[论文解读] Low Complexity Indoor Localization in Wireless Sensor Networks by UWB and Inertial Data Fusion

Alberto Savioli, Emanuele Goldoni+2 more|arXiv (Cornell University)|May 7, 2013

Indoor and Outdoor Localization Technologies参考文献 14被引用 14

一句话总结

本文提出了一种基于恒定增益稳态卡尔曼滤波器融合超宽带（UWB）飞行时间（TOA）测距与惯性测量单元（IMU）数据的低复杂度室内定位算法，用于无线传感器网络（WSN）。该方法在仿真中将定位误差降低至0.62 m均方根误差（RMSE），在真实环境测试中为0.88 m RMSE，实现了高精度定位，同时计算开销极低，适用于低功耗WSN节点。

ABSTRACT

Precise indoor localization of moving targets is a challenging activity which cannot be easily accomplished without combining different sources of information. In this sense, the combination of different data sources with an appropriate filter might improve both positioning and tracking performance. This work proposes an algorithm for hybrid positioning in Wireless Sensor Networks based on data fusion of UWB and inertial information. A constant-gain Steady State Kalman Filter is used to bound the complexity of the system, simplifying its implementation on a typical low-power WSN node. The performance of the presented data fusion algorithm has been evaluated in a realistic scenario using both simulations and realistic datasets. The obtained results prove the validity of this approach, which efficiently fuses different positioning data sources, reducing the localization error.

研究动机与目标

• 解决无线传感器网络（WSNs）中因单一传感器系统受噪声和多径效应影响而导致的高精度室内定位挑战。
• 在保持高定位精度的同时，降低计算复杂度，以适应低功耗WSN节点的部署需求。
• 利用固定增益卡尔曼滤波器融合UWB TOA测量值与惯性数据，提升对非视 Line-of-Sight（NLOS）传播和IMU偏差漂移的鲁棒性。
• 基于真实数据集，在仿真与真实场景中评估融合算法的性能表现。
• 证明次优的固定增益卡尔曼滤波器可在显著降低计算成本的前提下，实现接近最优的定位精度。

提出的方法

• 采用预计算的恒定增益稳态卡尔曼滤波器，以最小化计算负载，从而可在低功耗WSN节点上实现。
• 该滤波器将基于UWB TOA的距离估计与基于MEMS的IMU提供的 dead-reckoning 数据融合，以估计目标位置。
• 滤波增益基于系统动态特性和噪声特性离线计算，避免在线矩阵求逆运算。
• 算法采用线性化状态空间模型，状态向量包含位置、速度以及惯性传感器的偏差项。
• 融合过程结合了噪声较大的UWB测距数据与累积的IMU数据，卡尔曼滤波器根据估计的不确定性对各数据源进行最优加权。
• 该方法通过仿真场景和在测量活动中采集的WPR.B数据库的真实数据进行了验证。

实验结果

研究问题

• RQ1 固定增益卡尔曼滤波器是否能在降低计算复杂度的同时，为室内WSN应用提供足够的定位精度？
• RQ2 UWB TOA与惯性测量数据的融合相较于单独使用任一传感器，如何提升定位精度？
• RQ3 在定位误差与计算成本方面，稳态卡尔曼滤波器与标准卡尔曼滤波器之间的性能差距如何？
• RQ4 NLOS条件与IMU漂移对UWB-only与IMU-only定位的影响如何？数据融合能否有效缓解这些问题？
• RQ5 低复杂度滤波器在长时间轨迹跟踪或目标静止期间，其精度能维持到何种程度？

主要发现

• 在仿真中，所提出的融合算法将均方根误差（RMSE）降低至0.62 m，显著优于仅使用UWB（1.42 m）和仅使用IMU（1.42 m）的方法。
• 在使用WPR.B数据集的真实环境测试中，融合方法的RMSE为0.88 m，而UWB-only为3.25 m，IMU-only为1.22 m。
• 采用固定增益的稳态卡尔曼滤波器实现了全卡尔曼滤波器91%的性能（0.55 m RMSE），同时计算效率远高于后者。
• 该算法有效缓解了UWB测距中的NLOS传播影响，并减少了惯性传感器随时间累积的偏差漂移。
• 在真实测试中，最大定位误差降低至2.23 m，表明即使在环境与传感器噪声干扰下，仍能实现鲁棒的路径跟踪。
• 结果证实，低复杂度数据融合在非关键性室内WSN应用中具有可行性与有效性。