一種非視距下基于UWB的定位數據校正方法

李陽　付克昌　漆軍　熊皚

關鍵詞：UWB；數據校正；室內定位；擴展卡爾曼濾波

中圖分類號：TD65+5.3 文獻標識碼：A

文章編號：1009-3044（2023）10-0009-04

0 引言

隨著共享技術的快速發展，室內定位得到越來越廣泛的應用。如無人工廠或物流系統中，無人車需要采用自主定位方式運送物資。當無人車在室內進行物資傳送時，無法接收到GPS信號，此時，常常采用其他主動定位方法，如：超聲波定位、RFID定位、Wi-Fi 定位等。超聲波定位布局復雜。RFID作用范圍小，抗干擾性差。Wi-Fi定位成本低廉，但是定位精度不高。目前，UWB憑借低功耗，定位精度高、價格相對便宜等優點成為室內定位最有發展前景的技術之一[1-2]。當無人車進入地下室或者車間時，UWB信號會被遮擋導致定位精度下降，將會影響無人車導航的正常運行。如果能夠提高室內非視距（NLOS）情況下的定位精度，將會提高無人車的自主作業的能力，進一步推動無人車應用的普及，具有很大的市場價值。

文獻[5]提出IMU航跡推算和磁力計融合進行室內定位，根據IMU解算的定位算法不會受到障礙物的干擾，但IMU定位會受到累計誤差的影響，隨著時間的增加，累計誤差將越來越大，從而導致不可用。UWB在室內精度可以達到厘米級，但是在實際運用中，UWB 信號會因為諸多原因使得測量誤差變大，UWB會出現距離測量無效的問題，如非視距差距[3-4]、基站標簽之間時間不同步。為了減少誤差，提高精度，文獻[6]采用UWB和IMU的粒子濾波算法處理，但是存在計算量大的缺點。文獻[7]UWB和IMU通過無跡卡爾曼進行數據融合，引入代價函數，進一步降低UWB系統的運算復雜度。當NLOS時間較長時，UWB 的數據將失效，融合結果仍會產生較大的誤差，導致結果偏差大。文獻[7]通過采集NLOS下遮擋變化的規律進行數據彌補，但是此方法魯棒性差。文獻[8]通過支持向量回歸訓練對偽衛星多徑誤差進行抑制，此方法需要布置許多偽衛星，且訓練復雜。為了提高UWB在非視距環境（NLOS）下的定位精度，提出基于UWB的數據校正方法，從而提高數據定位算法的準確性。

1 UWB信號傳播特點分析

為了研究清楚小車在遮擋情況下，UWB信號被如何影響，于是先讓小車在沒有遮擋的情況下進行勻速直線運行，4個UWB布置為矩形，小車沿中軸線行駛。如圖1所示，可以看出小車不管靜止還是運動，UWB接收到的距離信號始終是平滑且變化速率是穩定的。為了進一步確定車子轉彎時UWB在沒有障礙物時的信號情況，又讓小車在空曠區間進行圓周運動，結果如圖2所示，可以看出，除了波峰波谷位置，仍然可以把UWB變化速率看成平滑穩定的。并且，從上述2張圖中容易得到在沒有障礙物遮擋情況下，UWB位置信號是趨于一條直線的，并且4個UWB信號變化具有關聯性：平穩則同時平穩，改變則同時改變，并且小車在矩形基站區域內運行，兩距離信號同時增加的同時，兩距離信號同時減小。

為了研究方便，先研究非視距情況下的靜止測距情況，實驗環境如圖6所示，基站布置為矩形，小車放置在矩形的中軸線上靜止。結果如圖3所示。離小車相對較近的兩個UWB差值較大，離小車相對較遠的兩個UWB數值接近，數據平穩，粗分析數據正常。為了進一步討論，UWB基站位置仍保持如圖6所示，逐漸讓小車置于更加復雜情況并靜止，數據如圖4所示。數據在靜止情況下出現嚴重抖動，明顯這組信號是被嚴重遮擋了，因此可以得出結論，當數據方差過大時，數據被遮擋，因為實驗時小車放置在基站對稱位置上，因此可以得出UWB數據信號整體值有明顯的提高。下面，對UWB動態情況進行進一步分析，基站仍如圖6所示，讓小車運動，進一步觀測數據變換情況，結果如圖5所示。

從圖中變化趨勢仍可以證明上述結果，UWB在嚴重被遮擋時，數據均值會被明顯抬升，并可能伴隨信號震蕩的情況。但同時也能看出，數據也可能只出現一段波峰而數據沒有整體抬高的情況。

2 UWB 數據校正

因為基站被遮擋以后的坐標會高于實際測量坐標，從而出現毛刺問題。本文提出一種平滑濾波算法。對接收UWB相鄰數據作差，當差值大于設置斜率閾值的時候，就用上一次最新正常時刻的斜率去彌補采樣值，如公式（1）。

當一次數據修正以后，并不會直接得到滿意的結果，往往需要多次數據的修正，此時，需要將上述的數據間隔適當的放大，數據的方差閾值適當的變大。因為如果不變的話，同一次的修正條件會和上面判斷的點剛好滿足，導致峰值數據漏修正的問題。一次彌補并不能取得很好的效果，但多次彌補后就能取得相對滿意的效果，解算結果更加準確。

算法1：uwb校正算法

3 性能分析

為了分析對比UWB在NLOS情況下UWB解算算法，EKF算法，和數據修正下的UWB解算算法的性能，實驗環境選為成都信息工程大學金工樓車間，基站放置為長7.1米，寬6.8米，高1.8米。UWB定位系統使用的是浩如科技的HR-RTLS1產品，包含4個基站和一個標簽組成，標簽置于小車上方，如圖6所示。小車由筆記本通過Wi-Fi操作小車運行，并讓小車實時保存UWB測距數據和MPU6050數據于本地。如圖7所示。利用Maltab R2018a和Visual Studio進行實驗分析和仿真。然后讓小車走一個長6米，寬2米的矩形框進行實驗分析。

圖6所示的復雜遮擋環境中實際運行的UWB測距情況如圖8所示。進行一次數據修正后如圖9所示，圖中UWB明顯被嚴重遮擋導致疊加了一段的沖擊信號。圖10，圖11分別是小車實際運行兩次數據修正，三次數據修正后的UWB測距圖。直到第三次，幾乎沒有太明顯的波峰，數據情況更加合理。

圖12為原始UWB解算結果，圖13為原始UWB 和IMU融合結果，圖14數據為處理后UWB解算結果?？梢钥闯?，修正以后的數據軌跡和實際軌跡更加貼合。

表1表示了3個算法在NLOS場景下定位的誤差情況?？梢钥闯?，數據處理以后，最大誤差和均方根誤差有明顯的降低。

4 結論

本文提出了一種對原始數據修正的定位方法，該方法根據UWB數據異常具有的固有特征，對異常數據能夠很好地鑒別與修正。在非視距環境下，超寬帶測距異常體現在數據的陡然增加上，通過對數據的分析和識別，能夠從根源上盡可能地還原數據的真實性，校正以后數據的誤差分析具有更優的結果。對NLOS場景定位有比較好的改善作用。