机器学习辅助的超宽带测距误差识别与补偿方法：复杂室内环境下的定位精度提升

《Sensors》：A Machine Learning-Assisted Recognition and Compensation Method for UWB Ranging Errors in Complex Indoor Environments Jiayuan Zhang, Guangxu Zhang, Ying Xu, Zeyu Li and Hao Wu

针对复杂室内环境下超宽带(UWB)定位易受非视距(NLOS)误差影响导致精度下降的问题，研究人员提出了一个三阶段（识别-补偿-定位）的机器学习辅助框架。该方法利用低维物理特征（如测距值和功率差ΔPi）实现多类遮挡物（如墙、门、人体）的稳定识别，并采用环境自适应的MLP补偿模型对测距观测值进行校正，最后通过非线性最小二乘法(NLS)优化定位。实验证明，该方法显著降低了测距偏差，提升了定位精度，为工业追踪、智能建筑等应用提供了可靠且易部署的UWB解决方案。

　　

在智慧城市与物联网技术飞速发展的今天，基于位置的服务需求日益增长。在户外，全球导航卫星系统(GNSS)已能提供高精度定位，但一旦进入室内或城市密集区域，信号遮挡、多径干扰等问题便让GNSS“英雄无用武之地”。因此，可靠的室内定位技术成为研究热点。其中，超宽带(UWB)技术因其高时间分辨率、强抗多径干扰能力，在室内定位中备受青睐。然而，UWB的室内感知能力极易受到环境遮挡物的“干扰”。无论是厚重的墙体、普通的木门，还是行走的人体，都会改变信号的传播路径和能量，引入系统性的测距偏差，这就是恼人的非视距(NLOS)误差。它像一层迷雾，笼罩在UWB信号之上，使得测量距离偏离真实几何距离，最终导致定位结果“失之毫厘，谬以千里”。为了拨开这层迷雾，提升UWB在复杂室内环境下的定位可靠性，研究人员开展了一项针对性研究。

为了回答上述问题，研究人员在《Sensors》期刊上发表了他们的研究成果。他们采用了一个包含三阶段的核心技术流程：1. 低维特征提取：利用UWB模块固件输出的测距值、总接收功率(TR)和首径功率(FP)等低维物理特征，构建用于分类的二维特征向量（测距值与功率差ΔP_i）。2. 机器学习分类与补偿：首先，使用随机森林模型结合基于相邻测距差平方的阈值规则，对NLOS源（如视距LOS、门、墙、人体）进行识别，并通过滑动窗口阈值一致性检查抑制帧级标签抖动。随后，针对不同遮挡类型，训练独立的多层感知机(MLP)模型，学习非线性误差补偿函数。3. 定位优化：将经过MLP补偿后的校正测距值，输入到基于双面双向测距(DS-TWR)观测的非线性最小二乘(NLS)定位模型中，最终估算目标位置。

2.1. UWB低维特征提取

本研究使用基于DWM1000平台的UML1模块，采用DS-TWR协议进行测距。硬件在完成每次测距循环后，会通过串口输出包含时间戳、测距值以及对应的总接收功率(TR)和首径功率(FP)特征的数据。通过分析测距值R_i和定义的功率差ΔP_i= TR_i- FP_i，构建了用于后续NLOS识别的低维特征向量。

2.2. 误差识别、环境自适应校正与定位优化

本研究提出的方法流程如文中图1所示，主要包括三个核心环节：

• •
  NLOS识别：利用从UWB模块获取的低维特征（测距值和ΔP_i），结合随机森林分类器，实现对LOS、门、墙、人体等多类环境的识别。并引入基于相邻测距差平方的滑动窗口阈值检查，以提升识别标签的时序一致性，为下游校正提供更可靠的环境标签。
• •
  误差补偿：针对识别出的不同环境类别（如LOS、墙、门、人体），分别训练一个MLP模型。每个MLP学习其对应环境下的测距误差非线性补偿模型，用于对原始的DS-TWR测距观测值进行校正，以消除系统性偏差。
• •
  定位解算：将经过上述环境特异性MLP模型补偿后的校正距离值，作为观测输入到非线性最小二乘定位模型中，最终求解出待定位标签的坐标。

3. 实验结果

实验在典型的室内环境中进行，结果表明：

• •
  所提出的轻量级NLOS识别流水线能够实现复杂环境下多类遮挡物的稳定识别。
• •
  滑动窗口阈值一致性检查有效抑制了帧级标签抖动。
• •
  环境特异性的MLP补偿模型显著降低了各类NLOS条件下的测距偏差。
• •
  将校正后的距离值用于NLS定位，与传统方法相比，整体定位精度得到了显著提升。

4. 结论与讨论

本研究的核心结论是，成功提出并验证了一个机器学习辅助的UWB测距误差识别与补偿框架。该框架的创新性在于：1) 仅使用低维物理特征（测距值和功率差）和轻量级机器学习模型（随机森林和MLP），无需解析原始通道冲激响应(CIR)数据，降低了对硬件二次开发和计算复杂度的要求，使其更易于在低成本UWB设备上部署。2) 通过将时序一致的NLOS识别与环境自适应的误差校正相结合，为UWB在复杂室内环境（如存在多径和动态遮挡的工业厂房、智能楼宇）下的可靠应用提供了一条实用路径。研究结果表明，该方法在显著提升UWB测距与定位精度的同时，并未增加系统复杂度，有效增强了UWB测量的鲁棒性，对于推动UWB技术在工业追踪、智能建筑、应急响应等对可靠性要求较高的场景中的应用具有重要意义。