一组用于UWB室内定位的新信道特征参数

杨宏超，汪云甲，徐生磊，黄 璐

一组用于UWB室内定位的新信道特征参数

杨宏超1，汪云甲1，徐生磊1，黄 璐2

（1. 中国矿业大学环境与测绘学院，江苏 徐州 221116；
2. 中国电子科技集团公司第五十四研究所，石家庄 050081）

针对现有超宽带（UWB）信道识别参数精度低及鲁棒性差的问题，提出一组基于信道脉冲响应的新信道特征参数，并结合支持向量机构建非视距信道识别算法，然后根据波形特征分类测距误差并制定优化策略。在优化定位精度的基础上，本文引入模糊度为原始定位结果提供可信度评估。实验结果表明：引入新参数后信道识别算法的平均精度为93.94%；
视距、非视距数据的准确率分别为90.13%、96.96%；
修正后视距测距精度平均提高22.84%；
非视距测距误差平均减低1 m以上；
动态定位结果中厘米级精度占比提升41.5%。

超宽带；
信道脉冲响应；
非视距识别；
测距误差校正

随着室内位置[1]服务，例如仓储管理、应急救援、疫情流调等需求的增加，室内高精度位置信息的获取技术受到广泛的关注。超宽带[2]（ultra wide band, UWB）具有脉冲窄、带宽高、抗多径干扰等优点，允许精确的飞行时间测量和高分辨率的信道脉冲响应（channel impulse response, CIR）估计，适配复杂的室内环境。非视距现象（non line of sight, NLOS）是影响UWB测距精度的主要原因，定义为硬件之间的通视路径受阻，脉冲信号需传播额外距离才能抵达接收端。测距结果存在正偏误差，导致定位结果无法被解算或存在较大偏移。室内复杂易变的拓扑环境大幅度提升了NLOS发生频率。因此，在定位前识别信道环境以保留高精度的视距（line of sight, LOS）测距结果，修正或剔除带有正偏差的NLOS测距结果是提高定位精度的核心。

针对上述问题，本文根据UWB信号到达后引起的CIR波形变化将通信过程分为3部分，并从环境噪声及首径到达阶段提取4个新特征。本文利用模糊度挖掘潜在信息，并根据不同阶段的特性分类非视距误差，并扩展到部分视距数据。

UWB测距精度取决于硬件是否能准确获取信号到达时间，其原理是识别首个超过边沿检测算法[17]（leading edge detection, LDE）阈值的CIR的时间节点。CIR的获取是通过评估累积传入样本与预期前序序列的相关性，其计算公式为

图1 典型LOS下UWB信号的CIR波形

图2 典型NLOS下UWB信号的CIR波形

1.1 新特征提取

图3 新特征参数在视距及非视距环境下的数值分布

1.2 模糊度

图4 归一化新特征参数的隶属函数

优化问题的计算公式为

式（14）可近一步简化为

简化后的拉格朗日对偶变为线性规划，LS-SVM分类器可以写成

简化后的拉格朗日对偶同样为线性规划，LS-SVM回归器可以写成

现有的误差修正算法只针对判定为非视距（identified NLOS，I-NLOS）的测距结果并存在下列问题：首先，算法不修正判定为视距（identified LOS，I-LOS）的测距值会忽略混入的误判数据并导致性能高度依赖于信道识别精度；
其次，算法对测距误差采用相同模型会导致部分点的修正效果相反。本文根据误差的波形特征将I-NLOS误差分为3类并优化对应的特征向量。此外，该分类策略也应用于I-LOS数据来额外修正部分误差较大的LOS数据。

表1 测距误差修正的分类以及对应优化向量

为了验证新参数的信道识别及误差校正效果，本文选用搭载Decave1000模块的UWB基站，并利用手机连接并记录原始数据。如图5所示，本文在中国矿业大学环测学院UWB测试场安排了3组障碍物，分别为墙体、人体以及混合的静态实验。实验一位于房间C410，障碍物为墙体，图中黑色基站为固定基站，白色基站为非视距标签。采集数据时，在走廊安排与NLOS标签距离误差不超过0.05 m的LOS标签来同时采集数据。实验二为试验场C区走廊，障碍物为人体，并与实验一共享固定基站。在采集每组数据时先保证标签位置不变，在同一距离处先后采集LOS数据以及人体干扰的NLOS数据。由于实验三标签在移动过程中与基站之间会间隔多个房间，障碍物包含墙体、木门、房内陈设等等，故定义为混合障碍物。其移动标签的位置与实验二相同，采集策略与实验一相同。设备位置坐标由全站仪标定，具体距离信息如表2所示。所测数据的70%用于训练模型且未参与测试。

图5 动态静态实验的基站布局

m

表2 静态实验中基站与标签之间的距离

图6 不同特征参数的信道识别性能

表3 多场景多组特征向量的信道识别性能

图7 引入新特征对信道识别算法性能的提升

表4为对I-LOS数据集进行部分优化前后的测距精度对比：虽然原始测距误差均为厘米级，但优化后的平均误差仍下降0.013 m，提升22.84%，并均低于0.050 m；
标准差降低0.168 m，提升56.31%，均方根误差降低0.166 m，提升54.52%，优化后二者均低于0.200 m。综合3组实验，I-LOS Type1数据的原始平均误差为0.483 m，修正后为0.049 m；
ILOS Type2数据的原始平均误差为0.191 m，修正后为0.046 m，修正后二者的误差均降低至厘米级。

表4 多场景I-LOS数据的优化效果 m

表5中优化后的I-NLOS的平均误差降低1.00 m，提升86.02%，并均低于0.250m。标准差降低1.274 m，提升84.61%；
均方根误差降低1.626 m，提升85.17%。综合3组实验，I-NLOS Type1数据的平均误差由3.081 m降低为0.176 m；
I-NLOS Type2数据的平均误差由1.595 m降低为0.128 m；
I-NLOS Type3数据的平均误差由0.717 m降低为0.169 m。修正后三者的误差均限制0.200 m以内。

表5 多场景I-NLOS数据的优化效果 m

如图8所示，本文误差修正算法在3个场景中均优于文献[9]中的最优性能。相比较于文献[9]：本文平均提高8.4%测距精度，最高可达12.31%；
标准差平均提高16.53%，最低为10.20%；
均方根误差平均提高14.06%，最高为19.30%。

图8 多场景测距误差修正算法性能对比

图9 原始动态定位结果可信评估

图10 动态定位结果修正前后对比

图11 动态定位结果误差分布

表6 动态定位精度对比 m

[1] 闫大禹, 宋伟, 王旭丹, 等. 国内室内定位技术发展现状综述[J]. 导航定位学报, 2019, 7(4): 5-12.

[2] 张忠娟. 基于 UWB 的室内定位技术研究[D]. 天津: 天津大学, 2012.

[3] GUVENC I, CHONG C C, WATANABE F, et al. NLOS identification and weighted least-squares localization for UWB systems using multipath channel statistics[J]. EURASIP Journal on Advances in Signal Processing, 2008: 271984.

[4] BORRAS J, HATRACK P, MANDAYAM N B. Decision theoretic framework for NLOS identification[C]//The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of 48th IEEE Vehicular Technology Conference, VOLS 1-3. Ottawa, Canada: IEEE,1998: 1583-1587.

[5] CHEN P C. A non-line-of-sight error mitigation algorithm in location estimation[C]// The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of IEEE Wireless Communications and Networking Conference (Cat. No. 99TH8466). New Orleans, LA, USA: IEEE, 1999: 1525-3511.

[6] JIAO L, XING J, ZHANG X, et al. LCC-Rwgh: a NLOS error mitigation algorithm for localization in wireless sensor network[C]// Proceedings of 2007 IEEE International Conference on Control and Automation. IEEE, 2007: 1354-1359.

[7] 徐爱功, 刘韬, 隋心, 等. UWB/INS 紧组合的室内定位定姿方法[J]. 导航定位学报, 2017,5 (2): 14-19.

[8] PENG P, YU C, XIA Q, et al. An indoor positioning method based on UWB and visual fusion[J]. Sensors, 2022, 22(4): 1394.

[9] MARANO S, GIFFORD W M, WYMEERSCH H, et al. NLOS identification and mitigation for localization based on UWB experimental data[J]. IEEE Journal on Selected Areas in Communications, 2010, 28(7): 1026-1035.

[10] SILVA B, HANCKE G P. IR-UWB-based non-line-of-sight identification in harsh environments: principles and challenges[J]. IEEE Transactions on Industrial Informatics, 2016, 12(3): 1188-1195.

[11] ZANG Q, ZHAO D, ZUO S, et al. A low complexity NLOS error mitigation method in UWB localization[C]// The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of 2015 IEEE/CIC International Conference on Communications in China. Shenzhen, China: IEEE, 2015: 1-5.

[12] YU K G, WEN K, LI Y, et al. A novel NLOS mitigation algorithm for UWB localization in harsh indoor environments[J]. IEEE Transactions on Vehicular Technology, 2018, 68(1): 686-699.

[13] VENKATESH S, BUEHRER R M. NLOS mitigation using linear programming in ultra wideband location-aware networks[J]. IEEE transactions on Vehicular Technology, 2007, 56(5): 3182-3198.

[14] WU S, MA Y, ZHANG Q, et al. NLOS error mitigation for UWB ranging in dense multipath environments[C]// The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of 2007 IEEE Wireless Communications and Networking Conference. Hong Kong, China: IEEE, 2007: 1565-1570.

[15] HEIDARI M, PAHLAVAN K. Identification of the absence of direct path in TOA-based indoor localization systems[J]. International Journal of Wireless Information Networks, 2008, 15(3): 117-127.

[16] LI F, XIE W, WANG J, et al. A new two-step ranging algorithm in NLOS environment for UWB systems[C]// The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of 2006 Asia-Pacific Conference on Communications. Busan, Korea(South): IEEE, 2006: 1-5.

[17] KUHN M J, TURNMIRE J, MAHFOUZ M R, et al. Adaptive leading-edge detection in UWB indoor localization[C]// The Institute of Electrical and Electronic Engineers (IEEE). Proceedings of 2010 IEEE Radio and Wireless Symposium (RWS). New Orleans, LA, USA: IEEE, 2010: 268-271.

[18] ZIMMERMANN H J. Fuzzy set theory—and its applications[M]. [S.l.]:Springer Science & Business Media, 2001:1-514.

A novel set of channel characteristic parameters for UWB indoor positioning

YANG Hongchao, WANG Yunjia, XU Shenglei, HUANG Lu

（1. School of Environment and Spatial Informatincs, China University of Ming and Technology, Xuzhou, Jiangsu 221116, China; 2. The 54th Research Institute of China Electronics Technology Group Corporation, Shijiazhuang 050081, China）

Aiming at the problem of poor accuracy and robustness of the existing ultra-wideband (UWB) channel identification parameters, we propose a new set of channel characteristic parameters based on channel impulse response. Combined with the support vector machine, we establish the non-line-of-sight (NLOS) channel recognition algorithm, classify ranging error according to the waveform features and formulate the optimization strategy. On the basis of optimizing the positioning accuracy, this paper introduces the concept of fuzzy to provide credibility evaluation for the original positioning results. Experimental results show that the average accuracy of the channel recognition algorithm can reach 93.94% after adding the new parameters, and the recall of line-of-sight (LOS) and NLOS data is 90.13% and 96.96%, respectively. After correction, the LOS ranging accuracy is increased by 22.84% on average, and the NLOS range ranging error is reduced by more than 1 m on average. The proportion of centimeter-level accuracy in dynamic positioning results is increased by 41.5%.

ultra-wideband; channel impulse response; NLOS identification; ranging error mitigation

TP391

A

2095-4999(2022)06-0043-10

杨宏超，汪云甲，徐生磊，等. 一组用于UWB室内定位的新信道特征参数[J]. 导航定位学报, 2022, 10(6): 43-52.（YANG Hongchao, WANG Yunjia, XU Shenglei, et al. A novel set of channel characteristic parameters for UWB indoor positioning[J]. Journal of Navigation and Positioning, 2022, 10(6): 43-52.）

10.16547/j.cnki.10-1096.20220606.

2022-07-29

国家重点研发计划项目（2016YFB502102）。

杨宏超（1997—），男，黑龙江哈尔滨人，博士研究生，研究方向为室内定位导航。

猜你喜欢 视距特征参数测距 基于RSSI测距的最大似然估计的节点定位算法导航定位学报(2022年4期)2022-08-15冕洞特征参数与地磁暴强度及发生时间统计空间科学学报(2020年1期)2021-01-14融合LPCC和MFCC的支持向量机OSAHS鼾声识别杭州电子科技大学学报(自然科学版)(2020年6期)2020-12-03俄罗斯中国计算机报(2020年9期)2020-03-25类星体的精准测距科学(2020年3期)2020-01-06基于交通特征参数预测的高速公路新型车检器布设方案研究中国交通信息化(2019年12期)2019-08-13一种基于非视距误差补偿的协同定位算法北京航空航天大学学报(2017年7期)2017-11-24安全视距应该成为道路安全管理的基础共识汽车与安全(2017年9期)2017-09-29浅谈道路设计中的停车视距与验证居业(2017年5期)2017-07-24基于视频的车辆特征参数算法研究中国交通信息化(2017年8期)2017-06-06

推荐访问:信道 特征 定位