一种在GPS受限环境中显著提高超宽带定位精度的新方法

《ADVANCED ENGINEERING INFORMATICS》：A novel method for enhanced ultra-wideband positioning accuracy in GPS-denied environments

　　包曹|朱阳宇|李梦兰|张超|徐碧勇
安徽科技大学机械工程学院，滁州233100，中国

**摘要**
精确定位是农业自动化的一个基础前提。超宽带（UWB）技术是一种具有高测距精度的有前景的定位传感器。然而，在全球定位系统（GPS）信号不可用的设施环境中，传统定位技术在可靠性和精度方面通常存在显著限制。因此，为了提高目标节点（TN）的综合估计精度，本文提出了一种新的定位算法BMDS-EKF，该算法创新性地结合了反向传播（BP）神经网络、量子粒子群优化（QPSO）、多维缩放（MDS）和扩展卡尔曼滤波器（EKF）。首先，采用QPSO辅助的BP神经网络来优化UWB系统的测量距离，其中QPSO用于优化神经网络模型的权重和阈值，以提高BP神经网络的预测精度。在此基础上，利用MDS方法估计TN的位置信息，然后对MDS方法得到的结果应用EKF算法以进一步提高估计精度。最后，系统地进行了一系列相关实验来验证所设计方法的有效性。实验结果表明，设计的BMDS-EKF方法的平均定位误差为0.127米，并且与MDS算法相比，沿三个坐标轴的平均估计精度分别提高了63.8%、36.5%和46.4%。这些改进清楚地表明，所开发的方法在定位精度方面显著优于对比方法，并且可以在GPS不可用的环境中显著提高UWB系统的定位精度。

**引言**
无人驾驶技术正在成为多种应用领域中的成熟技术，如物联网、工业、检测机器人和农业机械设备（AME），以提高生产效率、减少劳动力强度和降低人类工人的工作成本[1]。高精度和稳定的定位信息对于实现农业自动化至关重要[2]。全球定位系统（GPS）被广泛用于室外定位，目前这项技术已应用于农业设备中，以实时获取操作机械的位置信息[3]。然而，由于室内障碍物导致卫星信号受阻，GPS的定位性能在封闭环境中可能会显著下降甚至不可用[4]，使得农业移动设备难以返回准确的位置。因此，迫切需要开发能够替代GPS的定位技术，以满足GPS不可用环境中AME的严格精度要求。

最近，已经探索了多种可用于AME导航的定位技术，包括惯性测量单元（IMU）、视觉定位、同时定位与地图构建（SLAM）、超声波、红外射线、蓝牙和WiFi。然而，由于惯性传感器的固有特性，其定位精度容易受到测量漂移的累积误差影响，导致不可接受的估计结果[5]。基于视觉的定位性能高度依赖于环境因素，如照明条件和视觉传感器捕获的图像质量，以及低能见度条件，这些都可能显著降低定位精度[6]。尽管超声波和基于激光的方法能够实现高精度测量，但它们主要仅在短距离和有限范围内有效[7]。虽然红外定位可以提供高精度定位，但仅在有限范围内有效，不适合长距离应用[8]。基于蓝牙和WiFi的定位技术容易受到干扰，并且抗干扰能力较弱，最多只能达到亚米级的精度[9]。幸运的是，超宽带（UWB）定位技术具有出色的性能，如良好的测距精度、抗多径干扰能力、高时间分辨率和强的障碍物穿透能力[10]，这使得UWB技术已成功应用于物联网[11]、无人驾驶车辆[12]、工业跟踪[13]以及自动引导车辆[14]，为农业移动设备提供了巨大的市场潜力。

到目前为止，UWB相关研究取得了显著进展，研究了大量的定位技术，以提高其在GPS不可用条件下的农业移动设备应用精度。例如，吴等人[15]提出了一个结合最大似然估计方法的UWB传感器定位模型，以实现精准农业中的智能监控和控制。牛等人[16]提出了一种深度学习方法，利用UWB系统中信道脉冲响应的独特响应状态来减轻UWB测距误差。此外，耿等人[17]提出了一种新的融合方法，将改进的加权质心算法与最大似然估计方法结合，以优化温室中的UWB定位数据。林等人[18]将UWB技术引入温室中的农业车辆，并提出了一种新的方法，利用k均值算法和截断处理策略来处理测量距离，从而返回准确的定位信息。姚等人[19]开发了一种基于UWB系统的路径跟踪方法，以实现农业设施中的自动车辆导航，并结合加权最小二乘法来求解静态不确定方程，从而提高目标节点（TN）的估计精度。然而，尽管上述技术已应用于设施内的农业移动设备定位，但这些传统方法仍然难以提供一致可靠且足够精确的结果。

目前，人们正在努力消除UWB系统的定位误差并提高其估计精度。例如，Venkatesh等人[20]引入了一种线性规划框架方法作为最小二乘（LS）方法的替代方案，通过适当结合所有估计值来提高整体定位性能。Fontanelli等人[21]提出了一种基于加权最小二乘（WLS）方法的改进定位策略，以补偿几何因素对WLS方法的影响，并将目标的不确定性降低到接近Cramer–Rao下界的值。Costa等人[22]提出了一种无锚点UWB系统，该系统结合了里程计和多维缩放（MDS）来估计机器人的位置。杨等人[23]开发了一种基于改进的粒子群优化（PSO）算法的高精度定位方法，并利用预定校正点来改进卡尔曼滤波器（KF）的最优参数，从而提高TN的定位精度。同时，最速下降法[24]、最小中位数平方[25]、两阶段最大似然[26]、牛顿型迭代[27]和两步WLS[28]也被广泛研究用于实现定位。Kim等人[29]将人工智能应用于UWB定位系统，对接收UWB信号的信道脉冲响应进行分类，从而提高估计精度。此外，除了传统方法之外，智能算法和机器学习技术也成为提高UWB系统估计精度的有希望的手段，如反向传播（BP）神经网络[30]、支持向量机[31]、决策树[32]、随机森林[33]和生成对抗网络[34]、PSO算法[35]以及遗传算法（GA）[36]。在UWB定位系统中，TN的定位精度严重依赖于定位算法的适当参数。因此，优化参数可以显著减少随机误差和不可预测的干扰，从而大幅提高精度。由于其优越的特性，包括更好的鲁棒性、强大的多功能性和快速收敛性[37]，PSO算法已在模型参数优化过程中得到有效应用。因此，我们利用基于PSO的算法来优化BP神经网络的参数，以增强其预测性能，从而实现更高的测距质量。

此外，还采用了多种基于滤波的定位方法来提高定位性能，如KF、扩展KF（EKF）、粒子滤波（PF）及其相应的改进滤波算法[38]。刘等人[39]提出了一种基于k均值算法的可靠EFK定位方法，以减少非视距（NLOS）测量误差并提高定位精度。冯等人[40]开发了一种集成IMU和UWB技术的室内定位系统，通过EKF算法提高系统的鲁棒性和精度。米等人[41]通过结合Allan方差分析和动态权重函数提出了一种改进的自适应EKF算法，以提升导航性能和定位系统的鲁棒性。此外，为了实现高精度定位，杨等人[42]开发了一种融合系统，通过自适应EKF算法结合IMU和UWB，从而提高位置估计精度。严等人[42]提出了一种定位估计框架，该框架结合了基于模型的方法和EKF中的事件触发机制，以识别和减轻UWB测距误差，从而提高估计精度。尽管这些方法提高了UWB定位精度，但在实际应用中仍存在明显的性能差距，它们经常产生不准确和不可靠的估计结果，极大地限制了其广泛应用。

在GPS不可用环境中准确定位移动设备仍然是一个重大挑战，特别是由于UWB测量中的严重非高斯噪声、异常值和时变误差特性。这促使我们解决GPS不可用环境中移动设备定位的精度问题。因此，基于上述研究的启示，本研究提出了一种名为BMDS-EKF的新定位技术，该技术协同整合了BP神经网络、量子行为PSO（QPSO）、MDS和EKF算法，以提高定位精度并提供可靠的定位结果。所开发定位技术的整体工作流程如图1所示，技术贡献简要总结如下：
(1) 开发了QPSO辅助的BP神经网络用于测距误差补偿，其中QPSO算法用于全局优化网络权重和阈值，显著提高缓解原始UWB测量中的非高斯噪声和异常值的能力。
(2) 建立了结合基于MDS的鲁棒初始化与自适应EKF平滑的分层融合框架。利用MDS估计技术通过同时处理所有可用的测距测量数据并利用测量冗余来获得初始位置估计，并随后实施自适应EKF算法来细化BMDS方法得到的结果，从而在BMDS-EKF框架内实现更高的定位精度。
(3) 进行了验证实验活动，以证明所开发的BMDS-EKF方法的有效性和优势。实验结果证实，与给定评估场景中的其他方法相比，所提出的方法能够在UWB系统的TN定位精度上实现显著改进。

本文的结构如下。第二节简要介绍了UWB定位系统的构建。第三节介绍了使用QPSO辅助的BP神经网络的测量距离优化算法。第四节描述了结合MDS方法和EKF算法的位置计算方法。第五节详细介绍了系统实验和定位性能的比较分析，以验证所设计的方法。最后，第六节作为本文的结论。

**UWB定位系统构建**
在GPS信号被拒绝或严重退化的环境中获取移动设备的准确三维位置信息是一个关键挑战。为了解决这个问题，我们提出了在感兴趣区域内建立专门的本地定位系统（LPS）。该系统旨在为在这种受限环境中运行的移动平台提供自主导航和定位能力。所提出的LPS架构包括一个最小BP神经网络。在UWB定位系统中，距离测量的精度是最终定位精度的主要决定因素。本质上，测距误差的大小直接决定了系统性能，较大的误差不可避免地会降低定位精度。在移动设备移动过程中，UWB无线信号的传播容易受到障碍物遮挡、反射、折射或其他电磁信号干扰的影响。尽管在理想条件下，传统的三边测量方法用于TN坐标估计具有有效性和简便性，但MDS方法提供了一种更稳健的替代方案，其特点是更好地利用了测量冗余性和增强了初始化能力。因此，为了估计TN的位置坐标，采用MDS算法根据通过QPSO辅助的BP神经网络精化的测量距离来计算TN的位置坐标。

为了更好地评估和分析所开发的定位方法的定位性能，使用RMS误差（RMSE）和三个坐标轴方向的绝对误差作为评估定位准确性的标准，其数学定义如下：
RMSE = (x? - xt)^2 + (y? - yt)^2 + (z? - zt)^2
δx = x? - xt，δy = y? - yt，δz = z? - zt
其中 (x?, y?, z?) 表示来自所述算法的TN的估计位置坐标，(xt, yt, zt) 表示真实坐标。

为了全面展示所开发方法的有效性和实用性，在安徽科技大学的办公室室内环境中使用UWB模块进行了一系列比较定位实验，如图5所示。实验中使用的UWB模块由American Time Domain Company开发，其核心规格可以在文献[38]中找到。在三脚架上安装了四个固定的PAN。

为了在GPS无法覆盖的环境中实现精确定位，本文提出了一种基于UWB技术的本地定位系统来获取移动设备的位置信息。为了提高TN的综合定位精度，我们提出了一种名为BMDS-EKF的新型层次化定位算法，该算法协同整合了QPSO辅助的BP神经网络、MDS和EKF。具体来说，首先使用QPSO辅助的BP神经网络来减轻...

作者贡献声明：
曹波：撰写 – 审稿与编辑，撰写 – 原始草稿，方法论，资金获取，数据整理。
于振阳：形式分析。
李梦兰：方法论。
张超：监督，软件。
徐碧勇：调查，形式分析。

利益冲突声明：
作者声明没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢：
本工作得到了中国国家自然科学基金（项目编号52574188）、安徽省自然科学基金（项目编号2308085ME150）、安徽省杰出青年人才项目（项目编号YQYB2024048）、滁州市基础研究项目（项目编号JXWD202201）以及安徽省博士后基金项目（项目编号2025B1062）的支持。