基于到达时间差（TDOA）的无人机定位机制，适用于黑暗和狭小环境

《Displays》：TDOA based localization mechanism for the UAV positioning in dark and confined environments

提出基于TDOA的UWB与IMU传感器融合定位算法，通过自适应卡尔曼滤波动态调整噪声模型，结合独立权重因子优化多锚节点测量，有效解决传统UWB定位性能波动及能耗高问题，实验验证在黑暗受限环境中实现0.110米中值定位误差和80Hz更新频率，显著提升无人机自主巡检可靠性。

　　

邵浩斌|王全涛|王志涵|詹建宁|梁慧健|杨北亚

西北工业大学计算机科学学院，中国陕西省西安市，710072

摘要

随着对在黑暗和受限环境中使用无人机（UAV）进行自主检测的需求不断增长，准确确定UAV的位置变得至关重要。超宽带（UWB）定位技术通过克服信号遮挡、光照条件差和空间受限等挑战，提供了一个有前景的解决方案。然而，传统的基于UWB的定位方法由于测量不一致性和时变噪声模型的影响而存在性能波动的问题。此外，广泛使用的双向飞行时间（TW-TOF）方法也有局限性，例如能耗高和可部署的标签数量有限。为了解决这些问题，本文提出了一种结合UWB和惯性测量单元（IMU）测量以及到达时间差（TDOA）定位机制的传感器融合方法。该方法利用自适应卡尔曼滤波器动态调整以适应噪声模型的变化，并为每个锚节点分配不同的权重因子，从而在具有挑战性的环境中提高稳定性和鲁棒性。综合实验表明，所提出的算法实现了0.110米的中位数定位误差、0.232米的90百分位误差和0.075米的平均标准差，同时显著降低了能耗。此外，由于TDOA的通信原理，该方法支持多个标签节点，使其非常适合未来应用中的多UAV协作检测。

引言

随着无人机（UAV）领域的发展，出现了多种定位技术，包括基于惯性测量单元（IMU）[1]、全球定位系统（GPS）[2]、计算机视觉[3]、激光雷达[4]以及无线通信（如WiFi[5]、蓝牙[6]、Zigbee[7]和超宽带（UWB）[8][9][10]的技术。对于在黑暗和极度受限环境中的UAV应用，例如储罐[11]、受损的历史遗迹[12]和地下隧道空间[13]，对UAV的尺寸、重量、电池续航能力和定位系统的可靠性有严格的要求。此外，与室内环境类似，受限空间通常禁止使用GPS进行定位。在现有的定位方法中，基于UWB的定位技术因其高精度、强大的多路径分辨能力、低功耗和出色的穿透能力而特别适用于极度受限的环境。这些优势源于UWB信号的特性，包括宽带宽、低功率谱密度和短脉冲持续时间[14]。

UWB定位信号的基于时间的测量方法包括双向飞行时间（TW-TOF）和到达时间差（TDOA）。目前，TW-TOF模式是一种广泛使用的测距模型。它测量信号从发射器传输到接收器再返回所需的时间，具有简单性的明显优势[15]。这种方法因其实现简单而受到青睐，通常需要较少的复杂硬件和更简单的信号处理。然而，TW-TOF需要在标签节点和锚节点之间进行多次通信交换，可能会增加能耗，限制位置更新率和系统中的标签节点数量。相比之下，TDOA通过测量来自多个锚节点的信号到达某个接收标签节点的时间差来进行单向测距。在TDOA方法中，由于标签不发送信号而只是被动接收信号，因此减少了通信需求。这种被动接收方式减少了通信交换次数，降低了系统的总带宽使用量，从而可以容纳更多的标签节点。这种主动通信的减少降低了标签节点的功耗，并且只需要锚节点之间的时钟同步，从而提高了定位系统的实用性和有效性。此外，由于TDOA对标签硬件的操作要求较低，它有可能延长系统的使用寿命，使其成为长期部署的更可持续选择。

尽管基于UWB的定位算法被认为非常适合在极度受限的环境中提供精确的定位，但由于依赖于三角测量方法，其有效性会受到干扰，导致位置确定不稳定和不一致[16]。此外，UWB系统特别容易受到环境变化或通信环境动态变化引起的异常值的影响，进一步挑战了其可靠性。相比之下，惯性导航系统（INS）利用IMU，提供了一种不受此类干扰影响的稳健替代方案。INS系统的测量数据具有连续性和规律性，以及更高的刷新率[17]，能够快速且一致地响应环境变化，并为设备提供短期的精确运动数据，确保独立于外部影响的可靠运行。这种能力使得INS在补偿UWB测距抖动引起的高定位误差方面特别有效，从而提高了整体定位精度和鲁棒性。

此外，将UWB与IMU技术结合使用可以结合两种系统的优势。虽然IMU具有高精度、快速更新频率、紧凑的尺寸和连续的测量数据，但它们也会在长时间内累积误差和位置漂移。IMU在任何轴上的显著累积误差或位置漂移都可能导致UAV的控制信号不正确，从而影响整体精度[18]。如果单独使用基于IMU的定位，需要某些方法[19][20]来识别和确定上述问题是否发生并采取相应的纠正措施。然而，通过结合UWB和IMU，系统可以从IMU的精确传感器中受益于改进的定位精度，而UWB有助于纠正IMU的累积积分误差，确保更稳定和连续的位置估计[21]。这种集成方法不仅减轻了每种技术的局限性，还显著提高了在极度受限环境中进行高精度定位所需的精度[22]。

目前，常见的融合算法可以分为基于滤波的方法和基于优化的方法。基于滤波的方法具有低计算复杂性和出色的实时性能[23]，这主要归功于它们的增量更新策略。具体来说，针对UWB/IMU系统的滤波融合方法包括扩展卡尔曼滤波（EKF）[24][25][26]、无迹卡尔曼滤波（UKF）[27]和粒子滤波（PF）[28]。与UKF和PF相比，EKF具有更低的计算复杂性和更简单的实现，同时仍能提供足够准确的估计。尽管EKF在非线性系统中的状态估计方面表现出色，但在实际应用中，过程和测量模型可能与实际环境不匹配，IMU和UWB传感器的噪声特性也可能随环境和设备条件而变化。此外，非线性系统中的线性化误差可能会发生剧烈变化。为了解决这些挑战，需要引入自适应策略，使EKF能够动态调整其噪声协方差参数以保持最佳滤波性能。将自适应策略纳入EKF中，可以设计出自适应卡尔曼滤波器（AKEF），根据系统运行期间收集的离线信息和先验数据动态估计和调整过程噪声。这种方法利用历史数据和实时测量来不断细化噪声模型，确保滤波器能够响应变化的条件并保持高精度。我们之前的研究[29]已经证实，在动态和不确定的环境中，AEKF的定位性能优于EKF。研究表明，在AEKF中引入自适应机制显著增强了其保持准确状态估计的能力，尤其是在处理波动噪声和系统不确定性时。

基于上述关于使用各种传感器融合算法进行UWB和IMU集成的挑战和能力的讨论，本文主要介绍了一种基于TDOA测量的自适应卡尔曼滤波算法，结合IMU和UWB在极度受限环境中实现UAV的高精度定位。为了便于参考，本文的主要贡献总结如下：

• (1)
  提出了一种基于TDOA测量的UWB和IMU传感器融合算法，在黑暗和受限环境中实现高精度、精确度和低能耗的UAV定位。特别是，通过引入TDOA定位机制，显著降低了标签节点的能耗和通信成本。
• (2)
  提出了带有额外独立权重因子的自适应噪声模型估计方法，以解决所关注环境中的性能波动和退化问题。通过对来自不同锚节点的每个TDOA使用独立权重因子，可以进一步提高该方法的精度。
• (3)
  在实验室环境中进行了全面的实验和实际飞行测试，以评估该算法的性能。根据结果，使用Crazyflie系统的所提算法可以实现0.110米的中位数定位误差、0.232米的90百分位定位误差、0.075米的平均标准差（STD）和80 Hz的位置更新率，能够支持在黑暗和GPS不可用环境中的检测任务。

在本文中，第2节提供了关于现有基于UWB的定位方法的全面文献综述。第3节介绍了整个系统的结构和信息传输流程。随后，第4节详细阐述了本文提出的算法的原理和完整过程。为了评估算法的性能，在第5节进行了模拟和实际条件下的测试，并进行了比较分析。最后，在第6节得出了分析和结论，以及未来的展望。

章节片段

文献综述

如上所述，随着UAV应用的广泛普及，其操作环境不再限于开阔区域。UAV在黑暗和受限环境中的应用引起了广泛关注[30]。由于UWB定位技术具有高精度和低能耗的特点，它成为这种环境中的理想选择[8]。然而，系统性能仍然容易受到环境变化和动态因素导致的异常值的影响

系统结构

整个系统如图1所示，由五个关键组件组成：一个UWB标签节点（配备有惯性测量单元（IMU）和反射标记的Crazyflie无人机）、八个UWB锚节点、Crazyradio通信模块、地面站和NOKOV运动捕捉系统[38]。这些组件共同协作，实现标签节点在3D空间中的精确定位。每个组件在确保整体功能方面都起着关键作用

基于TDOA的UAV定位

本文中使用的所有TDOA数据均基于Crazyflie平台[39]及其嵌入式算法[40]获得的测量结果。

性能验证

为了验证所提算法的性能，在实验室环境中进行了实验。

结论

本文提出了一种基于TDOA测量的UWB和IMU传感器融合定位算法，用于在黑暗和受限环境中实现UAV的准确和精确定位，以支持此类环境中的自主检测。首先，概述了现有的UAV定位技术及其当前问题分析。随后介绍了定位系统的结构和操作过程

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本项目得到了国家自然科学基金（编号：62503396）、陕西省教育厅资助的科学研究计划（项目编号：25JS125）以及中央高校基本科研业务费（编号：D5000230340、D5000250351、D5113250111和G25KY0612608）的支持。