[论文解读] Precise Indoor Positioning Based on UWB and Deep Learning

Chenyu Wang, Zihuai Lin|arXiv (Cornell University)|Apr 17, 2022

Indoor and Outdoor Localization Technologies被引用 4

一句话总结

本文提出一种基于UWB的室内定位系统，通过引入BP神经网络提升精度，利用基于实测距离与真实距离关系的指纹数据库实现。该方法通过深度学习训练的距离指纹分类目标位置，相较于传统三边测量法，平均定位精度提升高达73%。

ABSTRACT

We examined UWB-based indoor location in conjunction with a fingerprint technique in this work. We built a connection between the measured and real distances for the UWB indoor positioning system. This connection is used to produce a distance database that may be used to generate fringerprints. We created a BP neural network to classify the target node to the relevant fringerpint using the distance database. Our suggested deep learning technology considerably enhances location accuracy when compared to existing trilateration systems.

研究动机与目标

• 为解决传统三边测量在UWB室内定位中的局限性，特别是多径和非视 Line-of-Sight (NLOS) 误差的影响。
• 开发一种基于指纹的鲁棒定位系统，利用实测距离与真实距离的校准数据以提升精度。
• 评估BP神经网络在使用距离指纹数据库对目标位置进行分类时的性能表现。
• 研究最优参考点选择策略，以训练神经网络并最小化测量误差。
• 探索通过扩大指纹数据库和采用其他深度学习架构实现未来性能提升的可能性。

提出的方法

• 建立实测UWB距离与真实距离之间的关联，以创建用于指纹识别的校准距离数据库。
• 将室内区域划分为网格，利用参考点采集接收信号强度指示（RSSI）和基于飞行时间（TOA）的距离测量值，生成指纹数据。
• 训练BP神经网络，将采集到的距离指纹映射至特定空间位置，实现实时位置分类。
• 评估三种训练策略：两点对角训练（TDT）、两点非对角训练（TNT）以及结合两者的融合训练（CT）。
• 融合训练（CT）方法整合TDT与TNT配置的数据，以提升泛化能力并降低误差方差。
• 通过在多个测试点计算平均误差距离，对比BP神经网络与传统三边测量法的定位精度。

实验结果

研究问题

• RQ1 基于校准后的UWB距离指纹训练的BP神经网络，是否能显著提升室内定位精度，使其优于三边测量法？
• RQ2 参考点的空间分布如何影响基于指纹的深度学习模型性能？
• RQ3 在锚节点附近测量误差对神经网络泛化能力及定位精度有何影响？
• RQ4 通过融合训练（CT）结合TDT与TNT两种策略，是否能获得比单一方法更优的精度？
• RQ5 指纹数据库的规模与质量如何影响基于深度学习的定位系统性能？

主要发现

• 与传统三边测量法相比，BP神经网络方法将平均误差距离降低了高达73%。
• 融合训练（CT）方法整体表现最佳，显著优于TDT与TNT策略。
• TDT实验中第二组的表现劣于第一组，主要原因是当目标过于靠近锚节点时测量精度较低。
• 在第二组中，TNT方法的表现优于TDT，表明非对角参考点选择可减少因靠近锚节点而引起的误差传播。
• 研究结果表明，应将参考点布置在测试区域的中心区域，而非靠近锚节点，以避免测量不准确。
• 结果表明，通过增加更多参考点并优化其布局来扩展指纹数据库，可进一步提升系统精度。