基于DL-LSTM的UWB/INS室内定位算法*

张宝军，陈 曦，廖延娜，田 奇

(西安邮电大学 电子工程学院，陕西 西安 710121)

0 引 言

目前比较成熟的超宽带(ultra-wide band，UWB)室内定位方法[1～3]包括有接收信号强度(receive signal strength，RSS)，信号到达角度(angle of arrival，AOA)、到达时间(time of arrival，TOA)和到达时间差(time difference of arrival，TDOA)。在室内定位的应用场景中，定位系统往往会受到多径效应、非视距(nonline of sight，NLOS)误差等因素的干扰。UWB信号可以在较宽的带宽上传输，可以有效分辨并抑制多径传播，所以，UWB成为目前市场应用较多的定位方法，而降低NLOS误差也成为UWB室内定位技术的研究热点。

文献[4]提出了一种结合卡尔曼滤波(Kalman filtering,KF)和线性化原理的TOA室内定位方法，将UWB定位数据线性化后用KF进行处理，有效地减小多径和NLOS引起的误差。但是KF无法满足强非线性系统。文献[5]提出一种基于IA-BP神经网络的UWB室内定位方法,为了避免反向传播(back propogation,BP)神经网络收敛速度较慢，将其训练的误差值作为免疫算法的抗原,通过计算亲和度寻得网络的最优权值和阈值,达到减小定位误差的目的，同时解决了网络易陷入局部最优值的问题。文献[6]提出一种长短期记忆(long-short term memory，LSTM)神经网络定位方法。选择不同比例的振幅和相位数据以形成不同数据集训练神经网络，得到最优特征比下的模型，可以有效提高定位精度。LSTM神经网络[7～9]能够从大量的样本数据中学习到数据深层次、抽象化的特征，在训练修正序列化数据方面有着显著的优势。

本文设计了一种NLOS环境下基于双层长短期记忆神经网络(double-layer long-short term memory,DL-LSTM)的室内定位系统，根据信号在NLOS环境下定位数据的深度特征建立DL-LSTM模型，将基站测距值和惯性导航系统(inertial navigation system,INS)的加速度、角速度数据作为模型输入进行训练，第一层网络用于消除NLOS误差；第二层网络对UWB/INS组合系统进行位置预测的位置信息。

1 UWB定位原理

本文使用DWM1000UWB模块，利用信号在基站(base station,BS)与移动标签(mobile tap,MT)之间的双向传播时间(two-way time of flight,TWToF)完成测距。基站A在tA1时刻发送测距请求信号，移动标签M在tM1时刻接收到请求信号，并在tM2时刻返回响应信号，传感器A在tA2时刻接收到响应信号，则测距方程为

dAM=c×[(tA2-tA1)-(tM2-tM1)]/2

(1)

式中c为光速。

实验的数据采集是在NLOS环境下进行的，得到测距值后需要对UWB系统的基站进行标定。但在NLOS环境下，信号无法在直接路径上传递，不仅会影响信号的检测精度，而且会使得信号在接收过程中产生附加的时延，即式(1)中tM1,tA2会明显增大。为了减小这种误差，需要对UWB模块在NLOS环境下的测距性能进行标定，本文选择一次函数作为标定模型[10]，用最小二乘法进行误差线性拟合。

LSTM神经网络是将循环神经网络(recurrent neural network，RNN)[11,12]内部常规的隐含层单元替换为LSTM单元，通过特有的门控制将短期记忆与长期记忆结合起来，可以有效地解决梯度消失、梯度爆炸等问题,如图1所示。

图1 LSTM网络结构

图1中,Ct-1指向Ct的水平线，表示细胞状态，看作是记忆链条，细胞状态会沿着这个链条进行传送，在LSTM单元中只有少数地方有一些线性交互，因此LSTM网络可以记忆长期的信息。LSTM网络的记忆块单元包含3个门结构:输入门，遗忘门和输出门。

其计算过程如下:

1)遗忘门ft决定从细胞状态中遗忘什么样的信息，表达式为

ft=σ(Wf·[ht-1,xt]+bf)

(2)

式中σ为激活函数Sigmoid，xt为该时刻的输入，ht-1为上一时刻隐含层的输入，ft为遗忘门的输出，Wf为遗忘门的权值项，bf为遗忘门的偏置项。

2)输入门it决定储存什么样的信息，其主要分为两步，第一步激活函数Sigmoid决定需要更新的值，表达式为

it=σ(Wi·[ht-1,xt]+bi)

(3)

式中Wi为输入门的权值项，bi为输入门的偏置项；第二步激活函数tanh产生一个新的候选值向量t，会被加入到细胞状态中，表达式为

(4)

式中 tanh为双曲正切激活函数;Wc,bc分别为权值项和偏置项。

3)更新细胞状态Ct，表达式为

Ct=Ct-1×ft+t×it

(5)

输出门ot根据新的细胞状态确定输出部分，表达式为

ot=σ(Wo·[ht-1,xt]+bo)

(6)

ht=ot*tanh(Ct)

(7)

式中Wo，bo分别为权值项和偏置项;ht为该时刻的隐含层输出。

2 UWB/INS DL-LSTM定位融合

本文使用MPU6050模块作为INS的惯性测量单元(inertial measurement unit,IMU)。MPU6050模块带有陀螺仪传感器和加速度传感器，可以获取载体当前的三个旋转角速度和加速度分量。

根据信号在NLOS环境下[13]传播时多源定位数据的深度特征建立DL-LSTM模型。通过对序列化的数据学习训练以减小NLOS误差对测距的影响，并融合INS系统数据，从而得到更高精度的位置信息。

DL-LSTM模型主要由两层LSTM网络组成，本文称之为消除误差层和数据融合层，其模型如图2所示。

图2 DL-LSTM结构

DL-LSTM模型的训练流程如图3所示。

图3 模型训练流程图

1)多源数据的采集。

2)数据预处理，使用min-max标准化法对多源定位数据进行归一化处理

(8)

式中xtrans为归一化处理后的待训练数据，其数值均在0～1之间；xraw为原始数据；min(X)为原始数据的最小值；max(X)为原始数据的最大值。

3)DL-LSTM模型训练过程如下:

a.消除误差层用来消除NLOS误差，优化UWB的测距值，其公式为

gi=(xai,xbi,xci)

(9)

hi+1=f′(gi,gi-1,…，gi-m+1)

(10)

式中gi为第i时刻的UWB测距值，f′为消除误差层的映射函数,hi+1为第i时刻优化后的UWB测距值。

b.数据融合层用来融合多源定位数据[14]，提高定位精度。第i个时刻所对应的测距值不仅需要考虑当前时刻的特征信息xi，还要考虑前m个时刻的特征信息，其公式为

xi=(hi+1,axi,ayi,wi)

(11)

(12)

(13)

(14)

式中N为样本的数量大小。

其训练过程图如图4所示，当训练超过200轮时，网络逐渐稳定。

图4 训练过程

3 实验与结果分析

3.1 实验参数设置

本次实验的室内环境平面图如图5所示，选择15 m×15 m的实验室，以基站A为坐标原点，MT的运动轨迹为(5,5)，(5,10)，(10,10)，(10,5)，(5,5)，运动一圈。其中，遮挡BS信号的障碍物是厚度为300 mm的砖墙。

图5 室内环境平面

3.2 实验流程

1)在室内NLOS环境下，BS从1～20 m每隔1 m测距1 000次，取其均值作为该距离下的测量值，同时剔除个别跳变严重的测距值，用最小二乘法拟合测距误差与真实距离之间的一次函数关系。由于信号传输距离较短，BS接收的响应信号会与自身的测距请求信号重叠，造成一定程度的干扰，对基站进行标定可以减小此类误差以及NLOS误差对定位精度的影响。

2)利用标定后的UWB采集测距值数据，INS采集传感器数据。

3)数据预处理，使用min-max标准化法对多源定位数据进行归一化处理。

4)根据信号在NLOS环境下传播时多源定位数据的深度特征建立DL-LSTM模型。

5)训练DL-LSTM模型。

6)对输出的估计位置进行轨迹绘制和误差分析。

3.3 位置估计对比

为了检验DL-LSTM算法的定位效果，采用KF以及CNN算法对测距值进行处理，之后再用扩展卡尔曼滤波[13](extended Kalman filtering,EKF)分别进行位置估计，将其结果与DL-LSTM算法结果进行对比，其定位轨迹如图6所示，定位误差如图7所示。

图6 定位轨迹

由图6,图7可知，相比于KF,CNN算法，DL-LSTM算法的位置误差更小，在0.07m左右，且运动轨迹更加贴近真实轨迹。

图7 定位误差

3.4 融合位置估计对比

为了更好地检验定位效果，使用CNN训练后的UWB测距值解算的位置结合INS系统解算的位置，用EKF对其进行位置估计，将其结果与DL-LSTM算法结果进行对比，其轨迹如图8所示，定位误差如图9所示。

图8 定位轨迹

图9 定位误差

由图8，图9可以看出，CNN算法的UWB/INS组合定位的精度相比于单UWB定位更高，定位误差在0.08 m左右，但相比于DL-LSTM算法，DL-LSTM算法运动轨迹与真实轨迹更加贴近，且定位误差更小。

KF/UWB，CNN/UWB，CNN/UWB/INS，DL-LSTM方法最终解算位置定位误差均值分别为0.15，0.09，0.08，0.07 m。由此可见，基于DL-LSTM算法的UWB/INS组合定位精度更高，可达到厘米(cm)级定位精度，更适合精度需求较高的室内定位场景。

4 结束语

使用UWB传感器模块采集测距值，通过多次测量取其均值并使用最小二乘法对基站进行标定，并根据信号在NLOS环境下传播时的多源定位数据的深度特征建立DL-LSTM模型，将标定后的测距值和MPU6050传感器的加速度值、角速度值作为DL-LSTM输入进行训练从而提高定位精度。通过实测实验的验证以及仿真结果表明，上述方法最终达到了厘米(cm)级的定位精度，能够适用于对精度要求较高的室内定位场所。