基于超寬帶傳感器和慣性測量單元融合的定位算法

據(jù)麥姆斯咨詢報道，為了解決非視距（Non-Line-of-Sight，NLOS）影響下，單一傳感器的室內(nèi)定位問題，來自深圳大學和國家無線電監(jiān)測中心的研究人員提出了基于超寬帶（Ultra-Wide Band，UWB）傳感器和慣性測量單元（Inertial Measurement Unit，IMU）融合的定位算法，實現(xiàn)在NLOS場景下的高精度室內(nèi)定位系統(tǒng)。相關(guān)研究成果以論文形式發(fā)表于《無線電工程》期刊。

定位系統(tǒng)描述

基于自組織的分布式網(wǎng)絡(luò)管理模型如圖1所示，主要由3部分組成：網(wǎng)管服務(wù)器、分布式網(wǎng)絡(luò)代理（Distributed Network Agent，DNA）和被管設(shè)備。

圖1 自組織的分布式網(wǎng)絡(luò)管理模型

此外，IMU傳感器中的陀螺儀通過姿態(tài)矩陣進行姿態(tài)解算，加速度計通過二次積分獲得位置信息。UWB通過基站與標簽之間的通信解算出位置信息。通過當前位置和UWB測得的距離信息采用支持向量機（Support Vector Machine，SVM）進行NLOS信號的識別分類。

NLOS信號的檢測

雖然UWB技術(shù)具有較強的抗干擾能力和抗多徑衰弱能力，但是在NLOS情況下，UWB信號的測距定位能力將大大降低。因此在進行UWB定位時，要進行NLOS的識別。在雙向測距（Two-way Ranging，TWR）的解算過程中，脈沖信號一共傳遞了3次。當出現(xiàn)障礙物遮擋時，信號的傳輸會多次受到NLOS的影響，相比于前一時刻的信號傳播時間會出現(xiàn)較大的跳變。因此，研究人員提出使用機器學習的方式，利用支持向量機（Support Vector Machine，SVM）對實際場景中的NLOS和LOS情況下的距離測量值進行訓(xùn)練，得到符合對應(yīng)應(yīng)用場景的分辨閾值。由于移動障礙物可能會對UWB系統(tǒng)的NLOS測距結(jié)果產(chǎn)生規(guī)律性的影響，因此通過設(shè)置障礙物的位置模擬NLOS場景，并研究障礙物位置與NLOS檢測之間的關(guān)系。NLOS/LOS樣點采集模型如圖2所示。

圖2 NLOS/LOS樣點采集模型

IMU和UWB融合定位仿真實驗

為了驗證所提出的算法的性能，研究人員通過仿真實驗進行模擬。在不同觀測噪聲下，通過最小二乘法（Least Squares Method，LS）和LS-擴展卡爾曼濾波（EKF）算法的定位軌跡如圖3（a）所示。在同等觀測噪聲下，UWB和IMU經(jīng)過EKF濾波過后的定位軌跡要比只經(jīng)過LS定位算法的定位軌跡數(shù)據(jù)抖動更小，軌跡更加平滑。且觀測噪聲也會對定位結(jié)果有較大影響。圖3（b）顯示了2種算法的誤差變化趨勢。在觀測噪聲R=0.1時，經(jīng)過LS算法定位的軌跡誤差在0.1-1.4m抖動，經(jīng)過EKF濾波后定位誤差下降并逐漸保持穩(wěn)定在0.2-0.4m。在觀測噪聲R=0.01時，LS-EKF算法的誤差明顯要比LS算法平滑得多，且定位誤差更小。圖3（c）是2種算法對應(yīng)的誤差累計分布函數(shù)（Cumulative Distribution Function，CDF）圖，在觀測噪聲R=0.1時，LS和LS-EKF算法在仿真的數(shù)據(jù)范圍內(nèi)的最大誤差分別為1.3m和0.85m；在觀測噪聲R=0.01時，LS和LS-EKF算法在仿真的數(shù)據(jù)范圍內(nèi)的最大誤差分別為0.3m和0.2m。

圖3 LS和LS-EKF定位算法

LS和LS-EKF算法平均誤差和標準差如表1所示，在觀測噪聲R=0.1時，LS和LS-EKF算法平均誤差為0.4032m和0.1048m，誤差的標準差大小為0.0744m和0.0285m。在觀測噪聲R=0.01時，LS和LS-EKF算法平均誤差為0.0285m和0.0147m，誤差的標準差大小為0.0077m和0.0018m。在觀測噪聲分別為R=0.1和R=0.01時，相較于LS算法，LS-EKF算法的定位精度分別提高了74%和48%。因此，所提出的算法能很好地識別和緩解NLOS帶來的定位誤差。

表1 LS和LS-EKF算法平均誤差和標準差