低成本便携式传感器节点，用于气体和化学泄漏检测，并结合卡尔曼滤波和超宽带（UWB）定位技术 作者：Mohammed Faeik Ruzaij Al-Okby、Thomas Roddelkopf 和 Kerstin Thurow

《Sensors》：Low-Cost Portable Sensor Node for Gas and Chemical Leak Detection with Kalman-Filtering-Based UWB Localization Mohammed Faeik Ruzaij Al-Okby, Thomas Roddelkopf and Kerstin Thurow

　　**摘要**
在自动化实验室和工业场所的工作环境中，工人面临着由意外事件引起的化学气体和蒸汽泄漏所带来的风险。此类泄漏可能对健康造成严重危害，同时还会损坏泄漏现场的设备或基础设施。因此，开发能够早期检测并精确定位化学泄漏的系统对于职业安全至关重要。本研究提出了一种基于物联网（IoT）的低成本、便携式传感器节点，用于室内环境中气体和化学泄漏的检测与定位。该传感器节点采用模块化设计，可根据目标应用灵活集成和更换气体传感器及环境传感器。此外，系统还包括基于超宽带（UWB）的定位与追踪单元，支持在多个室内区域进行操作。本研究的主要贡献在于结合了（i）多传感器驱动的环境事件检测与预测以及（ii）在动态多区域追踪架构中的高精度定位技术。系统能够自动选择每个区域中最相关的锚点，并应用三边测量法和最小二乘估计法，同时借助卡尔曼滤波技术提高定位精度。具体采用了扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF），并通过融合惯性测量单元（IMU）数据来减轻视距（NLoS）条件和障碍物导致的信号衰减的影响。实验结果表明，在具有挑战性的室内环境下，EKF和UKF显著降低了定位误差并提高了追踪稳定性。特别是在高度非线性的场景中，UKF表现更优。通过手动测量参考点进行的定量评估显示，UKF的整体性能最佳，平均误差为39.72厘米，均方根误差为43.03厘米。这些发现证实了基于卡尔曼滤波器的传感器融合技术在可靠室内定位中的有效性，并突显了所提系统在实时安全监控应用中的适用性。

**1. 引言**
近年来，由于室内空气质量与空气中的化学污染对人类健康、安全和生产力的影响，人们对其监测给予了越来越多的关注。这在处理有害化学物质和气体的自动化实验室和工业环境中尤为重要。这类物质的意外泄漏可能导致严重的健康风险、环境污染以及基础设施损坏，因此需要可靠的监测和早期预警系统。此外，日益严格的监管要求以及工业环境的发展进一步强调了持续和智能环境监测解决方案的重要性。
传统的环境监测系统通常依赖高精度设备，但这些设备往往复杂且昂贵，限制了其可扩展性和广泛应用。相比之下， recent研究专注于开发能够实现实时空气质量监测和异常检测的低成本传感器网络。这些系统通常集成气体传感器、颗粒物传感器和环境传感器，以识别室内污染源并检测异常环境事件。因此，传感器节点已成为智能建筑监测和控制系统中的关键组成部分，能够持续观察并早期发现有害条件，如化学泄漏、烟雾或火灾。
得益于传感器技术和通信电子技术的进步，现代传感器节点已从简单的数据采集单元演变为具备多传感器数据处理、无线通信以及与物联网（IoT）和边缘计算框架集成的智能系统。这种演变不仅实现了实时监测，还完成了本地数据处理的决策制定，减少了延迟和对集中式基础设施的依赖。近年来，移动机器人和自主平台在实验室和工业环境中的使用日益增多，从而产生了对能够检测有害物质并同时确定其空间位置的移动传感器节点的需求。在这些动态或大规模的室内环境中，准确定位此类事件对于有效规避风险和有针对性的干预至关重要[1,2,3]。

**2. 方法与材料**
所提出的系统由两个主要部分组成：（i）硬件平台和（ii）监控软件。硬件包括配备了多个环境传感器和定位单元的原型传感器节点。软件负责数据处理的可视化及事件检测。
传感器节点设计为模块化平台，可集成不同类型的气体浓度、颗粒物（PM）、温度和相对湿度传感器。此外，传感器节点还配备了与建筑物内部署的多个固定锚点协同工作的超宽带（UWB）追踪单元。以下小节将详细介绍各个系统组件。图1展示了本研究中使用的传感器节点。

**2.1. UWB模块**
超宽带（UWB）技术是定位和追踪系统的核心，可实现实时的精准室内定位。UWB模块可以作为移动标签使用，也可由实验室人员携带，还可集成到在危险环境中运行的机器人平台或自主系统中。
在本研究中，选择了MaUWB_ESP32S3（Makerfabs，深圳，中国）作为系统实现模块。该模块集成了多个功能单元，基于DWM3000收发器（Qorvo，北卡罗来纳州格林斯伯勒），提供集成陶瓷天线、实时时钟、射频前端和电源管理系统等关键功能。该收发器支持双向测距（TWR）和到达时间差（TDoA）两种距离估算方法。
DWM3000通过STM32F103RCT6微控制器（STMicroelectronics，瑞士日内瓦）进行AT命令控制，允许对内部寄存器和配置参数进行低级别访问。此外，该模块还包括ESP32-S3物联网微控制器（Espressif Systems，上海，中国），提供Wi-Fi和蓝牙5连接功能。在所提系统中，ESP32-S3用于处理UWB数据和来自各种传感器的读数，并将数据传输到监控与追踪服务器。模块还配备1.3英寸OLED显示屏用于本地可视化以及一系列输入/输出接口以实现传感器集成。凭借其功能和相对较低的成本（约50欧元），该模块成为实时室内追踪应用的理想选择。

**2.2. 气体和环境传感器**
为可靠检测化学泄漏、烟雾及相关事件，传感器节点集成了多种气体和环境传感器。SGP41气体传感器（Sensirion AG，瑞士斯塔法）用于测量挥发性有机化合物（VOC）指数和氮氧化物（NOx）指数。这两个指数无单位，范围从0到500，代表空气质量从优异到较差的不同级别。这些参数有助于检测化学泄漏（VOC指数）和燃烧相关事件（NOx指数）。此外，SGP30传感器（Sensirion AG，瑞士斯塔法）用于测量总挥发性有机化合物（TVOC）浓度和二氧化碳当量（eCO2）浓度[19,20]。
环境条件还通过SHT41传感器（Sensirion AG，瑞士斯塔法）进行监测，该传感器可在?40至125°C的温度和0至100%的相对湿度范围内测量温度和相关湿度。温度和湿度的迅速变化可能预示着火灾或烟雾等异常情况。然而，仅凭这些参数是不足以进行可靠检测的，因为它们也可能受到其他环境因素的影响。因此，将它们与气体和颗粒物传感器集成在一起对于提高检测的稳健性至关重要[21]。使用了两种颗粒物传感器来测量空气中的PM1（1微米直径）、PM2.5（2.5微米直径）和PM10（10微米直径）浓度：PMSA003I（中国南昌Panteng科技有限公司制造）和BMV080（德国罗伊特林根Bosch Sensortec公司制造）。BMV080是一种紧凑型传感器，测量范围为0到1000 μg/m3，分辨率为1 μg/m3，非常适合便携式应用。此外，它可以与任何具有I2C或SPI总线的处理器配合使用[22]。PMSA003I基于激光散射原理工作，并通过I2C接口进行通信[23]。

2.3 BNO085惯性测量单元
BNO085（美国马里兰州罗克维尔CEVA Technologies公司）惯性测量单元（IMU）集成了三轴加速度计、磁力计和陀螺仪，提供了九个自由度用于惯性测量。这些传感器与嵌入式ARM Cortex M0处理器配合使用，该处理器运行Hillcrest SH-2传感器融合固件（美国马里兰州罗克维尔Hillcrest Labs公司制造）。IMU提供了处理后的运动数据，包括偏航角、俯仰角和滚转角、四元数、旋转向量、线性加速度和重力向量。在这项工作中，IMU数据用于通过与UWB测量的融合来支持定位过程。具体来说，IMU有助于减轻信号退化和非视距（NLOS）条件的影响，这些情况在室内环境中由于墙壁和设备等障碍物而常见。IMU数据与UWB测量的集成是在第3节描述的无迹卡尔曼滤波器（UKF）框架内进行的[24]。表1总结了所提出系统中集成的主要传感器和硬件组件。

3. 工作描述
当前项目的目标是设计一个低成本的室内化学泄漏检测系统，该系统具有多标签、多区域跟踪和定位功能，并利用商业上可获得的组件。需要注意的是，本工作中使用的算法基于成熟的方法。然而，这些算法在动态多区域室内环境中的集成、协调和适应是所提出框架的主要贡献。系统架构由持续发送UWB信号的固定锚点组成。这些信号被移动标签接收，该标签计算与环境中最近的八个锚点的距离，并通过Wi-Fi将传感器阵列数据无线传输到监控服务器。移动标签以五种JSON数组的形式发送数据，包括标签编号、与最近八个锚点的距离、锚点编号、环境传感器数据和惯性测量单元数据。传输使用UDP协议，以确保沿跟踪路径的数据流高速且不间断。
在监控服务器端，一个Python 3.12程序接收、排序和处理传入的数据，应用算法根据测量结果对标签位置和传感器读数进行初步判断，并估计预期的环境事件。
监控程序的主要跟踪任务总结如下：
- 持续通过UDP接收每个标签的UWB数据。
- 根据接收到的UDP消息中的锚点距离，识别活动房间（区域/房间）。
- 选择三个最接近的锚点（通常是房间内的最接近的三个）。
- 使用最小二乘法（LSQ）计算初始位置（三个锚点）。
- 使用适当的测量数据更新平滑/跟踪滤波器（KF/UKF/EKF）。
- 映射结果：仅显示活动房间内的锚点。
- 根据滤波器类型着色标签点。
- 根据选定的锚点和当前标签位置计算活动房间的动态GDOP。
- 将结果存储在日志文件中，以便分析和性能评估。

以下小节将详细描述监控和跟踪程序中的主要算法。

3.1. 多区域房间选择
监控程序动态地为每个标签选择活动房间/区域，不考虑标签的数量或区域数量。它不假设固定房间；相反，活动房间是通过计算接收到的消息中出现的锚点的权重分数来确定的。锚点是预先定义的，并且仅在单个房间内操作。
活动房间的选择是通过将每个房间中锚点距离的倒数之和来确定的：[此处公式省略]，其中ε值是一个很小的量，0.001，以防止在距离非常小时出现除以零的情况，这种情况很少发生。为了防止标签穿过边界时房间或区域“闪烁”，应用了迟滞效应。只有当新房间在连续帧中获得最高分数时，系统才会切换活动区域（例如，3帧）。这个过程确保了在相邻房间之间切换时选择三个最接近的锚点进行定位。图3显示了活动房间/区域选择过程的流程图。所提出的权重和迟滞机制旨在确保在信号条件和锚点可见性可能快速变化的相邻房间之间切换时选择区域稳定。

3.2. 锚点选择
在定义了房间后，为三边测量选择三个锚点。收集每个锚点的有效测量数据。如果活动锚点少于八个，则用(0)替换缺失的距离，用(?1)替换缺失的锚点编号。优先选择属于所选房间的锚点。如果可用的锚点少于三个，系统将回退到最近的两个锚点，以防止程序崩溃或在三边测量期间获得不准确的结果。选定的锚点存储在当前标签的活动锚点矩阵中，用于LSQ/KF计算；UKF/EKF范围；映射高亮；动态GDOP计算。动态GDOP是根据当前标签位置每帧计算的。如果多个标签占据同一个房间，则使用该房间的平均GDOP，这会导致GDOP指数随着标签从一个区域移动到另一个区域而变化。

3.3. 最小二乘法（LSQ）
最小二乘估计方法（LSQ）通过从监控程序中预定义坐标的三个最近锚点(xi, yi)和实时距离测量(di)选择三个距离测量值来估计标签坐标(x, y)。该模型基于每个锚点的圆方程：[此处公式省略]。从其他方程中减去第一个锚点方程可以消除二次项(x2, y2)，从而得到一个线性系统：[此处公式省略]。通过解决LSQ来估计“p”值（标签坐标）：[此处公式省略]，当(ATA)是可逆的时候，这由跟踪程序代码通过numpy.linalg.lstsq函数实现，得到的坐标用于后续的卡尔曼滤波[25]。

3.4. 线性卡尔曼滤波器（KF）
线性卡尔曼滤波器用于使用四状态模型x = [x, y, vx, vy]T来平滑和跟踪移动标签的位置，假设速度是恒定的。时间步长为dt，过渡方程为[此处公式省略]。位置仅通过监控软件中的LSQ测量得到：[此处公式省略]。KF经历两个标准阶段：预测 Pk∣k?1 = FPk?1∣k?1FT + Q，[此处公式省略]；更新 Kk = Pk∣k?1HT(HPk∣k?1HT + R)?1，[此处公式省略]，xk∣k = xk∣k?1 + Kk(zk ? Hxk∣k?1)，[此处公式省略]。KF提供了标签位置(P)和标签速度(v)的平滑估计。瞬时标签速度是根据卡尔曼滤波器产生的速度分量使用方程v = √(vx2 + vy2)计算得出的。采用的线性卡尔曼滤波框架遵循在跟踪应用中广泛使用的标准离散时间公式[26,27]。

3.5. 扩展卡尔曼滤波器（EKF）
EKF处理UWB距离和标签位置之间的非线性关系，考虑了NLoS和多路径传播。EKF不是使用LSQ中的初始坐标，而是使用有效区域内三个选定锚点的距离测量值来计算移动标签的坐标。当测量值是到锚点的距离向量z = [r1, r2, r3]T而不是直接的位置时，系统状态定义为x = [x, y, vx, vy]T，采用线性运动模型F（恒定速度）。非线性测量函数为[此处公式省略]，其中i = 1, 2, 3，zk = h(xk) + vk。EKF使用雅可比矩阵[此处公式省略]对这个函数进行线性化：[此处公式省略]，在实现中可能添加一个小的ε值以避免除以零，以确保数值稳定性。然后，实施相同的卡尔曼线性更新方程，但使用Hk。创新部分计算为[此处公式省略]，Sk = HkPk∣k?1HkT + R，Kk = Pk∣k?1HkTSk ? 1[此处公式省略]。通过这种方式，EKF通过围绕预期状态的局部线性近似来处理UWB（距离）测量的非线性[28,29,30]。

3.6. 无迹卡尔曼滤波器（UKF）
UKF通过融合UWB距离测量值和IMU数据来估计标签位置。与EKF不同，UKF通过将一组确定性选择的sigma点通过非线性系统动态来避免显式线性化。系统状态定义为[此处公式省略]，其中(xk, yk)表示位置，(vx,k, vy,k)表示速度。对于维度为nnn的状态，生成一组2n + 1个sigma点：[此处公式省略]，其中i = 1, …, n，权重为[此处公式省略]。与标准恒定速度模型不同，所提出的方法将IMU加速度作为外部输入纳入运动模型。连续时间动态定义为[此处公式省略]。离散化后，状态演化变为[此处公式省略]。加速度分量ax, ay来自IMU：[此处公式省略]。通过坐标变换（机体→世界坐标系）[此处公式省略]：低通滤波：[此处公式省略]。偏差估计（在准静态条件下）：[此处公式省略]。因此，IMU直接有助于状态转换函数：[此处公式省略]，这改善了短期运动预测（航位推算）。测量向量包括到锚点的距离：[此处公式省略]。每个sigma点被投影到测量空间：[此处公式省略]。预测的测量均值和协方差[此处公式省略]。卡尔曼增益使用无迹变换得到：[此处公式省略]，状态更新表示为[此处公式省略]。所提出的框架执行松耦合的传感器融合：IMU数据在预测步骤中作为控制输入集成，UWB测量值在更新步骤中用于绝对位置校正。这种互补结构使得IMU→平滑短期运动（航位推算）；UWB→长期漂移校正。最后，系统通过时间同步的处理流程执行集成感知和定位，其中环境测量和定位估计实时对齐。这使得能够将检测到的事件与其对应的位置直接空间关联起来，形成环境的统一时空表示[31,32,33]。

3.7. 环境事件分析和检测算法
环境事件分析和检测算法采用基于规则的事件预测方法，将多传感器读数转换为环境条件的概率描述，如正常条件、VOC泄漏、烟雾或火灾。

3.7.1. 用于测量因素的权重定义
检测和分析算法中的决策依赖于分配给与环境传感器特征相关的权重系数。这些权重是基于一系列实际实验和对算法在不同场景下响应的观察来确定的。特别是，评估了不同权重配置对决策准确性和避免误分类或误报警的影响。这考虑了每种事件类型的预期特性，包括VOC泄漏、烟雾和火灾。每个特征-事件组合都被分配了固定权重，并在操作过程中保持不变，但如果需要可以根据系统性能进行调整。与特定事件强烈相关的特征被赋予更高的权重（例如，烟雾的颗粒物和火灾的温度）。此外，引入了负权重以减少误导性或非鉴别性信号的影响（例如，颗粒物对VOC事件的影响）。表2显示了加权函数中使用的权重。

3.7.2. 特征提取
该过程从实时获取环境传感器数据开始，包括温度、湿度、VOC指数、NOx指数、总挥发性有机化合物（TVOC）浓度、二氧化碳当量（eCO2）和颗粒物浓度（PM2.5）。使用的传感器是PMSA003I和BMV080。算法不仅依赖于原始传感器值；相反，它为每个变量在正常条件下构建一个动态基线，并计算与该基线的相对偏差：[此处公式省略]，其中x是当前测量值，b是基线。绝对基线值低于1的情况会被忽略，以防止除以零的情况发生，并避免偏差被夸大。该指标表示当前测量值与正常环境条件的偏差程度。此外，算法还会计算每个参数的变化率，以捕捉可能比绝对值更能够指示事件的快速变化：关键参数包括……该程序为每种可能的事件类型创建加权分数，将多个指标合并为一个分数，用于评估VOC泄漏、烟雾和火灾。VOC泄漏的特点是TVOC浓度和VOC指数高，而颗粒物含量低。随着时间推移，如果Δr（TVOC）和Δr（VOC指数）增加，事件分数会上升；如果细颗粒物显著增加，则分数会下降。烟雾主要通过PM2.5变化率的快速上升来指示，TVOC的贡献较小。火灾被视为一种复杂的燃烧事件，当多个参数（包括PM2.5、eCO2和温度）同时上升时，其强度会增加。事件评分逻辑可以表示为……其中wi代表实验权重，xi是测量变量（例如TVOC、PM2.5或eCO2），δxi是xi的时间导数，fi结合了相对偏差和变化率。每个特征fi结合了来自传感器数据的多个组成部分……w1、w2和w3是权重系数，决定了每个特征的相对贡献；w1对应于相对变化δxi的权重；w2对应于变化率的权重；w3对应于与基线值的绝对偏差（xi ? bi）的权重。这种公式遵循了时间序列异常检测中的既定原则，其中结合了多个互补特征来捕捉与正常行为的偏差[34,35,36]。当得分超过预定义的阈值时，就识别出环境事件。这里，τ表示根据实验观察为每个事件确定的特定阈值。指数e指示环境事件的类别（如VOC泄漏、烟雾或火灾）。这些阈值是事件特定的（VOC泄漏、烟雾和火灾），并在系统运行期间保持不变。对于每个事件类别，都会计算一个独立的分数。最终决定是选择得分最高的活动，前提是满足所需的激活条件。在信号重叠的情况下，由于火灾的安全重要性最高，优先考虑火灾检测，其次是与烟雾检测，最后是VOC泄漏。为了避免事件分类中的快速波动，系统采用了一种双状态时间稳定机制：候选状态代表一个潜在的新事件；当前稳态代表确认的环境条件。只有当连续检测到相同候选事件达到用户定义的周期数时，系统才会从稳态过渡到候选状态。这允许用户在最终分类之前调整灵敏度。否则，之前的状态保持不变。这种逻辑减少了误报并避免了正错误。一旦确认，系统会提供视觉警告，指示事件类型、事件颜色、大约的置信水平和检测到的事件的确切位置。3.7.3 阈值和基线适应策略所选阈值和权重系数是根据受控室内环境下的实验观察结果的经验确定的。除了前一节描述的评估机制外，所提出的算法还结合了指示性阈值和自适应基线更新机制，以确保在不同环境条件下的性能稳健。检测过程使用的阈值可以根据用户反馈和操作环境的基线水平进行调整。这些阈值是根据实验观察和典型的室内空气质量范围得出的。当前的阈值是VOC指数=150、NOx指数=5、TVOC=67 ppb和PM2.5水平=150 mg/L，这些值明显超过了正常背景条件，作为事件检测的触发水平。然而，这些阈值并不作为严格的二元决策边界使用，而是作为评估框架内的软触发条件，允许渐进式转换而不是突然的分类。每个环境参数的基线是从第一次有效测量开始的，传感器节点首次运行后需要大约5分钟的预热期，以确保加热阶段的完成。初始化后，基线使用低速率指数移动平均值进行连续更新……其中α是一个小的平滑系数（在本工作中设置为0.01）。这种公式能够在保持对瞬态事件敏感性的同时，缓慢适应长期的环境变化。重要的是，基线更新只在稳定的“正常”条件下进行，并在检测到异常事件时暂时暂停。这可以防止危险情况下参考基线的污染，并提高异常检测的鲁棒性。4. 实验测试和结果进行了两种类型的实际测试来评估系统的性能。第一组实验评估了环境事件分析算法，重点关注烟雾、火灾、气体泄漏和化学蒸汽的检测。第二组实验评估了在不同卡尔曼过滤策略下的室内跟踪和定位系统，比较了它们的准确性和鲁棒性。两种测试的详细信息在以下小节中描述。4.1 环境事件分析和检测测试这些实验针对化学处理设施中预期的三种类型的环境事件：化学（VOC）泄漏、烟雾和火灾。为了检测化学或VOC泄漏，选择了99%的乙醇来评估算法的性能。使用了非常少量的乙醇（10、30、50和100微升），放置在距离传感器节点1米的培养皿中。算法成功检测到了所有测试样本的VOC泄漏。图4a–c展示了达到报警阈值前后的监控程序，图4d显示了相应的SGP41传感器的响应。图4. VOC泄漏检测的监控程序截图：(a) 放置样本之前，(b) 放置样本后但未达到报警阈值之前，(c) 超过报警阈值之后，(d) 对测试乙醇体积的SGP41传感器响应。为了测试烟雾事件，使用了一种特殊类型的喷雾，“LogiLink Rauchmelder” Test-Spray（2direct GmbH，Schalksmühle，德国），这种喷雾专为测试家庭中的烟雾报警器设计。通过从1米的距离向传感器节点喷洒气溶胶样本来进行测试。测试重复了10次，算法在10次尝试中有8次成功；2次尝试产生了误报。图5显示了喷洒测试气溶胶前后的监控程序截图。图5. 烟雾检测的监控程序截图：(a) 喷射测试喷雾之前，(b) 喷射测试喷雾之后。由于实验室中有一个对火灾敏感的系统，使用了由聚氯乙烯（PVC）制成的特殊气体测试室来完全覆盖传感器节点，防止实验过程中产生的烟雾逸出。在室内放了一支蜡烛，然后通过将传感器节点放在室外，点燃蜡烛，再将传感器节点放入室内，并通过监控程序进行监视来开始测试。这个实验重复了10次，所有十次测试的检测结果都是正确的。图6a显示了测试室；图6b,c显示了在测试室内点燃火灾前后的监控程序截图。图6. 火灾检测测试：(a) 测试室，监控程序截图 (b) 火灾之前，(c) 火灾之后。4.2 使用卡尔曼过滤的室内跟踪和定位测试这些实验的目的是确定在室内环境中普遍存在的无视线（NLoS）条件下提高定位性能准确性的最佳卡尔曼滤波器。跟踪系统测试在两个相邻的自动化实验室中进行，这两个实验室有许多大型障碍物阻碍了UWB信号的传播。实验室之间由厚混凝土墙和铝制框架玻璃门分隔，允许它们之间移动。大量的实验室家具沿着分隔墙延伸，形成了具有挑战性的室内环境（见图7）。在每个实验室中，高度为两米的地上安装了四个锚点，以减轻NLoS的影响。实际测试路径在两个实验室（房间1和房间2）的地板上预先定义并物理固定。轨迹设计为有意穿过不同的室内条件，包括由墙壁、门和实验室设备引起的视线（LoS）和非视线（NLoS）区域。这种设置使得能够在不同的传播条件下对跟踪系统进行 réalistic 评估。记录的结果存储在监控服务器上，作为包含每个移动标记使用的每种算法或滤波器的坐标数据的日志文件。图8显示了跟踪系统的测试结果：(a) 使用最小二乘算法，(b) 使用线性卡尔曼滤波器（KF），(c) 使用扩展卡尔曼滤波器（EKF），(d) 使用无迹卡尔曼滤波器（UKF）。图7. 测试环境 (a–c) 实验室1，(d–f) 实验室2。图8. 使用(a) 最小二乘法，(b) 卡尔曼滤波器，(c) 扩展卡尔曼滤波器，(d) 无迹卡尔曼滤波器对实验室1和实验室2中的可移动标签进行系统跟踪测试。4.3 定量定位误差评估为了定量评估定位精度，在房间1中选择了23个手动测量的参考点，这些点处于代表性的视线（LoS）和非视线（NLoS）条件下。对于每个参考点，移动标签保持静止，并在测量间隔期间记录了由LSQ、KF、EKF和UKF得到的估计坐标。然后计算每种方法的平均估计位置，并计算了相对于参考坐标的欧几里得定位误差……其中表示手动测量的参考位置，()表示估计的标签位置。定量结果证实了非线性滤波方法相对于基线方法的优势。特别是，UKF取得了最佳的整体性能，平均误差为39.72厘米，RMSE为43.03厘米，而KF为41.26厘米和44.58厘米，KF为79.74厘米和84.58厘米，LSQ为79.13厘米和83.80厘米。与LSQ相比，UKF将平均定位误差降低了约49.8%，RMSE降低了约48.7%。表3显示了LSQ、KF、EKF和UKF的定量定位误差比较。表3. LSQ、KF、EKF和UKF的定量定位误差比较。5. 讨论和结论对所提出系统的实际测试提供了强有力的证据，证明其在环境事件检测和室内跟踪方面的有效性。环境事件分析算法表现出稳健的性能，完全检测到了乙醇泄漏和火灾事件，而烟雾检测的成功率略低，偶尔有误分类。这些结果表明，该算法可以使用实时传感器数据可靠地识别危险事件，同时整合了动态基线和时间导数分析，使其能够考虑环境条件的绝对变化和快速变化。使用两阶段稳定机制进一步减少了误报，确保传感器读数的瞬态波动不会触发不必要的警报。此外，观察到的性能突显了结合多个低成本传感器的优势，无需依赖昂贵的分析仪器即可实现稳健的检测能力，这对于可扩展的部署场景尤其相关。跟踪和定位系统也展示了有希望的结果。主动房间锚点选择算法有效减轻了相邻房间锚点的影响，否则由于信号通过墙壁传播可能会引入错误。虽然最小二乘和线性卡尔曼滤波方法提供了基线跟踪性能，但应用非线性滤波技术时观察到了显著的改进。扩展卡尔曼滤波器（EKF）减少了由于UWB距离测量中的非线性引起的误差，而无迹卡尔曼滤波器（UKF）通过融合UWB和惯性测量单元数据进一步提高了准确性和平滑度。即使在具有挑战性的NLoS条件下，基于UKF的系统也保持了可靠的定位，强调了传感器融合在室内定位中的价值。除了图8中显示的定性轨迹比较外，基于23个手动测量的参考点的定量评估也证实了非线性滤波方法相对于LSQ和KF的优势。UKF（Unscented卡尔曼滤波器）取得了最佳的整体性能，平均误差为39.72厘米，均方根误差（RMSE）为43.03厘米，紧随其后的是EKF（扩展卡尔曼滤波器）。这些结果表明，改进效果不仅体现在视觉上，还得到了代表性室内有视距（LoS）和无视距（NLoS）条件下客观数值误差指标的支持。这些结果强调了在复杂室内环境中实现稳定定位时，结合运动动态和惯性信息的重要性。与简单的后处理方法不同，所提出的系统保持了感知与定位之间的连续时空耦合，从而能够实时映射环境事件。尽管当前的实现并未采用完全联合的概率融合技术，但它提供了一个实用的集成框架，将运动感知定位与环境上下文相结合。这项工作表明，一个低成本系统能够同时实现环境事件检测和精确的室内跟踪，提供实时的危险识别与定位功能。从应用角度来看，这种方法对于自动化实验室、智能工业环境以及需要快速可靠应对危险事件的安全生产基础设施尤为有益。所提出系统的模块化架构进一步增强了其适应性和与现有基于物联网（IoT）的监控框架的集成能力。未来的研究可以扩展检测测试范围，覆盖更多种类的挥发性有机化合物，并优化对环境因素的算法权重，以提高预测准确性。此外，虽然UKF在应对NLoS误差方面表现良好，但仍存在一些残余定位误差，这表明需要进一步改进系统架构和过滤策略，例如通过采用先进的融合方法或自适应过滤技术。总体而言，所提出的方法为实验室和工业环境中的化学安全提供了一种可扩展且实用的解决方案，将预测分析与传感器融合定位整合到一个统一的框架中。未来的工作将探索感知与定位之间的更紧密耦合，包括联合概率估计和模块间的反馈机制。