一种基于UWB的室内定位方法及系统

摘要

本发明提供了一种基于UWB的室内定位方法及系统，该方法包括：部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元；基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。本发明在获取到达距离差偏差值时，采用历史位姿关系序列和残差序列可以让网络更好的学习到位姿的变化特征，进而提高拟合效果；同时，在网络中加入了反映两个锚点历史位姿关系序列变化一致性的一致性系数，提高网络输出结果的精度。

权利要求

1.一种基于UWB的室内定位方法，其特征在于，该方法包括：部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元；

基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；

其中，到达距离差偏差值的获取具体为：相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角；根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史相对仰角序列；

基于去趋势互相关分析算法获取每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列；

利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值；

利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。

2.如权利要求1所述的方法，其特征在于，所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序向量，第二时间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序向量和第二时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。

3.如权利要求2所述的方法，其特征在于，获取反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，一致性系数与融合向量相乘后输入全连接网络，得到所述到达距离差偏差值。

4.如权利要求3所述的方法，其特征在于，基于所述任意两个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系数，互相关系数的和为一致性系数。

5.如权利要求4所述的方法，其特征在于，所述偏差值预测神经网络的训练标签在空旷的室内环境下获取。

6.如权利要求5所述的方法，其特征在于，所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差。

7.一种基于UWB的室内定位系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑6任一项所述方法的步骤。

说明书

一种基于UWB的室内定位方法及系统

技术领域

[0001] 本发明涉及无线定位领域，具体为一种基于UWB的室内定位方法及系统。

背景技术

[0002] 室内定位系统在实际应用中面临许多困难。由于火灾和烟雾，光学系统在紧急情况下可能无法使用；基于信号强度的系统对衰落效应敏感；指纹识别系统需要专门的训练
阶段；使用无线电信号的基于距离测量的系统，提供了诸如集成在现有无线电设备(如智能
手机)中的能力、低功耗实现的潜力和适度的基础设施要求等优势，然而，它们面临着由强
反射或漫散射等传播效应引起的具有挑战性的性能损害。

[0003] 相较于上述定位方法，基于大信号带宽进行定位有两个主要优点：第一，低时延，可达到的精度增加；其次，视线（LOS）路径可以更容易地从其他信号部分分离出来，提高了
鲁棒性。因此，使用超宽带（UWB）信号进行室内定位可以实现较好的定位精确度。然而超宽
带无线电天线的辐射模式及接收模式会使得基于超宽带信号的定位系统受到影响，从而导
致定位结果出现偏差。

发明内容

[0004] 为了解决上述问题，本发明提出一种基于UWB的室内定位方法，该方法包括：

[0005] 部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点
上部署有惯性测量单元；

[0006] 基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的
坐标。

[0007] 进一步地，所述相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角。

[0008] 进一步地，根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史
相对仰角序列；

[0009] 基于去趋势互相关分析算法获取每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列；

[0010] 利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值。

[0011] 进一步地，所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序
向量，第二时间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序
向量和第二时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。

[0012] 进一步地，获取反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，一致性系数与融合向量相乘后输入全连接网络，得到所述到达距离差偏差值。

[0013] 进一步地，基于所述任意两个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系数，互相关系
数的和为一致性系数。

[0014] 进一步地，所述偏差值预测神经网络的训练标签在空旷的室内环境下获取。

[0015] 进一步地，所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差。

[0016] 本发明还提出一种基于UWB的室内定位系统，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基
于UWB的室内定位方法的步骤。

[0017] 本发明的有益效果在于：

[0018] 1.本发明基于UWB锚点与待定位节点间的相对位姿关系，利用通过神经网络预测到达距离差偏差值后，基于到达距离差偏差值对所述到达距离差进行修正，得到精确的到
达距离差，进而求解方程组实现待定位节点的准确定位。

[0019] 2.本发明在获取到达距离差偏差值时，采用历史位姿关系序列和残差序列可以让网络更好的学习到位姿的变化特征，进而提高拟合效果；同时，在网络中加入了反映两个
UWB锚点历史位姿关系序列变化一致性的一致性系数，提高网络输出结果的精度。

附图说明

[0020] 图1为本发明方法实施流程图。

具体实施方式

[0021] 为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此
外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0022] 实施例一：

[0023] 该实施例提供了一种基于UWB的室内定位方法，该方法实施流程如图1所示，具体地，该方法包括：

[0024] 步骤S1，部署若干UWB锚点，在室内环境中的墙角位置处布置多个UWB锚点，应保证布置锚点的覆盖范围能覆盖整个室内区域。部署的UWB锚点应相对于室内地表平面保持平
行，以减少误差，并测量其在室内的3D坐标即UWB锚点部署点的坐标，然后存储在待定位节
点中；此外，每个UWB锚点都对应建立一个三维直角坐标系，用于后续相对位姿的计算。

[0025] 步骤S2，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有
惯性测量单元(IMU)，IMU是测量物体三轴姿态角(或角速率)以及加速度的装置，可以解算
出待定位节点的姿态，包含俯仰角度、倾斜角度与侧滑角度；优选地，实施例中待定位节点
可以为无人机。

[0026] 具体地，对于第 个和第 个UWB锚点，锚点信息到达待定位节点所需时间分别为和 ，则根据到达时间差 计算第 个和第 个UWB锚点的锚点信息到达待定位节点的到
达距离差 ，表示锚点信息的传播速度。

[0027] 步骤S3，基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定
位节点的坐标。

[0028] TDOA定位涉及至少两个UWB锚点和一个待定位节点，由于超宽带无线电为圆环形天线，因此TDOA定位系统中的偏差是UWB锚点与待定位节点之间复杂的相对位姿关系相互
作用的结果；以第 个和第 个UWB锚点为例，基于UWB TDOA算法得到的第 个和第 个UWB锚
点的锚点信息到达待定位节点的到达距离差 可表示为： ，其中， 为
无偏差情况下第 个和第 个UWB锚点的锚点信息到达待定位节点的到达距离差； 为到达
距离差偏差值； 为噪声偏差，噪声偏差为锚点信息传输过程中受室内环境影响产生的偏
差。因此该步骤的主要目的是获取锚点与待定位节点间相对位姿导致的到达距离差偏差值
，具体地， 的获取方法为：

[0029] 1)获取相对位姿关系，相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角；具体地，以第 个和第 个UWB锚点为例，相对位姿关系
包括第 个和第 个UWB锚点分别与待定位节点 间的距离 、相对方位角 、相对仰
角 ；具体地，对于通过待定位节点上部署的惯性测量单元(IMU)获取的待定位节点的
姿态，即俯仰角度、倾斜角度与侧滑角度，通过锚点坐标系及待定位节点坐标系进行空间转
换求取UWB锚点与待定位节点间的相对方位角、相对仰角。

[0030] 2)根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史相对仰角
序列；基于去趋势互相关分析算法(DCCA)获取每个UWB锚点的距离残差序列、相对方位角残
差序列、相对仰角残差序列后，基于所述任意两个UWB锚点的距离残差序列、相对方位角残
差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系
数，具体的获取互相关系数的过程是公知的，本发明不在赘述。

[0031] 以距离残差序列为例，说明各个残差序列的获取方法：

[0032] 对历史距离序列中的值进行累加，得到距离累加序列为 ，具体地，距离累加序列中第 个值 ，的取值依次为 ；为历史距离序列中元素的个数，
为历史距离序列中第 个元素的值；用最小二乘法拟合距离累加序列 ，得到拟合后的线性
数据序列 ，则距离累加序列 与线性数据序列 对应元素相减得到残差序列。

[0033] 至此，可得到每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列。

[0034] 3）利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值。

[0035] 所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序向量，第二时
间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序向量和第二
时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。

[0036] 偏差值预测神经网络的训练过程为：

[0037] a)第一时间卷积网络输入的形状为 ，为第一时间卷积网络输入的，为序列长度,即通过历史多久的数据来预测一次当前时刻的到达距离差偏差值，6为数
据数目，即每个时刻对应的输入数据为[ ]，最终输出第一时序向量，形
状为[ , ]，的经验值为32，即32维的第一时序向量。第二时间卷积网络输入的形状同样
为 ，每个时刻输入的6个数据为第 个和第 个UWB锚点的距离残差序列、相对方位角
残差序列、相对仰角残差序列中相应的值，输出第二时序向量，形状为[ , ]，的经验值
为32，即32维的第二时序向量。

[0038] 需要注意，输入偏差值预测神经网络的序列要进行预处理操作，优选地，实施例中对于距离序列中的元素进行Z‑score预处理，对于角度序列中的元素进行角度处理，即
，其中 表示相对方位角或相对仰角， 表示圆周率所对应的角度值。

[0039] 第一时序向量与第二时序向量进行数据融合，由于两个时间卷积网络输入数据的表征意义不同，因此融合方法采用Concatenate操作，即联合操作，最终得到64维特征向量，
称为融合向量。

[0040] 进一步地，为了提高偏差值预测神经网络的预测精度，本发明中还加入了反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，实施例中距离互相关系数、方位
角互相关系数、仰角互相关系数之和为一致性系数，具体地，一致性系数与融合向量相乘后
输入全连接网络，全连接网络起到数据拟合作用，将特征映射到样本标签值，输出形状为[
,]，1为输出的到达距离差偏差值。

[0041] b)获取偏差值预测神经网络的训练标签：

[0042] 所述偏差值预测神经网络的训练标签在空旷的室内环境下获取，具体地，利用视觉里程测量计或运动捕捉系统获取待定位节点的准确三维坐标 ，UWB锚点的三维坐
标为 ，求取待定位节点与UWB锚点的欧式距离：

[0043] 则第 个和第 个UWB锚点的信息到达待定位节点的到达距离差为 ，此时对应的训练标签为：

[0044] 为基于UWB TDOA算法得到的第 个和第 个UWB锚点的锚点信息到达待定位节点的到达距离差； 为第 个和第 个UWB锚点对应的到达距离差偏差值。

[0045] c)损失函数采用均方差等回归型损失函数。网络的优化可采用Adam、Lookahead、Adabound等优化器。

[0046] 至此，完成偏差值预测神经网络的训练。

[0047] 所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差 ，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差，得到最终无偏差情况下第
个和第 个UWB锚点的锚点信息到达待定位节点的到达距离差 ，基于UWB的TDOA定位方法
会得到多个双曲线方程组，将双曲线方程组中的 替换为 后求解双曲线方程组，得到待
定位节点的三维坐标。

[0048] 具体地，噪声偏差是由UWB传播的多径效应及NLOS传播导致的偏差；基于UWB的TDOA定位方法不管定位标签是运动还是静止的状态，都是采用单一的定位算法进行位置估
计，因此，选用扩展卡尔曼滤波来进行位置追踪，可以改善定位效果，提升定位精度。

[0049] 实施例二：

[0050] 基于与上述方法实施例相同的发明构思，该实施例提供了一种基于UWB的室内定位系统，具体地，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的
计算机程序，所述计算机程序被处理器执行时实现基于UWB的室内定位方法的步骤。

[0051] 关于系统实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并
不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范
围内。