随着科技的日新月异,无人车、无人机等智能体组成的无人系统走进了人们的生产生活中。在无人系统中,精确的定位和导航是一切工作的基础。单个机器人的定位精度有限,而多智能体系统则可以通过融合各个节点的定位信息,提高系统整体的定位精度,实现1+1＞2的效果。因此,采用协同的思想,组成人车/人机协同网络,无疑能更好的完成复杂任务。考虑到实际场景中,人车协同的应用更加广泛,本文研究了基于UWB的人车协同导航算法。本文以人车协同导航系统为研究对象,建立了数学模型,并在此基础上进行了两方面的研究。在算法理论层面,本文研究了可分散化的协同导航算法;在实际应用层面,本文研究了基于UWB的人车协同导航系统。在本文的算法理论研究中,由于分散式的数据融合结构具有去中心化的特点,最适合被用于协同导航系统中,所以本文的协同导航算法重点着眼于如何实现分散化。利用信息滤波观测更新和时间更新的局部性,本文研究了两种分散化的协同算法:第一种是应用增广信息滤波,通过矩阵的Cholesky分解,实现分布式递增修正的状态恢复算法,从而实现“基于增广信息滤波的分散式协同导航算法”（DAIF）。该算法可以通过点对点的通信链接方式,大大降低系统的通信量和计算量。第二种是应用范围参数化的平方根容积信息滤波算法（RP-SRCIF）,通过选取合适的子区间并将计算量进行分配,实现算法的分布式计算。本文在该算法基础上,对权值的计算进行了创新,引入了矩阵的迹的概念,提出了“基于改进的RP-SRCIF的分散式协同导航算法”。在本文的实际应用研究中,本文针对人车协同导航系统中使用的UWB模块,研究了基于测距测角的量测方程。之后对系统进行了可观测分析,为选取状态向量和观测向量提供了参考。接下来,本文继续研究了人车协同导航系统中通信与计算时间延迟带来的协同导航误差,并提出了基于惯性信息辅助的时间延迟补偿算法。最后,搭建了实物实验平台,并将本文提出的基于UWB测距测角的量测方程应用于DAIF算法中,进行了实物实验。实验结果表明:分散式增广信息滤波算法的协同效果好于航位推算结果。与DKF对比,DAIF在计算难度,通信难度都低于DKF,且该算法协同效果与DKF算法相当。实验验证了DAIF算法可以应用于分散式的人车协同导航系统,并且能够减少系统中的通信量和计算量。