一种用于鲁棒非视距分类与测距误差缓解的双通道超宽带Transformer模型

《Engineering Applications of Artificial Intelligence》：A dual-channel Ultra-Wideband transformer for robust non-line-of-sight classification and ranging error mitigation

【字体：大中小】 时间：2026年09月05日 来源：Engineering Applications of Artificial Intelligence 9.0

编辑推荐：

　　摘要超宽带（UWB）技术凭借其精细的时间分辨率能力，已成为高精度室内定位的有前景候选技术。然而，由普遍存在的非视距（NLoS）传播引起的严重测距偏差，仍然是复杂环境中实现稳健定位的关键障碍。现有的NLoS抑制方法主要依赖手工设计的信道冲激响应（CIR）特征，限制了其在多样化场

摘要

超宽带（UWB）技术凭借其精细的时间分辨率能力，已成为高精度室内定位的有前景候选技术。然而，由普遍存在的非视距（NLoS）传播引起的严重测距偏差，仍然是复杂环境中实现稳健定位的关键障碍。现有的NLoS抑制方法主要依赖手工设计的信道冲激响应（CIR）特征，限制了其在多样化场景中的泛化能力。为解决这些局限性，我们提出了双通道UWB Transformer（DCUT），这是一个用于联合NLoS分类与测距误差抑制的新型深度学习（DL）框架。DCUT集成了两条互补通路：一条利用堆叠的Transformer编码器从CIR中提取的物理特征学习内在时间特征；另一条则基于高斯混合模型（GMM）并使用贝叶斯信息准则（BIC）引导的模型选择，通过信号衰落似然（FLoS）模块估计视距（LoS）/非视距（NLoS）统计先验。这些表示通过物理信息跨注意力机制进行自适应融合，从而实现物理信号特性与环境统计的上下文感知集成。在两个公共数据集和一个专有办公环境数据集上进行评估，DCUT取得了96.8%的平衡准确率和97.4%的F1分数，显著优于多种机器学习（ML）和深度学习（DL）基线。它将第90百分位绝对测距误差降低至0.21米（m）以下，在定位任务中实现0.12米的平均定位误差，与未校正的UWB相比，偏差和方差分别降低了83%和58%。DCUT为复杂NLoS条件下的基于UWB的室内定位提供了稳健、泛化且可部署的解决方案。

引言

物联网（IoT）和高级导航技术的普及，催生了对高精度室内定位系统（IPS）日益增长的需求，超宽带（UWB）（Angarano等人，2021）、无线保真（Wi-Fi）（Gu等人，2024）和蓝牙低功耗（BLE）（X. Yang等人，2022）等技术在其中发挥着基础作用。在这些技术中，UWB已成为领先的候选技术，在精度、功耗效率和多径分辨能力方面具有独特优势（Cho和Lee，2024，Wang和Ahmad，2025）。这些属性使UWB特别适合应对室内环境的复杂性和动态性。

对高精度室内定位的需求特别受工业4.0和智能物流驱动，UWB能够在工厂和仓库中实现实时资产追踪并增强安全性（Barbieri等人，2021，Halawa等人，2020）。例如，在汽车装配中，UWB引导的自动导引车（AGV）可通过精确导航和碰撞避免将吞吐量提高20%–30%（Verde等人，2023）。在GPS拒止的仓库中执行盘点任务的无人机（UAVs）也从中受益（Díez-González等人，2024），其操作通常通过仿真进行优化（Pohudina等人，2025）。

联系信箱：

摘要

引言

热点排行