小二乘换到加权最小二乘再到 Taylor 迭代精度却始终停在 6 米左右。这时候再改解算器已经没有意义因为天花板是克拉美罗界CRB给定的。克拉美罗界只由观测方程、噪声方差和布站几何决定跟后端用什么估计器无关对任何无偏估计位置协方差都不可能低于这个下界。它对一线工程师的实际价值是方案论证阶段用 CRB 判断“加基站还是提测距精度”而不是把工期耗在调算法上。这篇就围绕 TDOA、TOA 定位算法的克拉美罗界把推导、代码、参数和单位坑一次讲清楚。2. 从 TOA 到 TDOA 的观测模型克拉美罗界的推导骨架2.1 高斯观测下的 Fisher 信息矩阵先固定一个最简单的 2D 定位模型。目标位置是 θ (x, y)参与定位的基站有 M 个第 i 个基站坐标是 s_i (x_i, y_i)。TOA 模式下得到的是距离观测z_i d_i n_i, d_i sqrt((x - x_i)^2 (y - y_i)^2)噪声 n_i 设为均值为 0 的高斯噪声协方差矩阵为 R。把所有观测写成向量 z对数似然对 θ 求二阶导得到 Fisher 信息矩阵FIMF H^T R^{-1} HH 是观测对位置参数的雅可比矩阵。对 TOA 来说H 的第 i 行就是目标指向第 i 个基站的单位方向向量u_i ((x - x_i) / d_i, (y - y_i) / d_i)于是克拉美罗界就是 FIM 的逆CRB_TOA (H^T R^{-1} H)^{-1}这个矩阵的对角元素分别给出了 x 和 y 方向无偏估计方差的下界非对角元素反映两个方向估计误差的相关性。很多文章直接给公式但真正写代码时要注意 H 的行方向每一行是单位方向向量行数等于基站数列数是位置维度。如果基站和目标完全共线H 的秩会掉到 1FIM 奇异CRB 变成无穷大这是布站几何在代数上的直接体现。2.2 TDOA 的差分表示和噪声相关矩阵TDOA 不使用绝对到达时间而是用到达时间差。工程上通常先选定一个参考站假设是 1 号站观测量变成Δz_i z_i - z_1 (d_i - d_1) (n_i - n_1), i 2, ..., M这个差分过程看起来很干净但它有一个容易忽略的后果TDOA 的观测噪声不再是独立的。(n_i - n_1) 和 (n_j - n_1) 都包含 n_1所以任意两个 TDOA 噪声项之间都有相关性。正确做法是用一个差分矩阵 D 把 TOA 观测变换成 TDOA 观测。D 的维度是 (M-1) x M每一行在参考站位置取 -1在对应测站位置取 1Δz D z这样 TDOA 噪声协方差可以直接由 TOA 噪声协方差 R 推出Q D R D^T当 R σ^2 I 且各站噪声独立同分布时Q 的具体形式是 σ^2 乘一个对角为 2、非对角为 1 的矩阵。以 M3 为例Q σ^2 [[2, 1], [1, 2]]这个相关性不是误差而是 TDOA 观测里真实携带的信息结构。计算 FIM 时把它正确放进公式里即可CRB_TDOA (J^T Q^{-1} J)^{-1}, J D H其中 J 是 TDOA 均值向量对位置参数的雅可比。需要特别注意不能因为“TDOA 观测量之间噪声相关”就直接把 Q 当对角阵处理否则会高估或低估克拉美罗界。2.3 参考站选择与三维扩展参考站选哪一站在独立同分布噪声下不影响 CRB 的理论值因为 D 是一个可逆线性变换Fisher 信息量在可逆线性变换下不变。但工程上有两个例外第一各站的测距噪声方差不一致此时参考站的噪声会进入所有 TDOA 项通常应该选噪声最小的站第二有些解算算法对参考站有数值偏好比如 Chan 算法在参考站距离目标较近时数值稳定性更好。我的做法是固定布站后把每个站轮流当参考站算一遍 CRB选 trace 最小的那个程序上就是一个 for 循环的事。三维扩展比很多人想象中简单。把 θ 换成 (x, y, z)H 的第 i 行变成三维单位方向向量u_i ((x - x_i) / d_i, (y - y_i) / d_i, (z - z_i) / d_i)D、R、Q 的维度完全不变FIM 变成 3x3 矩阵。后面所有代码在 2D 和 3D 之间切换只需要改输入坐标的列数。3. 用 Python/MATLAB 算 TDOA、TOA 的克拉美罗界核心代码与参数细节3.1 Python 实现TOA 与 TDOA 共用同一套矩阵逻辑import numpy as np def uvec(p, s): d np.linalg.norm(p - s) if d 1e-6: d 1e-6 return (p - s) / d def crb_toa(p, S, sigma): H np.array([uvec(p, s) for s in S]) R np.diag(sigma ** 2) F H.T np.linalg.inv(R) H return np.linalg.inv(F), F def crb_tdoa(p, S, sigma): M len(S) D np.zeros((M - 1, M)) for i in range(1, M): D[i - 1, i] 1.0 D[i - 1, 0] -1.0 H np.array([uvec(p, s) for s in S]) R np.diag(sigma ** 2) Q D R D.T J D H F J.T np.linalg.inv(Q) J return np.linalg.inv(F), F代码的逻辑是先构造单位方向向量矩阵 H再根据 TOA 或 TDOA 的观测结构组装 FIM。TDOA 函数里 D 是差分矩阵Q 是差分后噪声的协方差矩阵J 是 TDOA 对位置的雅可比。关键参数有三个。sigma 是距离噪声标准差单位必须和坐标一致比如坐标用米sigma 就用米如果手里是时差噪声标准差要先乘以光速。S 是基站坐标数组每一行是一个基站。p 是目标位置。返回值是 CRB 协方差矩阵和 FIM。矩阵的 trace 可以当成综合精度指标对角线开方就是对应坐标轴的 1σ 下界。3.2 MATLAB 版本差分矩阵与 Q 的组装很多定位算法项目最终落到 MATLAB 里跑仿真CRB 部分可以单独写成一个函数function [CRB, F] crb_tdoa(p, S, sigma) M size(S, 1); d sqrt(sum((p - S).^2, 2)); d(d 1e-6) 1e-6; H (p - S) ./ d; D -ones(M - 1, M); for k 1:M - 1 D(k, k 1) 1; end R diag(sigma.^2); Q D * R * D.; J D * H; F J. * (Q \ J); CRB inv(F); end这里用Q \ J代替inv(Q) * J数值上更稳定也少一次矩阵求逆。d(d 1e-6) 1e-6是防止目标恰好落在基站位置时方向向量出现 NaN。旧版 MATLAB 没有vecnorm所以统一用sqrt(sum(..., 2))逐行求模兼容 R2016a 及更早版本。调用时 p 是 1x2 或 1x3 向量S 是 Mx2 或 Mx3 矩阵sigma 是 M 维行向量或列向量。返回的 CRB 是 2x2 或 3x3 矩阵。3.3 参数怎么改维度、不等噪声和参考站参数代码位置典型坑坐标单位p、S 的数值全用米别混公里和米时间噪声sigma先乘光速转成距离标准差再传入不等噪声sigma 传向量各站噪声不同时 R 必须是对角阵3D 场景p 和 S 增加第三列H 自动变 Mx3其余逻辑不变参考站选择crb_tdoa 里固定第 0 行为参考不等噪声下逐个站试选 CRB 最小的改成 3D 时不需要动函数内部结构只需要把 p 和 S 传成三维坐标。不等噪声时 sigma 传长度 M 的数组np.diag(sigma**2)自然生成对角协方差。如果 TDOA 的参考站不想用第 1 站可以调整 D 的列编号或者干脆循环调用函数比较 CRB。实际项目里我一般把 crb_toa 和 crb_tdoa 放到同一个模块因为后面做布站优化时两个值经常要并列比较。4. 用克拉美罗界做布站优化TOA/TDOA 仿真中的界与方差对比4.1 一个可复现的三角布站例子假设三个基站坐标是 (0,0)、(1000,0)、(0,1000)单位米目标在 (300,400)测距噪声 σ3 米。用第 3 章的代码跑一遍得到近似结果如下方案trace(CRB) (m^2)σ_x (m)σ_y (m)TOA3 站12.902.692.38TDOA3 站参考站 113.292.722.43TOA4 站加 (1000,1000)9.072.192.07TDOA4 站加 (1000,1000)9.382.232.12TOA 和 TDOA 的 CRB 很接近但 TDOA 始终略差一点因为在差分过程中丢失了绝对时延里包含的公共信息4 站比 3 站改善明显但注意这个改善来自几何补位不只是基站数量增加。这个对比很有工程意义如果你的系统同时能拿到 TOA 和 TDOA且 TOA 不存在时钟偏差问题那么理论上 TOA 的 CRB 更优如果必须做差分消除时钟偏差TDOA 的性能代价已经在 CRB 里了。4.2 布站几何如何进入 CRB从 FIM 到优化目标FIM 的表达式 F H^T R^{-1} H 说明 CRB 只依赖方向向量和噪声方差。方向向量由目标和基站的相对位置确定所以布站几何对精度的影响全部浓缩在这个矩阵里。优化布站时常用的目标函数有三种A-optimal 最小化 trace(F^{-1})对应平均位置误差下界D-optimal 最小化 det(F^{-1})对应误差椭球的体积E-optimal 最小化 F^{-1} 的最大特征值对应最差方向误差。对定位系统来说 A-optimal 最常见因为 trace 和 GDOP 直接挂钩。具体做法是把目标区域划分成网格对每个格点计算 trace(CRB)得到一个精度热力图然后在基站坐标上做网格搜索或随机优化。优化变量是基站位置目标函数是所有格点 trace(CRB) 的均值或最大值。由于 FIM 构造只有向量乘法和矩阵求逆几百个格点加几十次迭代在普通笔记本上几秒钟就能跑完不需要复杂仿真。这一步做完哪些地方是高精度区、哪些地方是盲区一目了然。4.3 CRB 与测向交叉定位算法的界对比很多人把 TDOA、TOA 的 CRB 和测向交叉定位算法的 CRB 混在一起比其实是两套观测量。测向交叉定位算法用的是到达角FIM 中进入的是角度噪声方差和距离的倒数目标越远同样的角度噪声换算到位置误差越大TDOA/TOA 的 CRB 则与距离本身没有直接比例关系主要受几何布局影响。用 CRB 做方案选型时应该把两套界按同一目标位置、同一噪声水平画在一条曲线上看交叉点在哪里。近场测向可能优于 TDOA远场 TDOA 通常更稳这个结论不是拍脑袋是 CRB 对比直接给出来的。5. 克拉美罗界的单位陷阱与数值稳定性技巧5.1 纳秒、米、光速先统一再进 FIMTDOA 系统给的时间噪声往往是纳秒位置坐标是米。σ_t 3 ns 看起来很小但换算成距离是 3e-9 × 3e8 0.9 米这才是真正进入 FIM 的 sigma。直接把 3e-9 传给代码FIM 的量级变成 1e18CRB 变成 1e-18 甚至更小得到“精度极高”的假象。统一做法是c_light 299792458.0 sigma_t_ns 3.0 sigma sigma_t_ns * 1e-9 * c_light这里1e-9把纳秒换成秒再乘光速换算成米。如果整个系统用时间单位建模光速会出现在雅可比矩阵分母里如果统一用距离单位光速就不需要出现在 FIM 里。我建议统一到距离少一个容易写错的因子。5.2 近基站、共线站导致 FIM 奇异当目标靠近某个基站时方向向量对该站而言变化极快但其他站几乎看不到这个变化FIM 的条件数会迅速变大当所有基站和目标近似共线时H 行向量近乎线性相关FIM 奇异CRB 趋于无穷。代码层面至少做两件事第一求模时加保护d max(d, 1e-6)第二对 FIM 用伪逆而不是直接求逆至少能拿到退化方向上的保守估计CRB np.linalg.pinv(F)在布站优化里如果某个布局的 FIM 条件数超过 1e6应该直接丢弃而不是依赖数值。CRB 在这个情况下本身已经失去了“可达到精度下界”的意义。5.3 用蒙特卡洛把 CRB 变成验收指标CRB 不只是画图用的理论曲线我一般在项目验收时把它和具体解算器的蒙特卡洛结果放在同一张图里。做法是固定布站和 σ生成 2000 组带噪 TDOA 观测用 Chan 算法或 Taylor 迭代解出目标位置统计估计误差的均方根再和 trace(CRB) 开方对比。如果解算器的 RMSE 明显低于 CRB 下界多半是仿真里噪声没按协方差矩阵生成或者估计器利用了 CRB 之外的先验信息反之如果 RMSE 高出 CRB 好几倍说明算法模型有偏或解算不收敛。这个检查在换参考站、改布站、调 σ 之后都要重跑一遍是克拉美罗界在工程里最值得保留的用法。本文还有配套的精品资源点击获取 TDOA/TOA定位中的克拉美罗界：原理、推导与工程实践
简介这套源码围绕TDOA与TOA定位中的克拉美罗界CRLB计算展开面向无线定位、传感器网络及算法研究的工程师与学生。资源提供MATLAB脚本演示如何基于Fisher信息矩阵推导位置估计的理论误差下界帮助读者理解CRLB的建模、FIM构建与逆矩阵求解流程计算过程涵盖信号模型定义、观测矩阵构造与逆矩阵求解等关键环节。包内共1个文件为.m脚本压缩包仅1KB轻量易用可直接运行或嵌入现有定位仿真。已有1291人学习适合希望快速上手CRLB数值验证、进行课程设计或定位精度预研的开发者。通过运行该脚本可直观得到特定观测模型下的CRLB结果为算法优化与系统性能分析提供参考。1. 为什么 TDOA、TOA 定位算法绕不开克拉美罗界一个很常见的项目场景先布了 5 个基站TOA 测距噪声标称 3 米解算算法从最小二乘换到加权最小二乘再到 Taylor 迭代精度却始终停在 6 米左右。这时候再改解算器已经没有意义因为天花板是克拉美罗界CRB给定的。克拉美罗界只由观测方程、噪声方差和布站几何决定跟后端用什么估计器无关对任何无偏估计位置协方差都不可能低于这个下界。它对一线工程师的实际价值是方案论证阶段用 CRB 判断“加基站还是提测距精度”而不是把工期耗在调算法上。这篇就围绕 TDOA、TOA 定位算法的克拉美罗界把推导、代码、参数和单位坑一次讲清楚。2. 从 TOA 到 TDOA 的观测模型克拉美罗界的推导骨架2.1 高斯观测下的 Fisher 信息矩阵先固定一个最简单的 2D 定位模型。目标位置是 θ (x, y)参与定位的基站有 M 个第 i 个基站坐标是 s_i (x_i, y_i)。TOA 模式下得到的是距离观测z_i d_i n_i, d_i sqrt((x - x_i)^2 (y - y_i)^2)噪声 n_i 设为均值为 0 的高斯噪声协方差矩阵为 R。把所有观测写成向量 z对数似然对 θ 求二阶导得到 Fisher 信息矩阵FIMF H^T R^{-1} HH 是观测对位置参数的雅可比矩阵。对 TOA 来说H 的第 i 行就是目标指向第 i 个基站的单位方向向量u_i ((x - x_i) / d_i, (y - y_i) / d_i)于是克拉美罗界就是 FIM 的逆CRB_TOA (H^T R^{-1} H)^{-1}这个矩阵的对角元素分别给出了 x 和 y 方向无偏估计方差的下界非对角元素反映两个方向估计误差的相关性。很多文章直接给公式但真正写代码时要注意 H 的行方向每一行是单位方向向量行数等于基站数列数是位置维度。如果基站和目标完全共线H 的秩会掉到 1FIM 奇异CRB 变成无穷大这是布站几何在代数上的直接体现。2.2 TDOA 的差分表示和噪声相关矩阵TDOA 不使用绝对到达时间而是用到达时间差。工程上通常先选定一个参考站假设是 1 号站观测量变成Δz_i z_i - z_1 (d_i - d_1) (n_i - n_1), i 2, ..., M这个差分过程看起来很干净但它有一个容易忽略的后果TDOA 的观测噪声不再是独立的。(n_i - n_1) 和 (n_j - n_1) 都包含 n_1所以任意两个 TDOA 噪声项之间都有相关性。正确做法是用一个差分矩阵 D 把 TOA 观测变换成 TDOA 观测。D 的维度是 (M-1) x M每一行在参考站位置取 -1在对应测站位置取 1Δz D z这样 TDOA 噪声协方差可以直接由 TOA 噪声协方差 R 推出Q D R D^T当 R σ^2 I 且各站噪声独立同分布时Q 的具体形式是 σ^2 乘一个对角为 2、非对角为 1 的矩阵。以 M3 为例Q σ^2 [[2, 1], [1, 2]]这个相关性不是误差而是 TDOA 观测里真实携带的信息结构。计算 FIM 时把它正确放进公式里即可CRB_TDOA (J^T Q^{-1} J)^{-1}, J D H其中 J 是 TDOA 均值向量对位置参数的雅可比。需要特别注意不能因为“TDOA 观测量之间噪声相关”就直接把 Q 当对角阵处理否则会高估或低估克拉美罗界。2.3 参考站选择与三维扩展参考站选哪一站在独立同分布噪声下不影响 CRB 的理论值因为 D 是一个可逆线性变换Fisher 信息量在可逆线性变换下不变。但工程上有两个例外第一各站的测距噪声方差不一致此时参考站的噪声会进入所有 TDOA 项通常应该选噪声最小的站第二有些解算算法对参考站有数值偏好比如 Chan 算法在参考站距离目标较近时数值稳定性更好。我的做法是固定布站后把每个站轮流当参考站算一遍 CRB选 trace 最小的那个程序上就是一个 for 循环的事。三维扩展比很多人想象中简单。把 θ 换成 (x, y, z)H 的第 i 行变成三维单位方向向量u_i ((x - x_i) / d_i, (y - y_i) / d_i, (z - z_i) / d_i)D、R、Q 的维度完全不变FIM 变成 3x3 矩阵。后面所有代码在 2D 和 3D 之间切换只需要改输入坐标的列数。3. 用 Python/MATLAB 算 TDOA、TOA 的克拉美罗界核心代码与参数细节3.1 Python 实现TOA 与 TDOA 共用同一套矩阵逻辑import numpy as np def uvec(p, s): d np.linalg.norm(p - s) if d 1e-6: d 1e-6 return (p - s) / d def crb_toa(p, S, sigma): H np.array([uvec(p, s) for s in S]) R np.diag(sigma ** 2) F H.T np.linalg.inv(R) H return np.linalg.inv(F), F def crb_tdoa(p, S, sigma): M len(S) D np.zeros((M - 1, M)) for i in range(1, M): D[i - 1, i] 1.0 D[i - 1, 0] -1.0 H np.array([uvec(p, s) for s in S]) R np.diag(sigma ** 2) Q D R D.T J D H F J.T np.linalg.inv(Q) J return np.linalg.inv(F), F代码的逻辑是先构造单位方向向量矩阵 H再根据 TOA 或 TDOA 的观测结构组装 FIM。TDOA 函数里 D 是差分矩阵Q 是差分后噪声的协方差矩阵J 是 TDOA 对位置的雅可比。关键参数有三个。sigma 是距离噪声标准差单位必须和坐标一致比如坐标用米sigma 就用米如果手里是时差噪声标准差要先乘以光速。S 是基站坐标数组每一行是一个基站。p 是目标位置。返回值是 CRB 协方差矩阵和 FIM。矩阵的 trace 可以当成综合精度指标对角线开方就是对应坐标轴的 1σ 下界。3.2 MATLAB 版本差分矩阵与 Q 的组装很多定位算法项目最终落到 MATLAB 里跑仿真CRB 部分可以单独写成一个函数function [CRB, F] crb_tdoa(p, S, sigma) M size(S, 1); d sqrt(sum((p - S).^2, 2)); d(d 1e-6) 1e-6; H (p - S) ./ d; D -ones(M - 1, M); for k 1:M - 1 D(k, k 1) 1; end R diag(sigma.^2); Q D * R * D.; J D * H; F J. * (Q \ J); CRB inv(F); end这里用Q \ J代替inv(Q) * J数值上更稳定也少一次矩阵求逆。d(d 1e-6) 1e-6是防止目标恰好落在基站位置时方向向量出现 NaN。旧版 MATLAB 没有vecnorm所以统一用sqrt(sum(..., 2))逐行求模兼容 R2016a 及更早版本。调用时 p 是 1x2 或 1x3 向量S 是 Mx2 或 Mx3 矩阵sigma 是 M 维行向量或列向量。返回的 CRB 是 2x2 或 3x3 矩阵。3.3 参数怎么改维度、不等噪声和参考站参数代码位置典型坑坐标单位p、S 的数值全用米别混公里和米时间噪声sigma先乘光速转成距离标准差再传入不等噪声sigma 传向量各站噪声不同时 R 必须是对角阵3D 场景p 和 S 增加第三列H 自动变 Mx3其余逻辑不变参考站选择crb_tdoa 里固定第 0 行为参考不等噪声下逐个站试选 CRB 最小的改成 3D 时不需要动函数内部结构只需要把 p 和 S 传成三维坐标。不等噪声时 sigma 传长度 M 的数组np.diag(sigma**2)自然生成对角协方差。如果 TDOA 的参考站不想用第 1 站可以调整 D 的列编号或者干脆循环调用函数比较 CRB。实际项目里我一般把 crb_toa 和 crb_tdoa 放到同一个模块因为后面做布站优化时两个值经常要并列比较。4. 用克拉美罗界做布站优化TOA/TDOA 仿真中的界与方差对比4.1 一个可复现的三角布站例子假设三个基站坐标是 (0,0)、(1000,0)、(0,1000)单位米目标在 (300,400)测距噪声 σ3 米。用第 3 章的代码跑一遍得到近似结果如下方案trace(CRB) (m^2)σ_x (m)σ_y (m)TOA3 站12.902.692.38TDOA3 站参考站 113.292.722.43TOA4 站加 (1000,1000)9.072.192.07TDOA4 站加 (1000,1000)9.382.232.12TOA 和 TDOA 的 CRB 很接近但 TDOA 始终略差一点因为在差分过程中丢失了绝对时延里包含的公共信息4 站比 3 站改善明显但注意这个改善来自几何补位不只是基站数量增加。这个对比很有工程意义如果你的系统同时能拿到 TOA 和 TDOA且 TOA 不存在时钟偏差问题那么理论上 TOA 的 CRB 更优如果必须做差分消除时钟偏差TDOA 的性能代价已经在 CRB 里了。4.2 布站几何如何进入 CRB从 FIM 到优化目标FIM 的表达式 F H^T R^{-1} H 说明 CRB 只依赖方向向量和噪声方差。方向向量由目标和基站的相对位置确定所以布站几何对精度的影响全部浓缩在这个矩阵里。优化布站时常用的目标函数有三种A-optimal 最小化 trace(F^{-1})对应平均位置误差下界D-optimal 最小化 det(F^{-1})对应误差椭球的体积E-optimal 最小化 F^{-1} 的最大特征值对应最差方向误差。对定位系统来说 A-optimal 最常见因为 trace 和 GDOP 直接挂钩。具体做法是把目标区域划分成网格对每个格点计算 trace(CRB)得到一个精度热力图然后在基站坐标上做网格搜索或随机优化。优化变量是基站位置目标函数是所有格点 trace(CRB) 的均值或最大值。由于 FIM 构造只有向量乘法和矩阵求逆几百个格点加几十次迭代在普通笔记本上几秒钟就能跑完不需要复杂仿真。这一步做完哪些地方是高精度区、哪些地方是盲区一目了然。4.3 CRB 与测向交叉定位算法的界对比很多人把 TDOA、TOA 的 CRB 和测向交叉定位算法的 CRB 混在一起比其实是两套观测量。测向交叉定位算法用的是到达角FIM 中进入的是角度噪声方差和距离的倒数目标越远同样的角度噪声换算到位置误差越大TDOA/TOA 的 CRB 则与距离本身没有直接比例关系主要受几何布局影响。用 CRB 做方案选型时应该把两套界按同一目标位置、同一噪声水平画在一条曲线上看交叉点在哪里。近场测向可能优于 TDOA远场 TDOA 通常更稳这个结论不是拍脑袋是 CRB 对比直接给出来的。5. 克拉美罗界的单位陷阱与数值稳定性技巧5.1 纳秒、米、光速先统一再进 FIMTDOA 系统给的时间噪声往往是纳秒位置坐标是米。σ_t 3 ns 看起来很小但换算成距离是 3e-9 × 3e8 0.9 米这才是真正进入 FIM 的 sigma。直接把 3e-9 传给代码FIM 的量级变成 1e18CRB 变成 1e-18 甚至更小得到“精度极高”的假象。统一做法是c_light 299792458.0 sigma_t_ns 3.0 sigma sigma_t_ns * 1e-9 * c_light这里1e-9把纳秒换成秒再乘光速换算成米。如果整个系统用时间单位建模光速会出现在雅可比矩阵分母里如果统一用距离单位光速就不需要出现在 FIM 里。我建议统一到距离少一个容易写错的因子。5.2 近基站、共线站导致 FIM 奇异当目标靠近某个基站时方向向量对该站而言变化极快但其他站几乎看不到这个变化FIM 的条件数会迅速变大当所有基站和目标近似共线时H 行向量近乎线性相关FIM 奇异CRB 趋于无穷。代码层面至少做两件事第一求模时加保护d max(d, 1e-6)第二对 FIM 用伪逆而不是直接求逆至少能拿到退化方向上的保守估计CRB np.linalg.pinv(F)在布站优化里如果某个布局的 FIM 条件数超过 1e6应该直接丢弃而不是依赖数值。CRB 在这个情况下本身已经失去了“可达到精度下界”的意义。5.3 用蒙特卡洛把 CRB 变成验收指标CRB 不只是画图用的理论曲线我一般在项目验收时把它和具体解算器的蒙特卡洛结果放在同一张图里。做法是固定布站和 σ生成 2000 组带噪 TDOA 观测用 Chan 算法或 Taylor 迭代解出目标位置统计估计误差的均方根再和 trace(CRB) 开方对比。如果解算器的 RMSE 明显低于 CRB 下界多半是仿真里噪声没按协方差矩阵生成或者估计器利用了 CRB 之外的先验信息反之如果 RMSE 高出 CRB 好几倍说明算法模型有偏或解算不收敛。这个检查在换参考站、改布站、调 σ 之后都要重跑一遍是克拉美罗界在工程里最值得保留的用法。本文还有配套的精品资源点击获取