一种非视距下基于UWB的定位数据校正方法

李阳　付克昌　漆军　熊皑

关键词：UWB；数据校正；室内定位；扩展卡尔曼滤波

中图分类号：TD65+5.3 文献标识码：A

文章编号：1009-3044（2023）10-0009-04

0 引言

随着共享技术的快速发展，室内定位得到越来越广泛的应用。如无人工厂或物流系统中，无人车需要采用自主定位方式运送物资。当无人车在室内进行物资传送时，无法接收到GPS信号，此时，常常采用其他主动定位方法，如：超声波定位、RFID定位、Wi-Fi 定位等。超声波定位布局复杂。RFID作用范围小，抗干扰性差。Wi-Fi定位成本低廉，但是定位精度不高。目前，UWB凭借低功耗，定位精度高、价格相对便宜等优点成为室内定位最有发展前景的技术之一[1-2]。当无人车进入地下室或者车间时，UWB信号会被遮挡导致定位精度下降，将会影响无人车导航的正常运行。如果能够提高室内非视距（NLOS）情况下的定位精度，将会提高无人车的自主作业的能力，进一步推动无人车应用的普及，具有很大的市场价值。

文献[5]提出IMU航迹推算和磁力计融合进行室内定位，根据IMU解算的定位算法不会受到障碍物的干扰，但IMU定位会受到累计误差的影响，随着时间的增加，累计误差将越来越大，从而导致不可用。UWB在室内精度可以达到厘米级，但是在实际运用中，UWB 信号会因为诸多原因使得测量误差变大，UWB会出现距离测量无效的问题，如非视距差距[3-4]、基站标签之间时间不同步。为了减少误差，提高精度，文献[6]采用UWB和IMU的粒子滤波算法处理，但是存在计算量大的缺点。文献[7]UWB和IMU通过无迹卡尔曼进行数据融合，引入代价函数，进一步降低UWB系统的运算复杂度。当NLOS时间较长时，UWB 的数据将失效，融合结果仍会产生较大的误差，导致结果偏差大。文献[7]通过采集NLOS下遮挡变化的规律进行数据弥补，但是此方法鲁棒性差。文献[8]通过支持向量回归训练对伪卫星多径误差进行抑制，此方法需要布置许多伪卫星，且训练复杂。为了提高UWB在非视距环境（NLOS）下的定位精度，提出基于UWB的数据校正方法，从而提高数据定位算法的准确性。

1 UWB信号传播特点分析

为了研究清楚小车在遮挡情况下，UWB信号被如何影响，于是先让小车在没有遮挡的情况下进行匀速直线运行，4个UWB布置为矩形，小车沿中轴线行驶。如图1所示，可以看出小车不管静止还是运动，UWB接收到的距离信号始终是平滑且变化速率是稳定的。为了进一步确定车子转弯时UWB在没有障碍物时的信号情况，又让小车在空旷区间进行圆周运动，结果如图2所示，可以看出，除了波峰波谷位置，仍然可以把UWB变化速率看成平滑稳定的。并且，从上述2张图中容易得到在没有障碍物遮挡情况下，UWB位置信号是趋于一条直线的，并且4个UWB信号变化具有关联性：平稳则同时平稳，改变则同时改变，并且小车在矩形基站区域内运行，两距离信号同时增加的同时，两距离信号同时减小。

为了研究方便，先研究非视距情况下的静止测距情况，实验环境如图6所示，基站布置为矩形，小车放置在矩形的中轴线上静止。结果如图3所示。离小车相对较近的两个UWB差值较大，离小车相对较远的两个UWB数值接近，数据平稳，粗分析数据正常。为了进一步讨论，UWB基站位置仍保持如图6所示，逐渐让小车置于更加复杂情况并静止，数据如图4所示。数据在静止情况下出现严重抖动，明显这组信号是被严重遮挡了，因此可以得出结论，当数据方差过大时，数据被遮挡，因为实验时小车放置在基站对称位置上，因此可以得出UWB数据信号整体值有明显的提高。下面，对UWB动态情况进行进一步分析，基站仍如图6所示，让小车运动，进一步观测数据变换情况，结果如图5所示。

从图中变化趋势仍可以证明上述结果，UWB在严重被遮挡时，数据均值会被明显抬升，并可能伴随信号震荡的情况。但同时也能看出，数据也可能只出现一段波峰而数据没有整体抬高的情况。

2 UWB 数据校正

因为基站被遮挡以后的坐标会高于实际测量坐标，从而出现毛刺问题。本文提出一种平滑滤波算法。对接收UWB相邻数据作差，当差值大于设置斜率阈值的时候，就用上一次最新正常时刻的斜率去弥补采样值，如公式（1）。

当一次数据修正以后，并不会直接得到满意的结果，往往需要多次数据的修正，此时，需要将上述的数据间隔适当的放大，数据的方差阈值适当的变大。因为如果不变的话，同一次的修正条件会和上面判断的点刚好满足，导致峰值数据漏修正的问题。一次弥补并不能取得很好的效果，但多次弥补后就能取得相对满意的效果，解算结果更加准确。

算法1：uwb校正算法

3 性能分析

为了分析对比UWB在NLOS情况下UWB解算算法，EKF算法，和数据修正下的UWB解算算法的性能，实验环境选为成都信息工程大学金工楼车间，基站放置为长7.1米，宽6.8米，高1.8米。UWB定位系统使用的是浩如科技的HR-RTLS1产品，包含4个基站和一个标签组成，标签置于小车上方，如图6所示。小车由笔记本通过Wi-Fi操作小车运行，并让小车实时保存UWB测距数据和MPU6050数据于本地。如图7所示。利用Maltab R2018a和Visual Studio进行实验分析和仿真。然后让小车走一个长6米，宽2米的矩形框进行实验分析。

图6所示的复杂遮挡环境中实际运行的UWB测距情况如图8所示。进行一次数据修正后如图9所示，图中UWB明显被严重遮挡导致叠加了一段的冲击信号。图10，图11分别是小车实际运行两次数据修正，三次数据修正后的UWB测距图。直到第三次，几乎没有太明显的波峰，数据情况更加合理。

圖12为原始UWB解算结果，图13为原始UWB 和IMU融合结果，图14数据为处理后UWB解算结果。可以看出，修正以后的数据轨迹和实际轨迹更加贴合。

表1表示了3个算法在NLOS场景下定位的误差情况。可以看出，数据处理以后，最大误差和均方根误差有明显的降低。

4 结论

本文提出了一种对原始数据修正的定位方法，该方法根据UWB数据异常具有的固有特征，对异常数据能够很好地鉴别与修正。在非视距环境下，超宽带测距异常体现在数据的陡然增加上，通过对数据的分析和识别，能够从根源上尽可能地还原数据的真实性，校正以后数据的误差分析具有更优的结果。对NLOS场景定位有比较好的改善作用。