基于UWB_MEMS紧组合的室内定位算法研究.pdf

基于UWB/MEMS紧组合的室内定位算法研究

摘要

随着传感器成本降低和智能设备普及，精准稳定的定位服务在各类环境中愈发关键。

尽管GPS在开阔室外环境表现优秀，但在复杂地形和室内环境中性能下降。为此，室内

定位技术如UWB、红外线、WLAN、射频识别与惯性导航等逐渐崭露头角。其中，UWB

技术以其强抗干扰能力、大带宽和多径分辨率优势在室内定位中受到关注。然而，UWB

也面临非视距误差问题，如何直接抑制非视距误差所带来的影响也成为一个难点。单一

UWB定位已无法满足高精度需求，虽与惯性传感器等进行组合可以对导航本身起到一

定的辅助作用，但非视距误差所带来的问题并没有得到优化或改进。本文主要的研究内

容便是通过加入机器学习方法，对UWB的非视距误差直接进行处理，之后再通过与惯

性传感器的伪距进行紧组合，从而实现UWB与MEMS组合定位，并较通过优化的卷积

神经网络修正之前能获得更好的效果。主要工作内容如下：

首先介绍国内外对UWB定位与MEMS导航两者单独与组合定位的研究现状与所

遇到的问题与挑战，分析两者在不同情况下的优势与缺点，并对UWB定位与MEMS导

航原理进行详细介绍与原理推导。并对UWB误差产生原因与现有各种抑制方法进行简

单介绍与分析，并着重在现有组合滤波方法与机器学习方法进行介绍。

接着对通过机器学习方法抑制UWB非视距误差方法进行详细分析，通过UWB接

收数据在不同机器学习方法中的表现进行实验、比较与分析，选择更合适的方法，并针

对UWB信号特点，对其不同特征进行比较并对权重进行更改，对模型进行进一步优化，

并对UWB质量信号做出评估，为后续提供铺垫。并通过在不同数据库进行验证，展现

模型的泛用性。

并且针对UWB与MEMS紧组合定位，在定位时UWB信号出现误差会导致定位精

度下降严重这一问题，提出了基于UWB质量评估的鲁棒卡尔曼滤波方法，通过对前述

UWB信号进行质量评估，增加权重因子，对滤波整体进行补偿，提出随时间变化的鲁

棒卡尔曼滤波，减小了在UWB信号在受到非视距误差时对整体滤波的影响。

最后，提出了一套完整的基于机器学习的UWB/MEMS定位方案并通过实测证明了

其可行性。并与其他方法进行比较展现了其优越性。

关键词：UWB、MEMS、机器学习、NLOS误差、组合导航

基于UWB/MEMS紧组合的室内定位算法研究

Abstract

Withthereductionofsensorcostsandthepopularityofsmartdevices,accurateandstable

positioningservicesarebecomingmoreandmorecriticalinvariousenvironments.Although

GPSperformswellinopenoutdoorenvironments,itsperformancedegradesincomplexterrain

andindoorenvironments.Forthisreason,indoorpositioningtechnologiessuchasUWB,

infrared,WLAN,radiofrequencyidentificationandinertialnavigationaregraduallyemerging.

Amongthem,UWBtechnologyhasattractedattentioninindoorpositioningduetoitsstrong

anti-interferenceability,larg