基于超宽带传感器和惯性测量单元融合的定位算法
据麦姆斯咨询报道，为了解决非视距（non-line-of-sight，nlos）影响下，单一传感器的室内定位问题，来自深圳大学和国家无线电监测中心的研究人员提出了基于超宽带（ultra-wide band，uwb）传感器和惯性测量单元（inertial measurement unit，imu）融合的定位算法，实现在nlos场景下的高精度室内定位系统。相关研究成果以论文形式发表于《无线电工程》期刊。
定位系统描述
基于自组织的分布式网络管理模型如图1所示，主要由3部分组成：网管服务器、分布式网络代理（distributed network agent，dna）和被管设备。
图1 自组织的分布式网络管理模型
此外，imu传感器中的陀螺仪通过姿态矩阵进行姿态解算，加速度计通过二次积分获得位置信息。uwb通过基站与标签之间的通信解算出位置信息。通过当前位置和uwb测得的距离信息采用支持向量机（support vector machine，svm）进行nlos信号的识别分类。
nlos信号的检测
虽然uwb技术具有较强的抗干扰能力和抗多径衰弱能力，但是在nlos情况下，uwb信号的测距定位能力将大大降低。因此在进行uwb定位时，要进行nlos的识别。在双向测距（two-way ranging，twr）的解算过程中，脉冲信号一共传递了3次。当出现障碍物遮挡时，信号的传输会多次受到nlos的影响，相比于前一时刻的信号传播时间会出现较大的跳变。因此，研究人员提出使用机器学习的方式，利用支持向量机（support vector machine，svm）对实际场景中的nlos和los情况下的距离测量值进行训练，得到符合对应应用场景的分辨阈值。由于移动障碍物可能会对uwb系统的nlos测距结果产生规律性的影响，因此通过设置障碍物的位置模拟nlos场景，并研究障碍物位置与nlos检测之间的关系。nlos/los样点采集模型如图2所示。
图2 nlos/los样点采集模型
imu和uwb融合定位仿真实验
为了验证所提出的算法的性能，研究人员通过仿真实验进行模拟。在不同观测噪声下，通过最小二乘法（least squares method，ls）和ls-扩展卡尔曼滤波（ekf）算法的定位轨迹如图3（a）所示。在同等观测噪声下，uwb和imu经过ekf滤波过后的定位轨迹要比只经过ls定位算法的定位轨迹数据抖动更小，轨迹更加平滑。且观测噪声也会对定位结果有较大影响。图3（b）显示了2种算法的误差变化趋势。在观测噪声r=0.1时，经过ls算法定位的轨迹误差在0.1-1.4m抖动，经过ekf滤波后定位误差下降并逐渐保持稳定在0.2-0.4m。在观测噪声r=0.01时，ls-ekf算法的误差明显要比ls算法平滑得多，且定位误差更小。图3（c）是2种算法对应的误差累计分布函数（cumulative distribution function，cdf）图，在观测噪声r=0.1时，ls和ls-ekf算法在仿真的数据范围内的最大误差分别为1.3m和0.85m；在观测噪声r=0.01时，ls和ls-ekf算法在仿真的数据范围内的最大误差分别为0.3m和0.2m。
图3 ls和ls-ekf定位算法
ls和ls-ekf算法平均误差和标准差如表1所示，在观测噪声r=0.1时，ls和ls-ekf算法平均误差为0.4032m和0.1048m，误差的标准差大小为0.0744m和0.0285m。在观测噪声r=0.01时，ls和ls-ekf算法平均误差为0.0285m和0.0147m，误差的标准差大小为0.0077m和0.0018m。在观测噪声分别为r=0.1和r=0.01时，相较于ls算法，ls-ekf算法的定位精度分别提高了74%和48%。因此，所提出的算法能很好地识别和缓解nlos带来的定位误差。
表1 ls和ls-ekf算法平均误差和标准差
SiC肖特基二极管的常见问题
巴西超市用品展览/杨慧021-27114584 2006巴西
反相型DC-DC的工作路径和工作原理
凶猛的后进者：华为攻上全球手机第三名
合作才能共赢 物联网发展新启示
基于超宽带传感器和惯性测量单元融合的定位算法
如何选择（集成）嵌入式热敏打印机
如何将多个不同的传感器连接到ESP8266
新飞的重起，将是另外一个时代的开始吗？
亿咖通科技荣膺Transform Awards Asia 2022权威大奖
美国49%安卓用户考虑转入苹果阵营
人工智能将在2020年及以后改变世界的五个原因
华为Mate 9拆解图：紧致的结构，黑色薄膜是什么？
世界上“第一”电气工程师——弗朗西斯·罗纳德
英诺赛科和ASML达成批量购买高产能i-line和KrF光刻机的协议
利好政策推动我国远程医疗建设，2025年市场规模突破800亿元
2020年全球半导体销售额为4390亿美元
魅族Pro7什么时候上市？魅族Pro7发布在即，淘宝神助攻！双屏双摄确定，魅族Pro7 Plus或无缘三星Exynos 8895
CT加装的速度加快 医疗影像设备下沉基层市场可期
5G+4G信号的全面覆盖，让大学启用仪式更加完美
定位系统描述
基于自组织的分布式网络管理模型如图1所示，主要由3部分组成：网管服务器、分布式网络代理（distributed network agent，dna）和被管设备。
图1 自组织的分布式网络管理模型
此外，imu传感器中的陀螺仪通过姿态矩阵进行姿态解算，加速度计通过二次积分获得位置信息。uwb通过基站与标签之间的通信解算出位置信息。通过当前位置和uwb测得的距离信息采用支持向量机（support vector machine，svm）进行nlos信号的识别分类。
nlos信号的检测
虽然uwb技术具有较强的抗干扰能力和抗多径衰弱能力，但是在nlos情况下，uwb信号的测距定位能力将大大降低。因此在进行uwb定位时，要进行nlos的识别。在双向测距（two-way ranging，twr）的解算过程中，脉冲信号一共传递了3次。当出现障碍物遮挡时，信号的传输会多次受到nlos的影响，相比于前一时刻的信号传播时间会出现较大的跳变。因此，研究人员提出使用机器学习的方式，利用支持向量机（support vector machine，svm）对实际场景中的nlos和los情况下的距离测量值进行训练，得到符合对应应用场景的分辨阈值。由于移动障碍物可能会对uwb系统的nlos测距结果产生规律性的影响，因此通过设置障碍物的位置模拟nlos场景，并研究障碍物位置与nlos检测之间的关系。nlos/los样点采集模型如图2所示。
图2 nlos/los样点采集模型
imu和uwb融合定位仿真实验
为了验证所提出的算法的性能，研究人员通过仿真实验进行模拟。在不同观测噪声下，通过最小二乘法（least squares method，ls）和ls-扩展卡尔曼滤波（ekf）算法的定位轨迹如图3（a）所示。在同等观测噪声下，uwb和imu经过ekf滤波过后的定位轨迹要比只经过ls定位算法的定位轨迹数据抖动更小，轨迹更加平滑。且观测噪声也会对定位结果有较大影响。图3（b）显示了2种算法的误差变化趋势。在观测噪声r=0.1时，经过ls算法定位的轨迹误差在0.1-1.4m抖动，经过ekf滤波后定位误差下降并逐渐保持稳定在0.2-0.4m。在观测噪声r=0.01时，ls-ekf算法的误差明显要比ls算法平滑得多，且定位误差更小。图3（c）是2种算法对应的误差累计分布函数（cumulative distribution function，cdf）图，在观测噪声r=0.1时，ls和ls-ekf算法在仿真的数据范围内的最大误差分别为1.3m和0.85m；在观测噪声r=0.01时，ls和ls-ekf算法在仿真的数据范围内的最大误差分别为0.3m和0.2m。
图3 ls和ls-ekf定位算法
ls和ls-ekf算法平均误差和标准差如表1所示，在观测噪声r=0.1时，ls和ls-ekf算法平均误差为0.4032m和0.1048m，误差的标准差大小为0.0744m和0.0285m。在观测噪声r=0.01时，ls和ls-ekf算法平均误差为0.0285m和0.0147m，误差的标准差大小为0.0077m和0.0018m。在观测噪声分别为r=0.1和r=0.01时，相较于ls算法，ls-ekf算法的定位精度分别提高了74%和48%。因此，所提出的算法能很好地识别和缓解nlos带来的定位误差。
表1 ls和ls-ekf算法平均误差和标准差
SiC肖特基二极管的常见问题
巴西超市用品展览/杨慧021-27114584 2006巴西
反相型DC-DC的工作路径和工作原理
凶猛的后进者：华为攻上全球手机第三名
合作才能共赢 物联网发展新启示
基于超宽带传感器和惯性测量单元融合的定位算法
如何选择（集成）嵌入式热敏打印机
如何将多个不同的传感器连接到ESP8266
新飞的重起，将是另外一个时代的开始吗？
亿咖通科技荣膺Transform Awards Asia 2022权威大奖
美国49%安卓用户考虑转入苹果阵营
人工智能将在2020年及以后改变世界的五个原因
华为Mate 9拆解图：紧致的结构，黑色薄膜是什么？
世界上“第一”电气工程师——弗朗西斯·罗纳德
英诺赛科和ASML达成批量购买高产能i-line和KrF光刻机的协议
利好政策推动我国远程医疗建设，2025年市场规模突破800亿元
2020年全球半导体销售额为4390亿美元
魅族Pro7什么时候上市？魅族Pro7发布在即，淘宝神助攻！双屏双摄确定，魅族Pro7 Plus或无缘三星Exynos 8895
CT加装的速度加快 医疗影像设备下沉基层市场可期
5G+4G信号的全面覆盖，让大学启用仪式更加完美