车辆无线电定位中NLOS识别及误差抑制关键技术研究.pdf

摘要

无线定位技术逐渐成为智能交通系统的支柱性技术之一，例如无人驾驶中车辆定位

和导航等，都需要获取车辆的精确位置信息。全球导航卫星系统定位精度大约为米级别，

无法满足无人驾驶的需求。超宽带（Ultra-Wideband，UWB）和宽带定位是实现高精度

定位的重要技术，但在实际应用中，UWB和宽带定位会受到信道衰落、低信噪比、多

用户干扰和非视距（Non-Line-of-Sight，NLOS）传播的影响，其中NLOS传播对定位的

影响最为严重。因此，研究NLOS识别和误差抑制技术对提高定位精度具有重要意义。

为了获取验证数据，本文选取了室外真实交通场景中的隧道、高速公路、城市交叉

路口和室内测试场景设计并开展了无线信道测量活动，收集了视距（Line-of-Sight，LOS）

和NLOS传播条件下的信道脉冲响应（ChannelImpulseResponses，CIR）。首先，基于

CIR提取出NLOS识别的8种关键特征，利用皮尔逊相关系数对不同特征之间的相关性

进行了分析，提出了一种基于核主成分分析（KernelPrincipalComponentAnalysis，KPCA）

的NLOS识别方法，并利用四种场景下的实测数据对该方法进行了验证。实验结果表明，

基于KPCA的NLOS识别方法在四种场景下都具有较高的NLOS识别精度、较快的收

敛速度和较好的泛化能力。

其次，针对LOS和NLOS传播条件下不同信道特征的权重问题，提出了一种混合

ReliefF和KPCA算法的NLOS识别方法。该方法删除了输入特征向量中权重较小的特

征，降低了输入向量的维度。实验结果表明，基于ReliefF和KPCA相结合的NLOS识

别获得了高精度的LOS和NLOS识别结果，且性能优于基于KPCA的NLOS识别方法。

同时，该方法能够在仅有50%训练样本下，达到高于94%的识别精度。

最后，基于LOS和NLOS识别的结果，建立了高斯过程回归（GaussianProcess

Regression，GPR）、最小二乘支持向量机回归和BP神经网络模型对NLOS误差进行抑

制，并对不同带宽、不同频带下的NLOS误差抑制性能进行了对比与评价。实验结果表

明，GPR模型表现出最好的NLOS误差抑制性能，且所提取的特征作为输入向量可以将

平均绝对误差和均方根误差分别减小71.12%和81.36%；随着带宽的不断增加，误差抑

制性能逐渐优化，即可通过增大带宽有效改善输入特征较少时的NLOS定位误差；在多

特征输入下，低频带的NLOS测距误差小于高频带，所有可用频带结合可以比单频带更

好的抑制NLOS定位误差。

关键词：无线定位，NLOS识别，NLOS误差抑制，KPCA，ReliefF算法，GPR

i

Abstract

Wirelesspositioningtechnologyhasgraduallybecomeoneofthepillartechnologiesof

intelligenttransportationsystem,suchasvehiclepositioningandnavigationinunmanned

driving,whichallrequireaccuratevehiclelocationinformation.Thepositioningaccuracyof

theglobalnavigationsatellitesystemisaboutthemeterlevel,whichcannotmeettheneedsof

unmanneddriving.Ultra-Wideband(UWB)andbroadbandareconsideredtobeimportant

technologiestoachievehigh-precisionpositioning,butinpracticalapplications,UW