La localisation en intérieur demeure un grand défi pour les applications comme le suivi sportif, les visites contextuelles (musées), la modélisation de bâtiments (BIM) ou les missions de drones automatisées. Les approches classiques utilisant des communications radio comme le WiFi, le Bluetooth ou le ZigBee ne donnent qu'une précision supérieurè a 2 m` etres lorsque le mobilè a localiser est statique, les résultats se dégradant en mouvement. Basé sur la technologie UWB (Ultra Wide Band), un algorithme de localisation nommé Meilleure Sélection d'Ancre pour la Trilatération (BAST) en fonction de la prédiction de position et prenant en compte l'estimation du bruit est proposé. Un protocole expérimental utilisant la plateforme Zyggie de l'IRISA montre que BAST permet d'obtenir des résultats de 1,26 jusqu'` a 4,17 fois meilleurs en termes de précision comparé aux algorithmes de faible complexité de l'´ etat de l'art lorsque le mobile/personne est en mouvement (joueur de tennis par exemple). Abstract – Indoor localization still remains a great challenge for applications like sports monitoring, contextual visits of museum, Building Information Modeling (BIM) or automated drone missions. Classical approaches using radio communication such as WiFi, Bluetooth, ZigBee only give a precision of more than 2 meters when the mobile is static, of course worse when moving. Based on Ultra Wide Band (UWB) communications, a localization algorithm named Best Anchor Selection for Trilateration (BAST) that outperforms low complexity state of the art algorithms is proposed. The anchor selection relies on position prediction and takes into account noise estimation. A wearable, light and low power Wireless Sensor Network (WSN) prototype (named Zyggie) including an UWB chipset has been developed for algorithms comparison. Experimental testbed using real cases experiments show that BAST can give from 1.26 up to 4.17 times better precision when the mobile/person is in movement (e.g. tennis player).