综述：基于CIR的室内定位中UWB非视距识别及测距误差缓解方法综合研究

《Computers and Electrical Engineering》：A comprehensive survey of CIR-based UWB NLOS identification and ranging error mitigation for indoor localization

　　摘要
超宽带技术是一种高精度的定位与导航技术，但在复杂的室内环境中面临着诸多挑战，主要是因为存在非视距传播条件以及多路径效应。这些因素会导致较大的测距误差，从而影响定位精度。多年来，已有众多研究提出了针对非视距情况的识别与缓解方法，尤其是在超宽带信道背景下。本文对基于信道脉冲响应特征及原始信道脉冲响应序列的非视距检测与误差缓解技术的最新进展进行了全面综述。我们系统分析了现有研究中使用的特征提取技术、评估指标以及分类策略。此外，还根据方法论和性能标准对现有方法进行了分类，并总结了此次综述所得的关键见解与实践经验。最后，探讨了当前面临的挑战——包括安全问题——并提出了未来在超宽带室内定位中发展具备非视距感知能力的技术的方向。

引言
随着物联网、智慧城市以及工业4.0的不断发展，室内定位系统已成为连接物理环境与数字智能的核心技术。在智能仓储、资产追踪、应急响应以及沉浸式虚拟/增强现实等众多应用领域，人们对高精度、低延迟且可靠的室内定位服务的需求日益增加。特别是在应急响应领域，定位功能越来越多地与对延迟敏感且注重安全的边缘智能技术相结合，例如在人工智能物联网系统中实现预测性感知和计算卸载。在各种定位技术中，超宽带技术因其纳秒级脉冲传输、出色的时间分辨率、低功耗以及较强的抗多路径和干扰能力而备受关注。从理论上看，超宽带技术能够实现厘米级精度，因此特别适合在复杂且动态变化的室内环境中进行定位。然而，由于非视距传播等信号传播缺陷的普遍存在，其在实际应用中的部署仍面临很大挑战，这类缺陷会严重降低测距精度。

非视距传播是指发射端与接收端之间的直接路径被物体阻挡，导致信号通过反射、衍射或折射等间接路径到达接收端。在带有墙壁、家具或人体的室内环境中，这种情况十分常见。此时直接路径被完全阻断，信号需通过多个反射或折射路径才能到达接收端。这种多路径传播会导致额外的延迟和信号失真，从而使距离估计出现正偏差。大多数超宽带定位算法，尤其是基于到达时间法和到达时间差法的算法，都假设首次检测到的路径即为直接路径。因此，非视距条件的存在会严重降低定位精度。所以，准确区分视距与非视距条件，并有效缓解由非视距引起的测距误差，是实现可靠超宽带定位性能的基本前提。

超宽带信号的脉冲持续时间极短，且相对带宽较大（通常超过500 MHz），这使得其在时域上具有极高的分辨率。这一特性使得系统能够高精度地分辨出多路径成分，也使得超宽带技术相比窄带系统更能抵御某些类型的干扰。目前，到达时间法和到达时间差法仍是超宽带系统中最常用的测距方法，而基于到达角度法和接收信号强度指示的方法则因硬件复杂性及对环境条件的敏感性而存在实际限制。不过，无论哪种测距方法，在超宽带系统中的效果最终都受到多路径效应、锚点几何结构与数量、时钟同步误差，尤其是非视距传播存在的制约。

为应对这些挑战，研究人员提出了多种非视距识别与误差缓解策略。早期的研究侧重于从信道脉冲响应中提取统计特征——如均方根延迟扩展、平均超额延迟、峰度以及能量比——以此区分视距与非视距条件。这些特征随后被用于训练机器学习分类器，包括支持向量机、K近邻算法、决策树以及浅层神经网络。近年来，深度学习技术的发展使得人们可以利用卷积神经网络和循环神经网络等架构，直接从原始信道脉冲响应序列或波形信号中进行端到端学习。与此同时，误差缓解策略也从简单丢弃或重新加权非视距测量值，发展为应用统计误差校正模型、稳健估计方法，甚至基于多路径辅助和地图的定位技术。其中，基于信道脉冲响应的方法尤为受到重视，因为信道脉冲响应蕴含了丰富的时频传播特征，既可作为分类的判别输入，也可作为校正模型的先验信息。

尽管已有不少综述文章探讨过非视距缓解技术，但大多集中在传统的基于到达时间法的定位技术或通用超宽带算法上，未能将基于信道脉冲响应的方法作为核心研究对象。Guvenc和Chong较早从信号处理的角度对基于到达时间法的非视距缓解技术进行了全面综述，而Khodjaev等人则将超宽带特有的技术分为距离估计、信道统计以及基于地图的方法，但这两类研究都缺乏现代算法视角。近期，Wang等人提出了一个涵盖残差分析、统计特征、机器学习以及神经网络策略的广泛分类体系，但对于基于信道脉冲响应特征与基于序列的建模方法之间的对比分析较为有限。Nkrow等人进一步将研究范围扩展到超宽带和WiFi技术，强调了跨模态分类与多路径利用的重要性，但对基于信道脉冲响应的特殊方法的探讨仍然不够深入。Stocker等人则着眼于实际部署中的挑战，重点讨论了数据集质量、预处理及标注等问题，而非方法论的综合比较。相比之下，本文独特之处在于专注于基于信道脉冲响应的非视距识别与缓解技术，系统地比较了基于信道脉冲响应特征及原始序列的分类与回归模型。表1对上述研究进行了对比总结。

尽管这些综述具有很高的价值，但以信道脉冲响应为中心的综合研究在细节深度和概念层面对比方面仍有不足。尤其值得注意的是，现有综述很少系统地比较两种主要的信道脉冲响应处理方式：基于手工设计的特征学习方法与基于原始信道脉冲响应序列的深度学习模型。此外，也很少有研究在统一框架下评估这些方法的鲁棒性、泛化能力以及实际部署可行性。正是这些不足，促使我们需要开展更有针对性的比较，以便更好地辅助方法选择及针对特定应用场景的优化。

为解决这些问题，本文对基于信道脉冲响应的超宽带室内定位中的非视距识别与测距误差缓解方法进行了系统而聚焦的综述。如图1所示，该综述框架涵盖了信号预处理、算法分类、评估标准以及实际应用场景等多个方面，形成了从原始信道脉冲响应数据处理到实际部署的完整概览。本文的主要贡献如下：
•与以往混合使用多种信号指标的综述不同，本文清晰地区分了手工设计的信道脉冲响应特征与原始信道脉冲响应序列，并对这两类方法中的各类算法进行了最新综述，涵盖了从传统机器学习模型到先进的深度学习架构，如一维卷积神经网络、长短期记忆网络以及Transformer模型。
•我们对基于特征的机器学习方法与基于序列的深度学习方法进行了多维度比较，分析了它们在计算复杂度、数据需求以及跨场景鲁棒性方面的优缺点，为不同部署环境下的方法选择提供了实用指导，例如资源受限的边缘设备与高性能云服务器之间的差异。
•基于现有研究中的局限性，我们系统地指出了若干关键性的未解难题，包括标签效率、领域泛化能力以及基于物理原理的可解释性。同时，我们还提出了具体的未来研究方向，以帮助学术界缩小理论与工业应用之间的差距。

本文的其余结构如下：第2节介绍了本综述所采用的系统化研究方法，包括依据PRISMA指南制定的筛选标准与检索策略；第3节阐述了用于评估非视距识别与测距误差缓解方法的评估框架及性能指标；第4节介绍了超宽带信道脉冲响应的物理与信号特性，并分析了其与非视距检测的相关性；第5节介绍了专为识别非视距条件而设计的特征提取与选择技术；第6节分析了用于分类与误差缓解的主要机器学习与深度学习建模方法；第7节将基于信道脉冲响应的非视距识别与误差缓解方法分为基于手工设计特征的方法与基于原始序列的方法两类；第8节比较了基于特征的机器学习方法与基于序列的深度学习方法，分析了各自的优点与缺点；第9节通过对近期发表文献的定量分析总结发展趋势，并指出了未来的关键研究方向；最后，第10节对全文进行了总结，阐述了研究结果对未来超宽带室内定位系统的实际意义。

研究设计
本研究采用结构化且透明的系统综述方法，探讨基于信道脉冲响应特征及原始信道脉冲响应序列的非视距识别与测距误差缓解技术的最新进展。依据Fink的定义，本综述遵循PRISMA（系统评价与元分析首选报告项目）指南，以确保方法上的严谨性与可重复性。整个综述过程分为四个主要阶段：识别、……

评估框架与指标
准确识别非视距传播现象并有效缓解由此产生的测距误差，是推动无线定位技术发展的关键挑战。建立一个统一且标准化的评估框架对于比较不同的非视距识别与误差缓解技术、并为各种实际应用中的部署决策提供依据至关重要。所提出的评估框架为超宽带定位方法的评价提供了结构化的思路，涵盖了多种性能指标……

信道脉冲响应基础与非视距特征分析
本章为基于信道脉冲响应特征及原始序列的非视距识别与测距误差缓解技术奠定了理论基础。首先，我们介绍了超宽带信号的基本特性及其在无线传播中的核心表示形式——信道脉冲响应。随后，分析了视距与非视距环境对信道脉冲响应形态的影响，重点探讨了如何从原始或经过简单处理的信道脉冲响应数据中提取有用的特征，以实现区分……

从信道脉冲响应中提取的统计特征与设备级特征
有效的非视距识别依赖于从信道脉冲响应信号中提取能够反映时间和幅度域内由传播引起的失真的判别特征。这些特征大致可分为两类。首先，如表4所示，包括信道脉冲响应能量、最大幅度及其对应的时间索引等基于统计量和幅度的特征，以及平均超额延迟、均方根延迟扩展、偏度等延迟域指标……

非视距识别与误差缓解的建模技术
随着基于超宽带的室内定位系统的日益普及，由于非视距传播会引入严重的测距偏差，因此解决这一问题已成为核心挑战。为此，人们探索了多种机器学习算法，用于非视距识别及测距误差校正，尤其是那些基于信道脉冲响应特征的算法。这些方法可大致分为传统的分类与回归模型、数据驱动的学习范式，以及近年出现的基于深度学习的方案……

基于信道脉冲响应的特征提取方法的非视距识别与误差缓解技术
本小节介绍了那些依赖从信道脉冲响应中手动提取或通过统计方法得到的特征（如延迟扩展、峰度、功率指标）的方法，这些特征会被输入到传统的机器学习分类器或浅层神经网络中。表6和表7分别对这些基于特征的非视距识别与测距误差缓解技术进行了详细比较。与那些直接对原始信道脉冲响应数据进行端到端处理的方案相比——如表8和表9所示，这些方法……

基于特征的机器学习方法与基于序列的深度学习方法的比较
本节总结了并对比了基于信道脉冲响应的非视距识别与测距误差缓解领域中主流的方法论范式。具体而言，它比较了基于特征的机器学习方法、基于序列的深度学习模型、基于Transformer的架构以及混合策略。本节对其各自的设计理念、运行上的优缺点以及实际部署时的考虑因素进行了深入分析。

文献分析与发展讨论
为了从宏观层面把握该领域的发展态势，本节基于过去十年间发表的80篇代表性研究，对相关方法论现状进行了量化分析，进而归纳出明确的研究方向。

结论
本综述对基于超宽带的非视距识别与测距误差缓解方法进行了全面而系统的梳理，重点研究了两条主流技术路线：一类是利用手工设计的信道脉冲响应特征，另一类则是利用原始信道脉冲响应序列。通过一个包含四个关键维度的统一评估框架——分类性能、测距误差缓解能力、计算效率以及泛化能力——我们对传统的机器学习方法进行了系统分析和比较……

CRediT作者贡献声明
王守德：概念构思、方法设计。努尔·西亚兹琳·艾哈迈德：数据整理、写作——初稿。利益冲突声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢作者感谢马来西亚高等教育部在基础研究资助计划下的资金支持，项目代码为：FRGS/1/2024/TK07/USM/02/3。王守德|努尔·西亚兹琳·艾哈迈德中国寿光市金光街1299号潍坊科技大学