室內定位技術怎麼選?UWB、藍牙、Wi-Fi 完整比較指南
恆準定位
GPS 進不了室內,因此廠房、醫院、無塵室與展館要掌握人員與設備位置,必須依靠室內定位(RTLS,Real-Time Location System)。市場上主流技術有 UWB 超寬頻、藍牙 BLE 與 Wi-Fi 三種,各有精度、成本與佈建上的取捨;本文以恆準定位在半導體、醫療、石化與長照等場域的導入經驗,整理一份可直接使用的選型框架。
一、三種主流技術總覽
| 項目 | UWB 超寬頻 | 藍牙 BLE | Wi-Fi |
|---|---|---|---|
| 定位精度 | 10–30 公分(無遮蔽) | 1–3 公尺 | 3–5 公尺 |
| 定位架構 | TOA 三邊定位、TDOA、PDOA 3D 定位 | Locator-Tag、Beacon-Tag、手機定位、藍牙 6.0 Channel Sounding | 沿用既有 AP 的 RSSI 樣本比對 |
| 基礎設施 | 需佈建基地台(可電池供電免拉線) | 需佈建 Locator 或 Beacon;一台 Locator 可外接 4 個讀頭涵蓋 5 個點位 | 直接沿用場域既有 Wi-Fi AP,不需重新拉線 |
| 標籤與供電 | 專用 UWB 標籤 | BLE 標籤(續航約 1 年)或手機 App | 手機、筆電、Wi-Fi 標籤 |
| 建置成本 | 最高 | 中等 | 最低(幾乎不動基礎設施) |
| 適合場景 | 公分級需求:無塵室管制區、AGV/AMR 協作、運動科技、工安圍籬 | 公尺級需求:人員與資產追蹤、醫院設備管理、長照防走失 | 大範圍粗定位:樓層與區域級人流、既有網路加值 |
精度數字為無遮蔽環境的實測量級;實際表現取決於現場遮蔽、金屬反射與演算法品質——這正是下一節要談的。
二、決定成敗的往往不是無線技術,而是演算法
同一套硬體,在展示間與在多隔間的實際場域,表現可以差一個量級。原因是室內充滿多路徑反射與非視距(NLOS)遮蔽:金屬機台、牆面、人體都會讓「訊號強度換算距離」的傳統三角定位失準。
恆準定位自主開發的 AI 樣本比對(AI Fingerprinting)演算法走另一條路:先在現場實測建立訊號樣本庫,定位時以 AI 比對樣本並輔以粒子濾波(Particle Filter)與運動模型,多隔間環境的隔間判定正確率較傳統三角定位提升 30% 以上。此演算法與硬體無關,可同時支援 Wi-Fi RSSI、藍牙與 UWB,也因此能在不更換基礎設施的前提下把精度做起來——此方案已導入國內半導體龍頭廠。
三、五個選型問題
與其從技術規格出發,不如先回答五個問題:
| 問題 | 答案指向 |
|---|---|
| ① 需要多準? | 要分辨「在哪個隔間、哪個機台旁」→ UWB 或高密度藍牙;只要「在哪一區、哪一層」→ Wi-Fi 或藍牙即可,不必為用不到的精度付費 |
| ② 現場能不能施工? | 無塵室、防爆區、古蹟等施工受限場域 → 優先選電池供電免拉線的架構,或直接沿用既有 Wi-Fi AP |
| ③ 追蹤對象是誰? | 員工(可配識別證)→ 卡片式標籤;訪客(不發設備)→ 手機定位;資產與載具 → 貼附式標籤,注意電池續航與更換人力 |
| ④ 數量有多大? | 數千顆標籤的案場,標籤單價與換電池人力會主導總成本——硬體佈建量與維運設計比單點精度更重要 |
| ⑤ 之後會不會擴充? | 今天做人員、明天做資產與 AGV 的場域,應選同一平台支援多技術的方案,避免每個需求各建一套系統 |
四、各產業的建議組合
| 產業場域 | 典型需求 | 建議技術組合 |
|---|---|---|
| 半導體廠/無塵室 | 人員緊急求助、消防疏散盤點、物料查找;施工限制嚴格 | Wi-Fi(沿用既有 AP)+藍牙標籤,管制區以 UWB 補強 |
| 醫院 | 設備找得到、醫護一鍵求救、感控足跡 | 藍牙 Locator-Tag 為主,急診等重點區域提高密度 |
| 長照機構 | 住民防走失、緊急求救、夜間巡房 | 藍牙卡片/腕帶標籤+出入口電子圍籬 |
| 製造與倉儲 | AGV/AMR 與人員協作、載具動線、資產盤點 | UWB(車載 PDOA 相對定位)+藍牙資產標籤 |
| 展館/商場/機場 | 訪客導航、人流統計、推播 | 手機定位(藍牙 Beacon+Wi-Fi),免發放硬體 |
五、選型時最常見的三個錯誤
錯誤一:拿展示間精度當現場精度。規格書上的公分級是無遮蔽數字;評估時應要求廠商在「你的」場域做 PoC 實測,並看多隔間的隔間判定正確率,而非空曠處的平均誤差。
錯誤二:只算建置成本,不算維運成本。數千顆標籤的電池更換人力、漏換造成的定位盲點,長期往往超過硬體價差。應把標籤續航、換電池流程與設備妥善率一起納入評估。
錯誤三:為單一需求鎖死單一技術。定位需求會長大——先做人員、再做資產、再做車輛。選擇演算法與硬體解耦、同平台支援多技術的方案,擴充時才不必打掉重練。