基于双UWB标签与航向角L2IB系统的农业移动机器人定位方法

《Agriculture》：Localization of Agricultural Mobile Robot Based on Two UWB Tags and Heading Angle L2IB System

　　

复杂果园环境中茂密树冠会遮挡无线定位信号并产生非视距(Non-Line-of-Sight, NLOS)干扰，降低农业移动机器人的定位精度。本研究探讨一种基于双超宽带(Ultra-Wideband, UWB)标签与电子罗盘(电子 compass)的农业移动机器人定位方法。研究人员通过分析UWB的NLOS干扰因素与误差来源，提出一种利用双UWB标签与航向角紧密耦合的NLOS干扰抑制及定位修正方法，并介绍了航向角L2IB(Layer-two Interlocking Bits)系统的构建及其完整处理流程。该方法基于多边定位(Multilateration)原理构建双UWB标签的候选定位域，并在L2IB框架下融合标签间距约束与航向角约束，以抑制NLOS引起的测距误差并估算机器人中心位置。研究在视距(Line-of-Sight, LOS)、单基站遮挡、多基站遮挡及单标签遮挡四种模拟场景下开展实验，并将所提方法与质心法及最小二乘法进行对比。结果表明L2IB方法能有效提升NLOS条件下的定位精度；尤其在单标签NLOS干扰场景中，平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)及最大定位误差分别为3.7 cm、4.0 cm和6 cm，说明该系统可满足果园多数NLOS环境下的定位需求，为NLOS条件下果园移动机器人高精度定位提供了新方案。

论文解读：基于双UWB标签与航向角L²IB系统的农业移动机器人定位方法

研究背景与意义

在南方丘陵山区果园中，自主农业机器人需依赖精确定位服务完成导航、喷药、采收等作业。全球导航卫星系统(Global Positioning System/GNSS, BeiDou Navigation Satellite System/BDS)在开阔环境精度较高，但果园中树冠、树干及地形会造成卫星信号衰减、中断和多径误差。激光雷达(Light Detection and Ranging, LiDAR)与视觉(Visual)方法依赖环境特征（树干、行边界等）进行同时定位与建图(Simultaneous Localization and Mapping, SLAM)，易受枝叶遮挡、光照变化及季节结构改变影响导致特征退化。虽然多传感器融合与先进滤波算法可改善性能，但通常需复杂标定、稳定地图及较高计算资源，难以适配低成本平台及局部强遮挡环境。超宽带(Ultra-Wideband, UWB)定位具有低功耗、抗干扰强、时隙分辨率高及较高测距精度，适合GNSS拒止环境提供局部定位，但果园树木遮挡会引发非视距(Non-Line-of-Sight, NLOS)传播与多径效应，使测距值正向偏离真值，降低传统质心法与最小二乘法精度。现有UWB误差处理方法多依赖惯性测量单元(Inertial Measurement Unit, IMU)积分、信道脉冲响应(Channel Impulse Response, CIR)训练集或复杂融合模型，未充分利用移动平台上双标签的空间几何约束与航向角(Heading Angle)约束。为此，研究人员提出一种基于双UWB标签固定间距与电子罗盘航向角约束的二层互锁位(Layer-two Interlocking Bits, L²IB)定位修正框架，以提升果园NLOS环境下的定位鲁棒性。该论文发表于《Agriculture》。

主要关键技术方法

研究人员搭建由≥4个UWB基站(Anchor)和2个UWB标签(Tag, T₀、T₁)及位于两标签中间电子罗盘组成的二维水平定位系统，标签与基站安装高度1.5 m，双标签间距固定为1 m，航向角由Witt Intelligent RM3100电子罗盘提供（Z轴精度优于1°，校准后可达0.2°）。UWB模块采用LD600（双边双向测距Double-Sided Two-Way Ranging, DS-TWR模式）。原始八组标签—基站测距值及航向角经无效值剔除后，对各标签—基站测距序列做卡尔曼滤波(Kalman Filtering)预处理降噪。L²IB方法以多边定位构建双标签各自候选定位多边形区域，按鞋带公式(Shoelace Theorem)计算面积并取较小者按固定间距L与航向角θ做平行投影，再与另一候选区域求交叠多边形，取交叠区质心作为机器人中心坐标。对照算法为质心法(Centroid Method)与最小二乘(Least-Squares)法，三者使用相同锚点坐标、预处理测距数据与真值。实验于湖南农业大学附近标准林区开展，矩形布设四基站形成8.4 m×15.0 m测试区，移动平台（自制除草机履带底盘）沿预设路径每步60 cm逐步采集，模拟LOS、单基站遮挡（单锚—双标签链路NLOS）、多基站遮挡（A0/A3—双标签链路NLOS）及单标签遮挡（仅T1—A0链路NLOS）四种工况，障碍物置于距天线30 cm沿锚—标签连线以复现最大NLOS偏差。评价指标为平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)及最大定位误差(Max Error)。

研究结果

3.1. Overall Localization Performance and Relative Improvement Analysis（整体定位性能与相对改进分析）

研究人员将质心法与最小二乘法中误差较小者设为最优基线，计算L²IB相对基线的误差改善率。结果显示：LOS条件下最优基线MAE/RMSE为3.8 cm/4.3 cm，略优于L²IB(4.0 cm/4.5 cm)，说明传统方法在LOS已足够；而在三种NLOS条件下，L²IB平均较最优基线降低MAE约27.4%、RMSE约28.3%、最大误差约30.1%。单标签遮挡工况优势最显著——L²IB的MAE、RMSE、最大误差分别为3.7 cm、4.0 cm、6 cm，较最优基线分别降低62.2%、64.0%、72.7%，表明一标签受扰时另一标签可提供可靠候选域并通过几何约束抑制异常。多基站遮挡下L²IB仍优于传统算法（MAE 16.3 cm、RMSE 17.4 cm、最大28 cm，较基线改善约13.3%/14.3%/12.5%），但因双标签多链路同时偏置致候选域系统性偏移，绝对误差升高，说明L²IB更适用于局部NLOS干扰。

3.2. Mechanisms of Error Variation Under Different NLOS Conditions（不同NLOS条件下误差变化机制）

通过分析各工况下测距误差分布、定位散点及定位误差曲线发现：随遮挡链路增多及程度加剧，质心法与最小二乘法误差明显上升，而L²IB在局部NLOS时保持稳定。LOS时测距呈小幅随机波动，三方法均接近真值，最小二乘法略优。单基站遮挡时A0相关测距正偏，传统算法直接将异常值代入解算致定位点偏移，L²IB通过比较双标签候选域并引入间距与航向约束投影相交压缩偏差。多基站遮挡时双标签多链路NLOS使候选域均偏移，虽L²IB缩小解空间但仍无法完全消除系统性偏差。单标签遮挡时仅T1—A0链路受扰，T₀候选域较可靠，L²IB利用固定间距L与航向角θ对T₁候选域做平行投影并与T₀候选域相交锁定，大幅压制单链路NLOS影响。结论为L²IB修正能力与有效测距链路数密切相关，适合局部NLOS场景，强多链路NLOS时需融合IMU或里程计等辅助信息。

讨论与结论翻译（Conclusions）

为解决果园环境中树干、枝、叶、果遮挡引起的UWB非视距(NLOS)定位误差问题，本研究开发了集成双UWB标签与电子罗盘航向角的农业移动机器人定位系统，提出基于双标签固定间距与航向角约束的L²IB定位修正方法。该方法核心在于将移动平台上双标签的结构约束与航向角信息引入UWB候选定位区域的几何修正过程，而非仅依赖单标签测距定位。相较于常规UWB定位方法，L²IB可利用固定标签间距与航向角对受NLOS干扰的候选区域进行筛选、平行投影及重叠修正；相较于常见UWB–IMU融合方法，本方法不依赖复杂状态估计模型，具结构简单、计算过程直观及易于集成至移动机器人平台的优点。实验结果表明L²IB方法的优势主要体现在局部NLOS场景而非LOS常规精度提升。在单基站遮挡与单标签遮挡条件下系统仍保留部分可靠测距链路，L²IB借助双标签几何约束减小异常测距值对机器人中心点坐标的影响，其中单标签遮挡工况最充分体现所提方法的误差抑制能力。但在多基站强NLOS条件下多测距链路同时受扰，双标签候选定位区域均可能发生系统性偏移，虽L²IB可缩减候选解空间但无法完全替代有效测距信息。因此本方法更适用于果园常见的局部遮挡场景，可为GNSS受限农业环境中小速移动作业（巡检、除草、喷雾、运输等）提供低复杂度定位修正策略。未来工作将把L²IB框架从受控NLOS仿真扩展至真实果园长期验证、从二维几何修正拓展至适应三维地形的定位，并将L²IB与IMU、轮式里程计或基于LiDAR的局部约束融合以补偿严重多链路NLOS下有效测距不足问题。