DW1000用户使用手册中文翻译版，包含寄存器的配置，工作模式的选择，以及编程的设置等内容。

使用MEMS技术（微机电系统）的无线电信和微型组件技术的快速发展，为无线传感器网络（WSN）的扩展和快速发展做出了贡献。 这种快速发展促进了传感器和执行器网络（WSAN）的出现，甚至促成了带有DL-IoT（设备层-物联网）的物联网。 WSN的快速发展归因于业界和研究的最后产生的热情。 这项新技术用于多种应用中，尤其是在通信节点的室外位置。 节点之间的距离计算（测距）过程是这些节点的精确位置的原始阶段。 本文介绍了在DecaWiNo节点上实现的三种测距协议（TWR，TWR_Skew和SDS-TWR）的测量结果。 DecaWiNo节点使用2007年IEEE 802.15.4标准修正案提出的超宽带（UWB）无线电链路，该链路可提供基于ToF（飞行时间）[1] [2]的高性能范围。 结果非常有希望，在20米范围内的精度误差约为50 cm。

通过串口传输定位数据给QT工具，QT通过界面呈现位置状态变化

UWB室外测距数据

UWB 室内定位开发文档说明

针对目前市场上现有智能跟随车定位精度不足，提出一种基于UWB信号的定位算法。在智能跟随车的上方安置两个固定基站，手持标签到两个基站的距离数据经过卡尔曼滤波算法的处理，利用三角函数进行计算，得出标签到两个基站中点的距离和偏移角度，将距离和角度数据传送给电机控制模块，通过PID控制算法调节PWM值，从而控制电机的转速和转向。实验表明，该方法能够实现标签定位的距离误差小于9 cm，角度误差小于10°，使智能跟随车的定位更为精准。

uwb点对多距离测试

UWB室内定位系统整体解决方案

UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法

非视距环境下基于UWB的室内动态目标定位