摘要：引文格式：隋心, 史政旭, 王长强, 等. 室内超宽带测距定位及NLOS抑制方法[J]. 测绘通报, 2024(10): 103-109.doi: 10.13474/j.cnki.11-2246.2024.1017.
本文内容来源于《测绘通报》2024年第10期，审图号：GS京（2024）1967号
室内超宽带测距定位及NLOS抑制方法
隋心, 史政旭, 王长强, 田曦, 高嵩
辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
基金项目：国家自然科学基金(42074012);辽宁省“兴辽英才计划”项目(XLYC2002101;XLYC2008034)
关键词：UWB, NLOS, SNR, 改进自主完好性监测
引文格式：隋心, 史政旭, 王长强, 等. 室内超宽带测距定位及NLOS抑制方法[J]. 测绘通报, 2024(10): 103-109.doi: 10.13474/j.cnki.11-2246.2024.1017.
摘要
摘要：针对UWB定位过程中易受NLOS等误差影响导致定位精度和稳定性下降,并且现有的NLOS识别剔除方法模型复杂、环境依赖性强等问题,本文提出一种信道特征二元假设和基于滑窗改进的UWB自主完好性监测相结合的误差识别剔除方法。该方法首先通过信道特征二元假设对粗差、部分NLOS误差识别剔除,在提升数据质量的同时能够最大限度地降低UWB定位自主完好性监测的单测距值故障假设的局限性;然后针对量级较小的NLOS误差,仍然存在识别不敏感问题,因此,结合滑窗改进的UWB定位自主完好性监测方法;最后在UWB定位自主完好性监测方法的基础上引入测距精度提升监测性能,并结合滑窗理论降低漏检情况,能够针对信道特征二元假设方法未识别的NLOS测距值进行有效识别剔除,实现对NLOS误差的进一步识别剔除。试验结果表明,本文方法能够对NLOS等误差进行有效识别剔除,提高UWB定位精度和可靠性。
正文
随着时代和科技的不断发展，导航定位与位置服务广泛应用于智能交通、紧急救援等领域，是提升人们生活质量和工作效率的重要工具，已经成为人们生活中的重要组成部分。与此同时，随着人们在室内活动轨迹的增多，室内定位技术已经成为导航定位与位置服务不可缺少的一部分。与其他室内定位技术相比，超宽带(ultra wide band，UWB)定位技术具有低功耗、抗干扰能力强、多径分辨率高、定位精度高等优点[1-2]。视距(line of sight，LOS)环境下，基于双向飞行时间(two-way time of flight，TW-TOF)的测距方法可精确测量UWB流动站和所部署UWB基站之间的距离[3]。然而，在非视距(non line of sight，NLOS) 环境下会造成干扰甚至中断UWB信号，导致信号无法在UWB基站和UWB流动站之间直接传输，使距离测量值中产生NLOS误差[4]。因此在NLOS环境下，有效地识别和抑制NLOS误差是提高UWB定位算法精度和稳定性的关键。目前，NLOS环境下的UWB NLOS误差识别抑制的方法主要分为3类，即基于距离估计的方法[5-6]、基于信道统计的方法[7-8]和基于位置估计的方法[9-10]。基于距离估计的方法通过分析NLOS环境下UWB测距误差规律建立函数模型区分LOS和NLOS，该方法效果明显，但过于依赖建模精度和函数模型参数选取，并且建模工作量大[11]。传统的基于信道统计的方法，通常通过利用从信号传输的波形中提取信道特征，结合深度学习或机器学习实现对LOS和NLOS区分。信道特征在信号传输过程中是测距性能的最直接体现，是区分LOS和NLOS的重要指标。该方法虽然能够取得较好的效果，但需要针对不同场景选取相应的参数，进行大量的训练工作[12]。其效果很大程度上取决于所用数据集和训练过程中参数的选择，难以直接应用于新的场景，不具有通用性。以上两类方法均是在定位之前对NLOS进行识别，与之相比，基于位置估计的方法是在定位过程中识别NLOS，环境依赖性小、所需先验知识少。基于位置估计的方法主要分为抗差滤波处理方法[13-15]和统计检验处理方法[16-18]两类。抗差滤波处理方法是在滤波解算过程中，通过不同的方法对测距值加权，能够在一定程度上对NLOS误差进行抑制削弱，但并未剔除NLOS。统计检验处理方法是在一定冗余观测条件下基于统计检验理论，实现对NLOS0误差的识别和剔除，取得了较好的效果，但该方法基于单测距值故障假设具有局限性，并且在实际统计检验理论建模过程中，未考虑UWB测距精度的影响存在监测性能及漏检情况等问题。综上，在UWB定位中缺少一种复杂度低、普适性强、环境依赖性小的NLOS识别剔除方法。因此，本文提出一种信道特征二元假设方法和基于滑窗改进的UWB定位自主完好性监测方法相结合的误差识别剔除方法。首先，通过信道特征二元假设方法对原始数据中粗差、较大量级的NLOS等误差进行识别剔除，提升数据质量，最大限度地降低因多测距值故障造成的UWB定位自主完好性监测方法受限的可能性。然后，针对现有方法对量级较小的NLOS误差仍然存在识别不敏感问题，提出基于滑窗改进的UWB定位自主完好性监测方法。最后，在UWB定位自主完好性监测方法基础上，顾及UWB测距精度并结合滑窗理论，以此提升方法的监测性能、降低漏检情况，识别和剔除信道特征二元假设方法未识别的NLOS测距值。
1 UWB定位系统状态模型和量测模型
TW-TOF是一种利用UWB信号在基准站和流动站之间双向飞行时间差实现测距的方法，相较于其他测距模式，TW-TOF不要求基准站和流动站进行时间同步，因此本文选用此测距模式。本文解算方法采用标准卡尔曼滤波(Kalman filtering，KF)[19]，将UWB流动站的二维位置和速度信息作为状态向量X=[pyxT，状态方程和量测方程[7]分别如下。UWB定位状态方程为
式中，Xk为k时刻UWB流动站状态向量；Fk，k-1为系统采样间隔内的状态转移矩阵；wk为k时刻噪声向量；wk对应的协方差矩阵为Q(2)
UWB定位量测方程为
(4)
其中
2 UWB NLOS识别方法
在NLOS环境中，UWB信号传播受环境、人员和车辆等随机因素的影响，易产生NLOS误差，严重影响定位精度和稳定性。因此，有效地识别剔除NLOS误差是提高定位解算精度和稳定性的关键。
2.1 基于信道特征的NLOS识别
UWB信号传输受障碍物、环境等影响，易造成多径信号和衰落信号，在接收端UWB信号可表示为
通常UWB信号受传输影响会直接造成UWB信号波形的变化，以T0000为采样点数。LOS/NLOS环境下UWB信号波形变化如图 1、图 2所示。图 1 LOS环境下UWB采样波形
图选项
图 2 NLOS环境下UWB采样波形
图选项
通过对UWB信号波形提取相应信道特征进行NLOS识别，是一种直接有效的NLOS识别方式[20]。其中信噪比(signal to noise ratio，SNR)是基于信号强度和噪声的估计，在LOS环境下，噪声较低且稳定，直达路径通常等于最强径；NLOS环境下，信号传输噪声高，且更加复杂、不稳定，首径非最强路径。SNR可表达为(6)
式中，Vpeak表示扫描前沿附近最大信号强度；Noise表示对前沿之前噪声估计。
本文根据SNR对LOS/NLOS做二元假设检验
(7)
式中，λ为设定阈值，通过多次试验进行分析获得的经验阈值。
(8)
其中
(9)
2.2 基于滑窗改进的UWB定位自主完好性监测2.2.1 全局检验模型
由式(4)根据最小二乘法进行UWB定位的解算，可得
1=H(：，1：2)，即H系数矩阵的前两列；W=Rk-1，为观测加权矩阵，Rk为量测噪声的协方差阵。故残差向量v为
式中，Qv=W-111)-1，为A矩阵的协因数阵。残差平方和为
(12)
构建检测统计量
(13)
式中，M为基准站数量，M≥2。
故障检验门限为
式中，σ0为测距精度，经过测距模块多次试验标定获得，假设测距精度已精确获得。设定误警概率PFA，根据式(15)可得T检测统计量σ和检验门限σ进行比较，若σT，不存在故障；否则存在故障，需进行故障识别。2.2.2 故障识别模型
当全局检验监测到故障后进行故障识别，利用最小二乘残差向量构造服从标准正态分布的统计量，为
式中，i=1，2，…，M；vi为对应第i个基站的距离残差；qii为矩阵Qv对应的第i行第i列。故障识别门限为设定误警概率PFA，则可计算相应的T，可表示为对检测统计量d，则该基站数据正常；否则该基站数据存在故障。2.2.3 自主完好性监测模型
UWB定位自主完好性监测过程中σ0的取值直接影响整体定位完好性监测效果。σ0的取值不准确，会出现全局检验和故障定位的概率均小于实际值，从而引起漏检情况。针对上述问题，为了进一步对漏检情况进行剔除，主要利用一致性检验的思想，针对式(12)中的残差平方和S，给定一个固定宽度的滑动窗口，该窗口沿着数据流中滑动，窗口内进行求和，选取滑动窗口的大小为k=10，窗口内求和公式为(19)
式中，Fiti为第i个历元滑动窗口求和值。
将相邻窗口内求得的和作差
式中，ΔF为相邻窗口差值。对ΔF进行阈值检验式中，ε为经验阈值。若ΔFiε，则第i个历元存在异常，需要剔除第i个历元，并由式(1)的状态更新结果对该剔除历元位置信息进行赋值。完成NLOS环境下UWB定位NLOS识别和剔除，以提高UWB定位系统精度和稳定性。本文算法的主要流程如图 3所示。
图 3 本文方法的主要流程
图选项
本文算法主要分为3个部分。首先，基于信道特征二元假设方法的NLOS初步识别方法，能够对原始数据中粗差、较大量级的NLOS等误差进行识别剔除，提升数据质量；然后，UWB定位自主完好性监测，在全局检验和故障识别的检验门限构建过程中顾及UWB测距精度，提升方法的监测性能；最后，通过滑窗控制漏检，结合滑窗理论降低自主完好性监测的漏检情况，基于卡尔曼滤波定位解算。
3 试验与结果分析
为验证本文算法的实际性能，设计验证试验，试验场景选在某商场地下停车场，如图 4所示。选用采样频率为2 Hz、测距精度为2 cm的Time Domain P440 UWB模块；由采样频率为5 Hz的Leica TS50自动跟踪全站仪构建独立坐标系，且可提供精度为1.5 mm+2×10-6·D的参考轨迹。为了充分验证本文算法的性能，基站布设时人为将部分基站布设在柱子和静止车辆后，构造丰富的NLOS环境，试验平台和设计试验路线及基站布设情况分别如图 5、图 6所示。图 4 试验场景
图选项
图 5 试验设备及试验平台
图选项
图 6 试验路线及基站布设情况
图选项
选择25 m×30 m的矩形区域，推动载体平台小车按照设计路线匀速行进，总时长约400 s。为了验证本文算法性能和效果，设计如下对比方法：①UWB卡尔曼滤波定位解算(KF)；②基于信道特征二元假设和UWB卡尔曼滤波定位解算(KF+SNR)；③基于卡尔曼滤波的UWB定位自主完好性监测方法定位解算(KF+RAIM)；④信道统计二元假设和滑窗改进的UWB定位自主完好性监测方法(本文算法)。
UWB原始数据及SNR分析如图 7所示，其中，UWB原始测距值个别历元数据存在为0的情况，是由于实际采集环境及基站布设等影响，该历元无法采集有效数据，属于正常现象；UWB原始数据中存在的明显NLOS等异常测距值，如蓝色椭圆标所示，相应SNR也存在明显变化。为了保证采集过程中设备的稳定性，设备开机后首先静止采集150 s。
图 7 UWB原始测距值和SNR分析
图选项
4种定位算法解算轨迹和参考轨迹对比如图 8所示，Ref表示参考轨迹。由于测距值中含有粗差、NLOS等误差，KF解算轨迹中存在较大的位置偏差；KF+SNR算法，能够识别剔除粗差、部分NLOS误差，相较于KF解算轨迹有所提升，但仍然存在NLOS误差影响，存在部分位置偏差；KF+RAIM算法受数据质量影响，同一历元多测距值故障会造成监测局限性，导致定位解算精度下降，其解算轨迹仍然存在部分较大偏差；本文算法实现了较好的粗差、NLOS等误差识别剔除，解算轨迹更加平滑、很好地与参考轨迹贴合。
图 8 4种定位算法解算轨迹
图选项
全站仪高频位置通过插值拟合的方式与UWB定位解算轨迹匹配，获得东向、北向误差。KF算法、KF+SNR算法、KF+RAIM算法和本文算法作东向、北向误差分析，如图 9所示，为了便于分析，图 9中包含局部区域放大图。由于原始数据中包含粗差、NLOS等误差，KF方法未对原始数据做任何处理，因此东向、北向误差均较大；KF+SNR算法、KF+RAIM算法对数据中的粗差、NLOS等误差做了相应处理，相比于KF算法，虽然精度有明显提升，但两种方法各自均有局限性，均存在不同程度的较大误差；本文算法在东向和北向误差均有明显提升精度更高稳定性更强。
图 9 4种定位算法的位置误差
图选项
根据以上误差分析，分别对4种方法定位结果的均方根误差和最大误差进行统计，统计结果见表 1。
根据上述试验和误差统计分析可得：①本文算法与KF算法相比，东、北向最大误差分别由12.325、8.017 m减少至0.161、0.119 m，东、北向均方根误差分别由0.598、0.453 m减少至0.034、0.030 m；②本文算法与KF+SNR算法相比，东、北向最大误差减少了0.426、0.526 m，东、北向均方根误差减少了0.025、0.022 m；③本文算法与KF+RAIM算法相比，东、北向最大误差减少了1.654、0.404 m，东、北向均方根误差减少了0.053、0.005 m。试验结果表明，本文算法能够有效识别剔除粗差、NLOS等误差影响，提高了UWB定位精度和稳定性。
4 结 语
本文对室内超宽带测距定位及NLOS抑制方法进行了研究，提出了信道特征二元假设和基于滑窗改进的UWB定位自主完好性监测方法相结合的NLOS等误差识别剔除方法。该方法具有模型简单、环境依赖性小等优点。通过信道特征二元假设提高数据质量、降低UWB定位自主完好性监测的局限性，针对量级较小的NLOS误差，仍然存在识别不敏感问题，结合滑窗改进的UWB定位自主完好性监测方法，对未识别的NLOS测距值进行有效识别剔除，显著提高了UWB定位精度和稳定性。
作者简介
作者简介：隋心(1981—),男,博士,副教授,主要研究方向为室内外一体化定位。
E-mail:survey＿suixn@163.com
资讯
来源：测绘学报