一、GNSS 卫星定位系统
1.1 全球四大卫星导航系统概述
GNSS（Global Navigation Satellite System）是位置服务的基础设施。当你打开手机地图应用时，设备正在同时接收来自多个卫星星座的信号。截至 2026 年，全球已有四大运行中的卫星导航系统，加上两个区域增强系统（日本 QZSS、印度 NavIC），共同构建了覆盖全球的高精度定位网络。
参数GPS (美国)GLONASS (俄罗斯)Galileo (欧盟)BDS/北斗 (中国)
启用年份1995 全面运行1993 / 2011 恢复2016 初始 / 2024 全面2000 区域 / 2020 全球
星座规模31 颗 (6 轨道面)24 颗 (3 轨道面)30 颗 (3 轨道面)45 颗 (MEO+GEO+IGSO)
轨道高度20,200 km19,100 km23,222 kmMEO 21,528 km
轨道周期11 h 58 min11 h 15 min14 h 07 min12 h 53 min (MEO)
信号频段L1/L2/L5G1/G2/G3E1/E5a/E5b/E6B1I/B1C/B2a/B2b/B3I
民用精度 (单点)~3-5 m~5-10 m~1-3 m~3-5 m (全球) / ~1 m (亚太)
多址方式CDMAFDMA + CDMACDMACDMA
管理机构美国太空军俄罗斯航天局欧盟 GSA/EUSPA中国卫星导航管理办公室
北斗三号系统（BDS-3）是中国自主建设的全球卫星导航系统，采用独特的混合星座架构：3 颗 GEO（地球静止轨道）+ 3 颗 IGSO（倾斜地球同步轨道）+ 24 颗 MEO（中圆地球轨道）。GEO 和 IGSO 卫星为亚太地区提供额外信号增强，使区域定位精度可达 1 米级别。此外，北斗还独有短报文通信功能（RDSS），支持 1000 汉字/次的双向通信，在地震、海上救援等无通信基站场景中发挥关键作用。
1.2 伪距测量原理
卫星定位的核心是伪距（Pseudorange）测量。接收机通过计算卫星信号的传播时间，乘以光速得到距离估计。之所以称为"伪距"，是因为接收机时钟与卫星原子钟之间存在钟差，导致测量值并非真实几何距离。
伪距观测方程：
P = ρ + c · (dt_r - dt_s) + I + T + ε
其中：
P = 伪距观测值 (m)
ρ = 卫星与接收机的几何距离
c = 光速 (299,792,458 m/s)
dt_r = 接收机钟差，dt_s = 卫星钟差
I = 电离层延迟 (L1 约 5-15 m，与频率 f 的平方成反比)
T = 对流层延迟 (约 2.3-2.5 m 天顶方向)
ε = 多径效应 + 接收机噪声
定位需要解算 4 个未知数：接收机的三维坐标（X, Y, Z）和钟差 dt_r，因此至少需要同时观测 4 颗卫星。现代多模接收机可同时追踪 GPS + BDS + Galileo + GLONASS 超过 40 颗卫星，通过最小二乘法或卡尔曼滤波实现冗余解算，显著提升定位精度和可靠性。
1.3 高精度定位技术：从米级到厘米级
基础单点定位（SPP）精度约 3-10 米，无法满足自动驾驶、精准农业、测量等需求。以下三种差分/增强技术可将精度提升至厘米级：
技术全称原理精度收敛时间典型应用
DGPSDifferential GPS基准站广播伪距改正数，用户端改正观测值0.5-2 m实时船舶导航、GIS 数据采集
RTKReal-Time Kinematic基准站与流动站载波相位差分，整周模糊度固定1-3 cm (平面)2-5 cm (高程)数秒~1 min测量放样、自动驾驶、无人机
PPPPrecise Point Positioning利用 IGS 精密星历和钟差产品，单站解算2-5 cm (静态)5-10 cm (动态)15-30 min (传统)1-5 min (PPP-RTK)大范围测量、海洋定位
RTK 与 CORS 网络
RTK 定位要求基准站与流动站距离不超过约 30-50 km（受大气误差空间相关性限制）。为覆盖更大范围，各国建设了连续运行参考站网络（CORS）。中国的千寻位置（Qianxun SI）是全球最大的 CORS 网络之一，截至 2025 年已建成超过 2,800+ 基准站，覆盖中国大部分区域，提供"千寻知寸（FindCM）"服务，实现全国范围的网络 RTK 厘米级实时定位。
千寻位置 (Qianxun SI) 关键数据
CORS 站数量：2,800+ 座，平均站间距约 50-60 km
覆盖范围：中国大陆所有省份及部分海域
服务精度：FindCM 厘米级 (1-3 cm)、FindM 亚米级 (< 1 m)
延迟：播发延迟 < 1 秒，首次固定时间 (TTFF) < 10 秒
日均定位请求：超过 10 亿次
应用场景：自动驾驶、精准农业、无人机测绘、形变监测
PPP-RTK 是近年兴起的融合技术，通过播发大气改正信息（电离层/对流层），将 PPP 的收敛时间从 30 分钟缩短至 1-5 分钟，同时保留单站定位的灵活性。北斗三号 B2b 频段已开始播发 PPP-B2b 增强服务，面向亚太地区提供免费的分米级定位。
二、室内定位技术
GNSS 信号在室内严重衰减（通常损失 20-30 dB），导致定位失效。商场导航、仓储物流、机场寻路等场景催生了一系列室内定位技术。根据信号类型、精度需求和部署成本，主流方案包括 UWB、WiFi 和 BLE 三大类。
2.1 UWB 超宽带定位
UWB（Ultra-Wideband）是目前室内定位精度最高的无线技术，工作在 3.1-10.6 GHz 频段，信号带宽超过 500 MHz。极窄的时域脉冲使得 UWB 具有优异的时间分辨率，能有效抑制多径效应。
测距原理
TDoA（Time Difference of Arrival）：至少 3 个同步基站接收标签信号，通过到达时间差构建双曲线交会定位。优点是标签无需参与测距交互，可支持海量标签并发；缺点是基站之间必须严格时间同步（误差 < 1 ns）。
TWR（Two-Way Ranging）：标签与基站之间进行双向测距，通过往返时间计算距离，避免了时钟同步问题。DS-TWR（双边双向测距）进一步消除了频率偏差。适合基站数量较少的场景。
精度与应用
UWB 定位精度通常在 10-30 cm，在开阔环境可达 5 cm。Apple 自 iPhone 11 起集成 U1 芯片（后续升级为 U2），支持 UWB 空间感知。典型应用包括 AirTag 精确查找（带方向指引）、Car Key 数字车钥匙（距离感知免触解锁）、以及 Nearby Interaction 框架下的 AR 空间交互。工业领域，UWB 被广泛用于工厂人员定位、AGV 调度、隧道施工安全监控。
2.2 WiFi 定位
WiFi 定位利用已有的无线局域网基础设施，部署成本低，覆盖范围广。主要有三种技术路线：
RSSI 指纹定位（Fingerprinting）
分为两个阶段：离线采集阶段在目标区域的参考点记录各 AP 的 RSSI 值，构建指纹数据库（Radio Map）；在线定位阶段将实时 RSSI 与数据库匹配，采用 KNN、SVM、或深度学习（CNN/LSTM）算法估计位置。精度约 2-5 米，但指纹库维护成本高（AP 变动/装修后需重新采集）。
三边测量/三角测量（Trilateration）
通过路径损耗模型将 RSSI 转换为距离估计，利用至少 3 个 AP 的距离进行几何定位。受室内复杂传播环境影响（反射、衍射、人体遮挡），基于 RSSI 的测距误差较大，精度通常为 5-10 米。
WiFi RTT (IEEE 802.11mc / WiFi FTM)
WiFi Round-Trip Time 是 2016 年 IEEE 802.11mc 标准引入的精确测距协议。通过测量 WiFi 帧在终端与 AP 之间的往返时间来计算距离，类似 UWB 的 TWR 原理。RTT 方式不依赖不稳定的 RSSI，精度可达 1-2 米。Android 9+ 通过 WifiRttManager API 原生支持。Google 在其室内地图中已大规模集成 WiFi RTT，部分商场和机场可实现 1 米级导航。
2.3 BLE 蓝牙低功耗定位
BLE（Bluetooth Low Energy）定位依靠低功耗蓝牙信标（Beacon）周期性广播信号。BLE 5.0+ 的广播范围可达 200 米（开阔环境），功耗极低（纽扣电池可工作 1-3 年）。
技术方案
iBeacon（Apple）/ Eddystone（Google）：基于 RSSI 的近场感知，支持"进入/离开/远/近/紧邻"三区判定，精度约 1-3 米。广泛用于零售、博物馆导览、室内导航。
AoA（Angle of Arrival）：BLE 5.1 规范引入的方向检测功能。接收端使用天线阵列，通过 IQ 采样分析到达信号的相位差，计算入射角度。结合多个锚点的角度信息，可实现 0.5-1 米的亚米级定位。代表产品如 Quuppa 系统。
2.4 室内定位技术对比
技术精度覆盖范围部署成本终端要求功耗典型场景
UWB10-30 cm50-100 m/基站高（专用基站）需 UWB 芯片 (U1/U2)中工业追踪、精密导航
WiFi RSSI2-5 m复用已有 AP低（软件方案）WiFi 终端中商场导航、资产管理
WiFi RTT1-2 m复用 11mc AP中（AP 升级）Android 9+ / 11mc AP中大型场馆、机场
BLE Beacon1-3 m10-30 m/信标低BLE 4.0+极低零售、博物馆
BLE 5.1 AoA0.5-1 m10-30 m/锚点中-高BLE 5.1 天线阵列低医院资产、仓储
实际部署中，多种技术常融合使用（Hybrid Positioning）。例如 Apple 的室内定位方案整合了 WiFi 指纹 + BLE + 气压计（楼层检测）+ PDR（行人航位推算）+ 视觉惯性里程计（VIO），在 Apple Maps 的室内地图中提供 3 米级定位体验。
三、高精地图与自动驾驶
3.1 什么是高精地图（HD Map）
高精地图（High-Definition Map）是自动驾驶汽车的"先验知识库"，精度达厘米级（绝对精度 < 20 cm，相对精度 < 5 cm），远超传统导航地图的 5-10 米精度。高精地图为自动驾驶提供超视距感知能力——车辆在弯道前就能"看到"前方车道的曲率、坡度、限速等信息。
3.2 数据分层结构
高精地图通常采用多层数据架构，每一层承载不同粒度的空间信息：
层级名称核心内容精度要求更新频率
1道路层 (Road Layer)道路中心线、道路边界、交叉口拓扑、匝道连接、道路曲率< 50 cm月/季
2车道层 (Lane Layer)车道线几何（虚线/实线/双黄线）、车道宽度、车道类型（直行/左转/公交）、车道中心线< 20 cm月/季
3交通设施层 (Traffic Layer)交通信号灯位置与朝向、交通标志（限速/禁止/指示）、地面标线（箭头/斑马线/停止线）< 30 cm月/季
4定位特征层 (Localization Layer)路灯杆、护栏端点、建筑物角点、反光标志等几何特征点/线；点云强度图或语义分割地图< 10 cm季/半年
5动态层 (Dynamic Layer)实时交通流、施工区域、临时管制、天气路面状态定性实时/分钟
主流数据格式
OpenDRIVE：ASAM 制定的道路描述标准，基于 XML，用参数化几何（直线/圆弧/螺旋线/三次多项式）描述车道中心线，广泛用于仿真
NDS (Navigation Data Standard)：HERE/大众/BMW 等推动的压缩瓦片化标准，支持增量更新
Apollo OpenAPI / HD Map：百度 Apollo 定义的高精地图格式，基于 Protobuf，包含道路、交叉口、信号灯完整描述
3.3 高精地图 vs "轻地图"争论
围绕自动驾驶是否需要高精地图，行业存在两大路线之争：
"重地图"派 (HD Map Essential)
代表：Waymo、百度 Apollo、Mobileye REM
核心论点：高精地图提供确定性先验信息，弥补传感器实时感知的局限（遮挡、恶劣天气）。地图冗余是安全冗余。
挑战：采集成本高（配备激光雷达的采集车约 ￥200-500 万/辆），更新维护困难，需要测绘资质（中国甲级导航电子地图资质仅约 20 家企业持有）。
"轻地图"派 (Mapless / Light Map)
代表：Tesla FSD、华为 ADS 2.0+ GOD 网络
核心论点：端到端神经网络可从摄像头/传感器实时重建 3D 场景，无需预制高精地图。Tesla 的 Occupancy Network 直接输出体素化占用网格。
优势：不依赖地图覆盖区域，可快速拓展到新城市；不受地图时效性限制；降低 OEM 成本。
妥协：实际中仍需导航级地图（SD Map）提供路由拓扑。
2024-2025 年的趋势表明，两种路线正在融合：Waymo 开始减少对预制高精地图的依赖，采用实时感知+轻量地图；华为 ADS 3.0 的"全国都能开"策略本质上也融入了云端下发的道路骨架信息。行业共识逐渐转向：高精地图作为"安全层"而非"必需层"，在 ODD 范围内按需使用。
四、地理围栏（Geofencing）
4.1 概念与原理
地理围栏（Geofencing）是指在真实地理空间中定义虚拟边界，当设备/车辆/人员进入或离开该区域时触发预设事件。围栏几何可以是圆形（中心点+半径）、多边形、或走廊形（路径+缓冲区）。技术实现通常基于 GPS 定位 + 点在多边形判定算法（Ray Casting / Winding Number）。
4.2 典型应用场景
自动驾驶 ODD
Operational Design Domain（运行设计域）用地理围栏定义自动驾驶系统的合法运行区域。例如 Waymo 在旧金山的 Robotaxi 服务区域、百度 Apollo 在武汉 170 km² 的无人驾驶运营范围，都通过精确的多边形围栏划定。车辆接近 ODD 边界时需提前请求人工接管。
共享单车/电动车
共享出行企业通过地理围栏定义运营区域（区域外无法骑行或自动断电）、禁停区（景区、地铁出口）、推荐停车点（围栏内还车免调度费）。美团单车、哈啰出行均通过百万级围栏精细化管理城市内的车辆调度。
LBS 营销
零售和餐饮企业在门店周围设置围栏（通常半径 100-500 米），当安装了对应 APP 或小程序的用户进入围栏时，推送优惠券或促销通知。星巴克、麦当劳等品牌的 Geofencing 营销转化率可比普通推送高 2-3 倍。
安全与合规
无人机禁飞区（机场、军事区域周围的 NFZ）、危化品运输车辆电子围栏监控、儿童/老人安全监护（离开指定区域报警）、企业资产车辆管理等。大疆无人机内置全球禁飞区围栏数据库，飞行前自动检查。
五、空间索引技术
位置服务的核心计算问题之一是空间查询：给定一个位置，如何快速找到"附近的"目标？传统 B-Tree 索引只能处理一维有序数据，无法直接支持二维空间的范围查询和最近邻查询。空间索引（Spatial Index）通过对二维/三维空间进行层次化划分，将空间邻近性转化为存储邻近性。
5.1 R-tree 及其变种
R-tree 由 Antonin Guttman 于 1984 年提出，是最经典的空间索引结构。其核心思想是用最小外接矩形（MBR, Minimum Bounding Rectangle）层层包裹空间对象，构建一棵平衡多叉树。
结构与操作
叶节点存储空间对象的 MBR 及指向实际数据的指针
非叶节点存储子节点 MBR 的外接矩形
搜索：从根节点开始，检查查询窗口是否与各子节点 MBR 相交，递归进入所有相交子树
插入：选择面积增量最小的子节点插入，节点满时分裂
节点容量通常为 M = 40-100 个条目（取决于磁盘页大小）
Guttman, A. (1984). "R-trees: A Dynamic Index Structure for Spatial Searching." ACM SIGMOD, 47-57.
R-tree 的性能瓶颈在于 MBR 之间的重叠 —— 重叠越多，搜索时需要遍历的分支越多。
R*-tree（Beckmann et al., 1990）通过强制重插入（Forced Reinsertion）策略减少 MBR 重叠，并在分裂时同时优化面积、边长和重叠三个指标，显著提升查询性能。R*-tree 是 PostGIS（通过 GIST 索引）和 SQLite 的 SpatialLite 中默认的空间索引实现。
5.2 Quadtree 四叉树
四叉树将二维空间递归地四等分为 NW/NE/SW/SE 四个象限。当某个象限内的对象数量超过阈值时继续细分，直到达到最大深度。四叉树适合处理点数据（Point Quadtree）和区域数据（Region Quadtree）。
优势：实现简单，空间分割均匀，编码直观（用 2-bit 序列表示路径）
劣势：不是平衡结构，数据分布不均匀时可能极度倾斜
应用：图像压缩、碰撞检测、早期 Web 地图瓦片分割（z/x/y 瓦片就是四叉树的直观体现）
5.3 GeoHash：空间填充曲线编码
GeoHash 由 Gustavo Niemeyer 于 2008 年发明，将二维经纬度坐标编码为一维字符串。其本质是 Z-order 空间填充曲线的离散化应用。
编码原理
将经度区间 [-180, 180] 和纬度区间 [-90, 90] 交替进行二分
每次二分：坐标落在右/上半区记 1，左/下半区记 0
交替编码经度和纬度的二进制位（经度在奇数位，纬度在偶数位）
将得到的二进制串每 5 位一组，用 Base32 编码（0-9, b-z 去掉 a/i/l/o）转为字符
示例：天安门广场 (39.9087°N, 116.3975°E)
GeoHash = "wx4g0" (5 字符，精度约 ±2.4 km)
GeoHash = "wx4g0ec" (7 字符，精度约 ±76 m)
GeoHash = "wx4g0ec1x" (9 字符，精度约 ±2.4 m)
GeoHash 长度与精度对应关系：
1 字符 ≈ ±2500 km | 5 字符 ≈ ±2.4 km | 7 字符 ≈ ±76 m
8 字符 ≈ ±19 m | 9 字符 ≈ ±2.4 m | 12 字符 ≈ ±0.019 m
GeoHash 的关键特性是前缀匹配：共享更长前缀的两个 GeoHash 在空间上更接近。这使得空间邻近查询可以转化为字符串前缀匹配，直接利用 B-Tree 索引加速。
Redis 中的 GeoHash
Redis 3.2+ 内置了 Geo 数据结构，底层就是 GeoHash + Sorted Set。核心命令：
GEOADD restaurants 116.3975 39.9087 "quanjude"
GEOADD restaurants 116.4074 39.9042 "bianyifang"
# 查询天安门 3km 内的餐厅
GEOSEARCH restaurants FROMLONLAT 116.3975 39.9087 BYRADIUS 3 km ASC COUNT 10
# 计算两点距离
GEODIST restaurants "quanjude" "bianyifang" m
Redis 内部将经纬度编码为 52-bit 的 GeoHash 整数，作为 Sorted Set 的 score 存储。范围查询时，计算覆盖目标圆形的 9 个 GeoHash 网格（目标格 + 8 个邻居），对每个网格的 score 范围执行 ZRANGEBYSCORE，最后精确过滤。
5.4 H3：Uber 六边形层级网格
H3 是 Uber 于 2018 年开源的全球离散网格系统（DGGS），将地球表面划分为多分辨率的正六边形网格。
为什么选择六边形？
均匀邻近性：正六边形的 6 个邻居与中心格的距离完全相等（正方形有 4 个边邻居和 4 个角邻居，距离不同）
最小边界效应：六边形的周长/面积比是正多边形中最优的（接近圆形）
无方向偏差：扩散分析、等时圈计算时不会出现正方形网格的"45度锯齿"问题
分辨率体系
H3 定义了 16 个分辨率层级（0-15），每级面积约为上一级的 1/7：
分辨率平均边长平均面积网格总数典型用途
01,107 km4,357,449 km²122全球概览
359.8 km12,392 km²41,162区域分析
58.5 km253 km²2,016,842城市级分析
71.22 km5.16 km²98,825,162社区/商圈
9174 m0.105 km²4,842,432,842出行需求热力图
1124.9 m2,149 m²~2.4 × 10¹¹POI 聚合
133.56 m43.87 m²~1.17 × 10¹³建筑级
150.51 m0.90 m²~5.7 × 10¹&sup4;亚米级精度
H3 在 Uber 的实战应用
动态定价（Surge Pricing）：以 Resolution 7-9 的六边形为单位，实时统计供需比，计算溢价倍率
ETA 预测：将城市划分为 H3 网格，每个网格维护历史通行时间分布
司机热力图：以 Resolution 9 聚合显示实时叫车需求密度
市场分析：以 Resolution 7 为单位分析各区域的市场渗透率和增长趋势
H3 的索引编码为 64-bit 整数，包含分辨率、基面编号和层级路径。通过 h3.latlng_to_cell(lat, lng, resolution) 可快速将任意经纬度映射到 H3 索引。H3 已被 Snowflake、DuckDB、ClickHouse、Databricks 等主流数据平台原生支持。
六、位置隐私保护
位置数据是最敏感的个人信息之一 —— 通过分析一个人的移动轨迹，可以推断其住址、工作地点、就医记录、宗教信仰、社交关系等高度隐私信息。研究表明，仅需 4 个时空点就能以 95% 的准确率唯一识别一个人（de Montjoye et al., Science 2013）。位置隐私保护已成为 LBS 领域最重要的伦理与法律议题。
6.1 K-匿名（K-Anonymity）
位置 K-匿名的核心思想是：将用户的精确位置模糊化为一个包含至少 K-1 个其他用户的空间区域（Cloaking Region），使得攻击者无法以高于 1/K 的概率将查询与特定用户关联。
空间模糊化：使用可信第三方（Anonymizer）收集 K 个用户的位置，计算它们的最小外接矩形作为匿名区域
优点：概念直观，易于实现
局限：可信第三方成为单点故障和隐私瓶颈；在用户稀疏区域，匿名区域可能非常大，导致服务质量下降；无法抵御背景知识攻击（攻击者知道某区域只有一栋居民楼）
6.2 差分隐私（Differential Privacy）
差分隐私（DP）由 Cynthia Dwork 于 2006 年提出，提供了数学上可证明的隐私保障。核心定义：
ε-差分隐私：
对任意两个仅差一条记录的相邻数据集 D 和 D'，以及任意输出集合 S：
Pr[M(D) ∈ S] ≤ e¹ · Pr[M(D') ∈ S]
其中 ε（epsilon）为隐私预算参数，ε 越小隐私保护越强。
典型取值：ε ∈ [0.1, 10]，实际应用中 ε = 1-3 较为常见。
Laplace 机制
对数值查询结果添加服从 Laplace 分布的噪声：噪声 ~ Lap(Δf / ε)，其中 Δf 是查询的全局敏感度（加入/删除一条记录对查询结果的最大影响）。例如计数查询的敏感度 Δf = 1，则添加 Lap(1/ε) 噪声即可满足 ε-DP。
Geo-Indistinguishability（地理不可区分性）
传统差分隐私应用于位置数据时，忽略了位置的度量空间特性 —— 两个相距 1 米的位置和相距 100 km 的位置应获得不同程度的保护。Geo-Indistinguishability（Andrés et al., CCS 2013）扩展了差分隐私到度量空间：
d⊂ε-隐私（Geo-Indistinguishability）：
对任意两个位置 x, x'：
Pr[M(x) ∈ S] ≤ e^(ε · d(x, x')) · Pr[M(x') ∈ S]
其中 d(x, x') 是两个位置之间的欧氏距离。
效果：距离越近的位置越难被区分，距离越远的位置区分度自然增大。
实现：在用户真实位置上添加服从平面 Laplace 分布的噪声
噪声极坐标表示：r ~ Gamma(2, 1/ε), θ ~ Uniform(0, 2π)
6.3 联邦学习与本地化隐私
联邦学习（Federated Learning）让模型训练在用户设备本地进行，仅上传梯度更新而非原始位置数据。Google 在 Gboard 输入法和 Android 位置服务中大规模应用联邦学习。结合安全聚合（Secure Aggregation）和本地差分隐私（LDP），服务器甚至无法获知单个用户的梯度更新。Apple 的 "差分隐私" 方案也用于收集 Emoji 使用统计、Safari 浏览统计等，声称 ε = 2-8。
6.4 空间混淆（Spatial Obfuscation）
除上述数学方法外，还有一系列实用化的空间混淆策略：
位置泛化（Generalization）：将精确坐标替换为模糊区域名（如"朝阳区"而非精确经纬度）
假位置注入（Dummy Location）：向 LBS 服务器发送 K-1 个假位置和 1 个真实位置，服务器无法区分真假
轨迹断裂（Trajectory Perturbation）：在轨迹中插入随机偏移或删除部分轨迹点，破坏时空连续性
Mix-zone：在特定区域（如十字路口）内，多个用户交换假名，使攻击者无法跨区域跟踪
6.5 中国法律框架：PIPL 与 GCJ-02
中国在位置隐私保护方面有特殊的法律和技术要求：
《个人信息保护法》(PIPL) 关于位置数据的规定
2021 年 11 月 1 日起实施的《个人信息保护法》(PIPL) 将行踪轨迹明确列为敏感个人信息（第 28 条）。收集精确位置信息需要：
取得用户的单独同意（非默认勾选，且与其他权限分开授权）
告知收集目的、方式和范围
遵循最小必要原则（导航 APP 可收集精确位置，天气 APP 仅需城市级位置）
数据本地化：位置数据原则上存储在中国境内，出境需通过安全评估
违规处罚：最高年营收 5% 或 5000 万元罚款
GCJ-02 坐标偏移（火星坐标系）
中国法律要求所有面向公众的地图服务必须使用 GCJ-02 坐标系（国测局02坐标系，俗称"火星坐标系"），而非国际通用的 WGS-84。GCJ-02 通过一个非线性、不公开的偏移算法，对 WGS-84 坐标进行加密偏移（偏移量约 100-700 米），使得原始 GPS 坐标无法直接在国内地图上正确显示。
坐标系使用范围代表应用
WGS-84国际标准，GPS/GNSS 原始输出Google Earth（海外版）、国际导航
GCJ-02中国法定地图坐标系高德地图、腾讯地图、Google Maps 中国
BD-09百度在 GCJ-02 基础上的二次偏移百度地图
开发者在处理中国地图数据时，必须注意坐标系转换。常用开源工具如 coordtransform（JavaScript）、gcoord（Python）可实现 WGS-84 / GCJ-02 / BD-09 之间的互转。值得注意的是，GCJ-02 的偏移算法虽未官方公开，但已被逆向工程得到足够精度的近似实现。
de Montjoye, Y. A. et al. (2013). "Unique in the Crowd: The privacy bounds of human mobility." Scientific Reports, 3(1376).
Andrés, M. E. et al. (2013). "Geo-Indistinguishability: Differential Privacy for Location-Based Systems." CCS'13, 901-914.
Dwork, C. (2006). "Differential Privacy." ICALP, 1-12.
Guttman, A. (1984). "R-trees: A Dynamic Index Structure for Spatial Searching." ACM SIGMOD, 47-57.
Beckmann, N. et al. (1990). "The R*-tree: An Efficient and Robust Access Method for Points and Rectangles." ACM SIGMOD, 322-331.