桂林理工大学

详情

基于BP神经网络模型的UWB误差参数调整与评估

申报人：侯太伦 申报日期：2024-06-01

基本情况

2024年批次
基于BP神经网络模型的UWB误差参数调整与评估 学生申报
创新训练项目
工学
测绘类
学生来源于教师科研项目选题
一年期
该项目主要聚焦于超宽带（UWB）技术在高精度定位领域的应用，旨在通过建立和优化BP神经网络模型来提升UWB技术的测距精度。项目从理论分析、模型构建到实验验证等多个环节系统地展开研究，探索如何有效减少多路径等非视距误差对UWB定位精度的影响。此外，我们项目团队计划利用全站仪和UWB设备收集数据，通过数据分析和BP神经网络训练，实现对UWB测距误差的精确校正。
无
 主持国家自然科学基金项目1项和广西自然科学基金项目2项，核心参与国家自然科学基金面上项目、省部级自然科学基金项目10余项。以第一作者/通讯作者在IEEE Transactions on Geoscience and Remote Sensing (TGRS)、GPS Solutions （GPSS）、Geoscientific Model Development (GMD)、测绘学报、武汉大学学报信息科学版等权威期刊上发表SCI/EI论文20余篇。申请国家发明专利2项、软件著作权1项。发表学术专著一部。曾获全国高等学校测绘学科教学创新与育才能力大赛-青年教师讲课竞赛二等奖、国家测绘科技进步二等奖、广西科学技术奖科学技术进步奖一等奖等科研/教学奖励。受邀担任Earth and Space Science、Remote Sensing等多期刊审稿人。
 
校级

项目成员

序号 学生 所属学院 专业 年级 项目中的分工 成员类型
侯太伦 测绘地理信息学院 测绘工程 2022 采集数据与经费管理
廖银河 测绘地理信息学院 测绘工程 2022 总体规划项目研究进度与方向
徐炯坚 测绘地理信息学院 测绘工程（实验班） 2022 数据处理与整理
刘康佳 测绘地理信息学院 测绘工程（实验班） 2022 建立模型概念
莫刘敏 测绘地理信息学院 遥感科学与技术 2022 将概率模型可视化

指导教师

序号 教师姓名 所属学院 是否企业导师 教师类型
黎峻宇 测绘地理信息学院 否

立项依据

超宽带（Ｕｌｔｒａ－Ｗｉｄｅ－Ｂａｎｄ，ＵＷＢ）是一种始于20世纪60年代的采用极低功率谱密度和极窄脉冲宽度的无线通信和定位技术，具有穿透能力强、传输速率快和时间分辨率高等优点，理论上可以实现厘米级的测距定位。作为一项新型无线交汇定位技术，其具有抗干扰性高、穿透能力强、功耗低、抗多径效果好、安全性高、系统复杂度低和测距精度高等优点。为此，UWB可以通过测量载波信号在定位标签与定位基站之间的传输时间、角度、信号强度等方式实现分米甚至厘米级室内定位精度，被广泛应用于应急救援、智能仓储、智慧监狱、资产监控、无缝导航等领域。
实现UWB高精度定位的关键前提是如何基于信号到达时间（time of arrival, TOA）、接收信号强度（received signal strength, RSS）等信息来准确地估计标签与基站之间的距离。但由于环境复杂，UWB定位受多路径等非视距误差影响较大，这类误差成为制约其定位精度的主要因素。在复杂环境下，超宽带 (UWB) 测距误差难以通过常规方法进行有效补偿，严重制约了其定位精度。
一般而言, UWB的测距误差主要包括系统误差、测距算法误差以及环境误差。UWB的系统误差主要是由于自身硬件原因,在不同环境下的测距值存在差异。同时, 基于TOA、RSS等测量方法在计算原理上也存在算法误差。上述两种误差来源通过标定、校正以及算法滤波后, 在视距（line-of-sight, LOS）的场景下能够取得较高的定位精度, 但是对环境的鲁棒性较差, 难以满足动态变化环境下的定位需求。UWB的环境误差往往是由于非视距（non-line-of-sight, NLOS）导致的。通常情况下, UWB的应用场景不可避免地会存在遮挡,UWB信号经过反射、折射、衍射等过程, 接收节点接收到的直接路径（direct path, DP）的到达时间存在很大误差, 甚至在极端环境下无法检测到DP, 导致测量的距离往往大于实际距离, 产生NLOS误差。由于遮挡物的材质、厚度等因素具有不确定性, 一般的最优距离估计算法往往也会存在较大的误差。
为提高 UWB 测距精度国内外学者展开了多方面的研究。现有的 UWB 误差改正方法还存在应用范围较窄、改正精度有限和模型过于复杂等问题。基于此，本项目建立了适用于三维空间的UWB测距误差BP神经网络改正模型，并且分析比较了不同网络结构的模型改正效果。 
1.研究测距稳定性
本实验通过对基站与标签多个不同距离的点位进行测量，每一点位实验约200个历元，在剔除３倍中误差基础之上求取均方根值，并与真实距离进行比较，统计相应的绝对误差与相对误差，最后对测距误差进行分析建模。在UWB定位系统中，定位标签通过不断发射一定频率的脉冲信号与已知位置的基站进行测距，从而获取多个标签与已知位置的基站的测量值。
将标签50min的连续测距值与全站仪测定的距离值求差，差值序列，其与数个基站间距离误差的统计信息，测距误差较为稳定，标准差远小于误差均值，即测距误差随时间变化幅度远小于测距误差本身，因此在各采样点上进行30s的数据采集可以较为真实的反映其测距性能。将UWB标签置于长时间测距点上，进行采样率为10Hz、持续50min的数据采集，记录单位为历元的数据，对测距稳定性进行分析。
2.分析测距精度
利用UWB标签对采样点和检核点进行逐一测量，采样率为10Hz、持续30s，每点可获得个测距值；将测距值减去距离参考值，对测距误差进行统计分析。
3.BP神经网络对比分析
（1）测距改正精度对比
误差模型对测距观测值进行误差改正，并在动、静态实验中进行验证测试；进行UWB误差参数改正后精度对比。在静态条件下分析数个不同点位在测距误差改正前后的定位结果，记录每个点位实验为多少历元；在动态条件下，分析测试轨迹在测距误差改正前后的定位结果。
（2）定位精度对比
目前常用的评价定位性能的指标有：标准差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ，ＳＴＤ）、均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ，ＲＭＳＥ）、克拉美罗下界（Ｃｒａｍéｒ－ｒａｏｂｏｕｎｄ，ＣＲＢ）、精度衰减因子（ｄｉｌｕｔｉｏｎ ｏｆ ｐrｅｃｉｓｉｏｎ，ＤＯＰ）、圆误差概率（ｃｉｒｃｕｌａｒ ｅｒｒｏｒ ｐｒｏｂａｂｌｅ，ＣＥＰ）等。本项目选用标准差、均方根误差对二维定位结果进行精度评定。测距误差模型改正前后的二维定位结果进行精度统计对比，分析比较不同网络结构的模型改正效果，对比分析基于BP神经网络模型的UWB误差参数调整效果。
 
1.研究现状
UWB技术以其高精度、高穿透力、抗多径等优势，在不同定位领域得到了广泛应用。然而，由于多种因素的影响（如多径效应、非视距（NLOS）传播等），UWB定位系统在实际应用中难以避免地存在误差，导致定位结果出现偏差。
国内外学者针对UWB定位误差提出了多种改正方法。其中，多项式函数和指数函数模型被用于拟合绝对误差和相对误差的变化规律，并对测距观测值进行模型改正，有效提高了定位精度。针对NLOS环境下的误差问题，研究者们提出了基于偏置KF和MLE算法的RSS和TOA融合NLOS误差抑制方法，该方法在NLOS场景下具有较高的识别准确度和定位精度。BP神经网络也被应用于UWB误差改正中，通过建立不同网络结构的误差改正模型，实现了对测距误差的有效改正，提高了定位精度。
在定位解算过程中，研究者们采用了多种优化算法，如高斯-牛顿迭代法，以避免由于基站网型结构不良而造成解算过程中的发散，从而得出较精确的非线性最小二乘解。
2.发展动态
（1）误差改正技术的深入研究
未来研究将进一步深入探索UWB定位误差的来源和特性，提出更加有效的误差改正方法。特别是针对NLOS环境下的误差问题，研究者们将探索更加鲁棒和准确的NLOS识别和抑制技术。
（2）BP神经网络算法的改进
针对BP神经网络算法存在的局限性，未来研究将致力于改进算法结构，优化网络参数，以提高模型的稳定性和泛化能力。同时，研究者们还将探索将深度学习等先进技术应用于UWB误差改正中，以进一步提高定位精度。
（3）三维定位技术的研究
目前的研究主要集中在二维平面定位上，未来研究将进一步探索基站分布和用户站几何构型对三维定位结果的影响，提出适用于三维场景的定位算法和误差改正方法。
（4）应用场景的拓展
随着定位技术的不断发展，UWB定位技术将在更多领域得到应用。未来研究将更加注重将UWB定位技术与实际应用场景相结合，推动UWB定位技术的广泛应用和发展。
（5）UWB与其他技术的融合
研究者还将探索将UWB技术与其他无线定位技术（如蓝牙、ZigBee等）进行融合，以发挥各自的优势，提高定位系统的整体性能和可靠性。
（四） 创新点与项目特色
1.神经网络与UWB技术的结合：
本项目将BP神经网络模型应用于UWB定位系统的误差参数改正中，充分利用了神经网络的自学习和自适应能力，为解决UWB定位系统的误差问题提供了新的思路和方法。
2.优化的网络结构和算法：
针对UWB定位系统的特点，本项目将优化BP神经网络的结构和算法，使其能够更好地适应误差参数改正的问题。例如，引入更高效的激活函数、优化学习率等策略，以提高神经网络的性能和稳定性。
（五） 技术路线、拟解决的问题及预期成果、
1.获取坐标及距离参考值
利用 MS50 全站仪测量各 UWB 基站和网格点的坐标，并通过坐标反算求得标签与各基站间距离的参考值。
2.测距稳定性测试
将UWB标签置于长时间测距点上，进行采样率为10Hz、持续50min的数据采集，得到30000历元的数据，对测距稳定性进行分析。
3.网格点数据采集与测距误差分析
利用 UWB 标签对采样点和检核点进行逐一测量，采样率为10Hz、持续30s，每点可获得1200个测距值；将测距值减去步骤1中得到的参考值，对测距误差进行统计分析。
4.网络建模与样本选择
建立两种模型：BP1 模型的输入节点数量为4，其含义为第i(i=1,2,··· ,42)个采样点在第 j（j=1,2,···,300）历元与4个基站间的UWB测距值｛Dik(tj)｝，输出节点为对应的4个测距误差｛δi(tj)｝，输出层传递函数为 Log-Sigmoid 函数 (S 型对数函数)；中间层传递函数为 Tan-Sigmoid 函数 (S 型正切函数)，神经元数量经比较测试定为6个，训练集和测试集的比例为 8:2。
BP2模型的输入节点数量为6，包括第i个采样点的 3 个坐标分量（xi,yi,ji），以及第 k 个基站的 3 个坐标分量(XK,YK,ZK)；以i标签与k基站测距误差 作为输出，中间层神经元数量经比较测试定为10个；输出层数量、各层传递函数以及训练样本占比与 BP1 相同。
5.模型训练与比较分析
将42个采样点上的UWB测距值和坐标分别输入两个模型进行训练。5个检核点的数据不参与训练，用于评价模型的测距误差预测精度；进一步利用改正后的测距值进行定位解算，与参考坐标求差，统计定位精度。在检验BP2时，假定各检核点的参考坐标未知，先利用UWB原始测距值通过最小二乘法得到检核点的概略坐标，输入训练好的BP 网络模型，分别得到其与4个基站间的测距改正值，对 4 个测距值均进行改正后，再进行最小二乘解算，并代入BP2模型中，重复上述过程，直至坐标变化量小于10-5。一般迭代 5～8 次后即可收敛。 
1.神经网络与UWB技术的结合：本项目将BP神经网络模型应用于UWB定位系统的误差参数改正中，充分利用了神经网络的自学习和自适应能力，为解决UWB定位系统的误差问题提供了新的思路和方法。
2.优化的网络结构和算法：针对UWB定位系统的特点，本项目将优化BP神经网络的结构和算法，使其能够更好地适应误差参数改正的问题。例如，引入更高效的激活函数、优化学习率等策略，以提高神经网络的性能和稳定性。 
1.获取坐标及距离参考值
利用 MS50 全站仪测量各 UWB 基站和网格点的坐标，并通过坐标反算求得标签与各基站间距离的参考值。
2.测距稳定性测试
将UWB标签置于长时间测距点上，进行采样率为10Hz、持续50min的数据采集，得到30000历元的数据，对测距稳定性进行分析。
3.网格点数据采集与测距误差分析
利用 UWB 标签对采样点和检核点进行逐一测量，采样率为10Hz、持续30s，每点可获得1200个测距值；将测距值减去步骤1中得到的参考值，对测距误差进行统计分析。
4.网络建模与样本选择
建立两种模型：BP1 模型的输入节点数量为4，其含义为第i(i=1,2,··· ,42)个采样点在第 j（j=1,2,···,300）历元与4个基站间的UWB测距值｛Dik(tj)｝，输出节点为对应的4个测距误差｛δi(tj)｝，输出层传递函数为 Log-Sigmoid 函数 (S 型对数函数)；中间层传递函数为 Tan-Sigmoid 函数 (S 型正切函数)，神经元数量经比较测试定为6个，训练集和测试集的比例为 8:2。
BP2模型的输入节点数量为6，包括第i个采样点的 3 个坐标分量（xi,yi,ji），以及第 k 个基站的 3 个坐标分量(XK,YK,ZK)；以i标签与k基站测距误差 作为输出，中间层神经元数量经比较测试定为10个；输出层数量、各层传递函数以及训练样本占比与 BP1 相同。
5.模型训练与比较分析
将42个采样点上的UWB测距值和坐标分别输入两个模型进行训练。5个检核点的数据不参与训练，用于评价模型的测距误差预测精度；进一步利用改正后的测距值进行定位解算，与参考坐标求差，统计定位精度。在检验BP2时，假定各检核点的参考坐标未知，先利用UWB原始测距值通过最小二乘法得到检核点的概略坐标，输入训练好的BP 网络模型，分别得到其与4个基站间的测距改正值，对 4 个测距值均进行改正后，再进行最小二乘解算，并代入BP2模型中，重复上述过程，直至坐标变化量小于10-5。一般迭代 5～8 次后即可收敛。 
1. 2024年4月-5月：制定本项目的研究大纲,对项目中使用的技术方法进行资料查找并开展相关讨论，研究项目可行性、经济性、优缺点，并从可行性等方向对项目申报书编写，确定项目申报书终稿。
2. 2024年5月-6月：团队成员共同学习基于BP神级网络模型的数据处理方法以及UWB误差参数调整等技术，进一步更具体分配工作，通过知网和谷歌学术查询相关论文以了解UWB误差修正精度学术前沿成果。
3. 2024年6月-7月：团队成员分工利用全站仪获取坐标和距离参考值，分析测距稳定性；使用UWB采集数据与分析测距误差，选择样本并建立BP神级网络模型。
4. 2024年7月-11月：将实测的数据与真实距离作比较，统计相应的绝对误差与相对误差，最后对测距误差进行拟合建模。对所研究方法做模拟测试，修正研究项目所出现的问题。并完成中期报告及中期检查。
5. 2024年11月-2025年1月：对所建立的数学模型进行进一步的更新和优化。
6. 2025年2月-4月：回顾整个项目，分析项目结果取得的成绩和存在的问题，对项目进行总结，完成结题报告，并提交项目成果及发表相关论文。 
本项目从不同类型的平台构建、场景分析以及算法设计三个层面展开全面探究，分别提出了各自的解决方案，构建了基于通用设备的较完整的定位框架，为 UWB误差参数调整与评估提供了一些研究思路和见解。
（1）对于实时 TOA 测量的视线状态识别，设备厂商建议的识别方案具有很好的通用性。
结合 NLOS 操作条件估计指标可以准确地判定测量过程中节点间的视线状态，剔除其中需要大量访问 CIR 的操作并重构整个视线状态识别逻辑之后，视线状态识别过程更加简洁高效，且依然保持着较高的识别准确率和稳定性。对于连续周期变化的 TOA 测量的视线状态识别，可以基于神经网络的方法来实现。特别是将识别过程等效为二分类问题时，仅利用调试阶段获取的 TOA 测量即可完成网络的离线训练，获得精准的在线视线状态识别结果。
（2）相关测量视线状态的识别对于提升定位算法的执行效率具有积极意义。
视线状态准确识别的前提下，可以筛选并优先利用 LOS 状态相关测量来解析目标位置，一方面可直接减少参与复杂运算的基础数据，另一方面又可以直接从源头上摒弃未知 NLOS测量误差对定位结果的直接影响。此外，平面图信息的利用对于提升定位算法的整体性能具有重要帮助。在 NLOS 状态相对稳定的情况下，参考平面图可以对 NLOS测量有更为直观的把握，有助于构建更为合理的误差修正策略，为不同状态的测量分配不同的似然比重，以抑制 NLOS 测量的负面影响并挖掘其积极作用。
（3）连续周期变化的 TOA 测量通过特别设计的策略不仅可以提取变化的距离信息还可以提炼角度信息。
结合稳定的周期旋转过程，依靠单个单天线的 UWB 无线模块，仅由连续变化的TOA 测量就可以实现目标的定位与跟踪。不同性质的遮挡物会对 TOA 测量产生不同的影响，造成距离及角度估计的未知偏差，依托精准视线状态识别构建的角度重构策略可以较好地应对不合理的角度估计问题，维持角度估计过程的稳定性。
（4）不同目标对 UWB 设备的 TOA 测量的阴影效应不同且无规律可循。
同一目标对不同长度无线链接的阴影效应不同，无明显规律可以总结。即使不同目标具有相近的外形特征，不同目标对相同长度无线链接的阴影效应也并不总是相近的。不同目标在不同位置对相同长度无线链接的阴影效应不同，但整体上都保持着对称性。部分遮挡对无线链接造成的影响比完全遮挡更为显著。
（5）相关性更高的数据对于提高几何滤波方法的定位精度具有积极意义。
依据识别出的被遮挡链接对构建的目标模型进行松弛之后，结合可行域网格化条件下的规则移动可以实现对被遮挡链接的二次筛选，获取与被定位目标相关性更高的被遮挡链接。利用一阶马尔科夫模型、先前定位结果以及定位场景中的特征点构建的类别匹配策略可以实现对时变目标数目的准确判断以及变化位置的连续跟踪，可以显著提高基于密度的聚类方法的鲁棒性。匹配策略的添加以及被遮挡链接的二次筛选，有助于实现更为鲁棒的实时高精度无源多目标定位。


本项目以不同的模型分析为先导，基于BP神经网络模型对UWB误差参数进行调整与评估，虽然取得了部分成果，但在实际应用时还有很多问题有待进一步探究，下一阶段可以从以下几个方面展开研究：
（1）NLOS 测量误差的修正
依托平面图可以准确区分某一区域内大量存在的不同性质的固定遮挡物，制定随目标位置变化的 NLOS 测量误差修正策略。但这种方法更加适用于已知且相对稳定的混合视线状态应用场景，临时存在或新加入的具有明显阴影效应的遮挡物会对误差修正效果造成一定影响。在后续的研究中，可以引入在线学习机制对误差修正策略进行实时调整，以使其具备更高的自适应能力。
（2）单锚节点定位方案下的多目标定位
本项目设计的节点对之间的测距方案采用半双工通信模式，获取距离测量的时间消耗相对较长，间接导致了现有的单锚节点定位平台不便于执行多目标定位的缺陷，而该问题的解决具有实用价值。在后续的研究中，可以改用其它通信模式，例如固定时间间隔的广播机制。各目标节点再分别构建相对于转动平台（广播节点）的独立定位过程，实现多目标同时定位的需求。
（3）高精度实时多目标无源定位
多目标无源定位中，不同目标间的相互干扰会对各目标的位置解析过程造成不可控的影响。广泛采用的压缩感知方法及本项目提及的基于密度的聚类方法在应对简单场景中相距较远的多个目标时性能稳定，但在应对可行域高度重叠或复杂场景时，性能差强人意。如何从相互干扰的测量中提取与各目标高度相关的有利信息，如何更加准确地捕捉实时变化的目标数目都是值得深入研究的问题。 

经费预算

开支科目 预算经费（元） 主要用途 阶段下达经费计划（元）
前半阶段 后半阶段
预算经费总额 5000.00 试验费、论文出版费，团队外出收集数据，核心论文版面费 3250.00 1750.00
1. 业务费 4500.00 试验费、论文出版费 2750.00 1750.00
（1）计算、分析、测试费 500.00 试验费 500.00 0.00
（2）能源动力费 0.00 无 0.00 0.00
（3）会议、差旅费 500.00 团队外出收集数据 250.00 250.00
（4）文献检索费 0.00 无 0.00 0.00
（5）论文出版费 3500.00 核心论文版面费 2000.00 1500.00
2. 仪器设备购置费 0.00 无 0.00 0.00
3. 实验装置试制费 0.00 无 0.00 0.00
4. 材料费 500.00 购买打印纸等 500.00 0.00
结束

用户单位： 桂林理工大学        

版权所有： 南京先极科技有限公司