基于UWB和IMU的室内定位技术研究.pdfVIP

摘要

随着人工智能和工业物联网的发展，室内定位需求增加，室内导航和位置服务

技术越来越重要。超宽带（ultra-wideband，以下简称UWB）定位技术凭借其在复

杂的室内环境中的抗信号衰减能力强，成为当今室内定位技术的研究热点。室内定

位系统的应用场景通常是由墙壁等大型遮挡物构成的非视距环境（NLOS）。在该环

境下，UWB信号因反射和折射而形成多条路径，导致接收端收到多个响应信号，

从而产生多径效应，进而引起信号波形失真和时延扩展。所以，在非视距环境下，

仅依赖UWB传感器定位，会影响定位精度。惯性测量传感器（InertialMeasurement

Unit，以下简称IMU）固定放置在被测目标上，测量其连续的加速度和角速度数据，

所以不会出现因遮挡而导致的准确性降低问题，但由于噪声的存在，随着时间的推

移会产生累积积分误差。根据UWB和IMU的优缺点，本文提出了基于IMU与

UWB传感器的数据融合算法，用于实现非视距环境下的目标定位。本文主要工作

如下：

（1）本文针对UWB基站数量多，安装复杂，成本高的问题，优化了UWB定

位模型结构，将其基站数量减少为1个。自主设计硬件系统，通过基站与标签之间

的信号传播获取目标的绝对距离，结合IMU数据获取的目标相对运动信息，将两

种传感器数据融合获得目标位置。本文通过扩展卡尔曼滤波建立运动学模型，由目

标上一时刻的速度，角速度、加速度估计目标下一时刻的位置。通过实验验证，该

方法的定位误差为0.26m。

（2）传统扩展卡尔曼滤波算法在非视距环境中对UWB定位系统的精度提升有

限，本文提出了基于深度学习的三维时卷积神经网络（3D-temporalCNN）结构旨

在增强其准确性。不同于传统的扩展卡尔曼滤波等UWB和IMU数据融合方式，此

方法在捕捉传感器数据之间复杂关系和提取高级特征方面具有独特优势。3D-

temporalCNN是一种并行的网络结构，其中包含三维神经网络和时域卷积网络，两

种卷积神经网络对不同的传感器分别特征提取。为了减少模型计算量使用下采样的

方式降低特征维度，将两个特征输入到一个全连接层中对两个数据特征融合，在数

据融合时采用前融合的方式，输出目标位置。实验验证该方法的定位误差为0.12m，

大幅度提高了定位精度和鲁棒性。

（3）在非视距环境下信号由于多径传播会影响UWB定位系统信号传播的稳定

性从而导致定位精度下降，本文在3D-temporalCNN网络结构的基础上增加了自注

意力模块，从UWB模块采集的原始信道数据中提取出丰富的信道特征，通过信道

数据直接对目标位置预测可以减少非视距环境下信号波动对系统产生的误差并且将

原始信号转换为更易于理解的特征表示，增强数据的特征描述计算出目标位置信息

从而提高位置估计精度。经过实验验证，通过信道数据特征提取方法的平均定位误

差为0.08m。

本文主要研究内容为基于UWB和IMU的室内定位融合技术，为了改善UWB

模块成本高的问题提出了单基站的UWB定位系统并且自主设计了硬件系统。针对

扩展卡尔曼滤波算法精度不足的问题提出了基于时间卷积的3D-temporalCNN模型。

通过两种不同类型数据的特征提取有效提高了室内定位系统的精度，为相关领域的

工业应用提供了有价值的理论基础。

关键词：室内定位系统；超宽带定位技术；惯性测量技术；数据融合；

单基站

Abstract

WiththedevelopmentofartificialintelligenceandindustrialInternetofThings(IIoT),

alongwiththeincreasingdemandforindoorpositioning,indoornavigationandlocation

basedservice(LBS)arebecomingincreasinglyimportant.Ultra-Wideband(UWB)

positioningtechnology,characterizedbyitsstrongresistancetosi