《Sensors》：Maximum-Consistency Extension of Combined Weighted Method for Outlier-Robust Acoustic TDOA Localization
编辑推荐：
到达时间差（TDOA）测量及相应的双曲定位技术广泛应用于行人跟踪、野生动物监测、自动驾驶车辆导航、水下定位和国防应用等多个领域。组合加权（COM-W）方法及其增强版本（E-COM-W）在二维空间中提供闭式位置估计。这两种方法是双曲定位问题的有吸引力的候选方案，
到达时间差（TDOA）测量及相应的双曲定位技术广泛应用于行人跟踪、野生动物监测、自动驾驶车辆导航、水下定位和国防应用等多个领域。组合加权（COM-W）方法及其增强版本（E-COM-W）在二维空间中提供闭式位置估计。这两种方法是双曲定位问题的有吸引力的候选方案，因为它们具有低且确定性的计算成本，仅需最少数量的传感器，并直接将几何精度因子（GDOP）纳入位置估计中。尽管在低噪声条件下，位置估计精度接近克拉美-罗下界（CRLB），但在实际中常见的较高测量误差存在时，精度会显著下降。本文阐明了导致这种次优行为的机制，并提出了一种鲁棒方法，命名为R-COM-W。所提出的算法不仅修正了COM-W和E-COM-W在高噪声环境中的性能退化，还确保了对错误测量的鲁棒性，例如由非视距（NLOS）传播引起的错误测量。研究人员将该方法扩展到三维，并通过数值仿真和实验测量证明了R-COM-W的优越性能。
本文针对声学到达时间差（TDOA）定位中传统组合加权法在高噪声和异常值下性能退化的问题，提出了一种鲁棒扩展方法R-COM-W。该研究发表于《Sensors》。
TDOA测量及双曲定位技术广泛应用于行人跟踪、野生动物监测、自动驾驶车辆导航等领域。组合加权（COM-W）方法及其增强版本（E-COM-W）能在二维空间中提供闭式位置估计，具有低且确定性的计算成本、所需传感器数量最少等优点，并将几何精度因子（GDOP）直接纳入估计。然而，在较低测量噪声条件下，其定位精度接近克拉美-罗下界（CRLB）；当噪声水平升高时，性能显著下降。研究者首先揭示了性能退化的机制：在计算CRLB权重时，由于真实目标位置未知，权重估计基于初步估计位置，导致高CRLB的传感器子集因估计位置偏离而严重低估其方差，从而被赋予过大的融合权重，劣化最终结果。此外，传统的COM-W和E-COM-W仅适用于二维平面，限制了实际应用。
为此，研究者提出了R-COM-W方法。R-COM-W首先从所有四传感器组合中生成闭式位置假设，利用一致性值评估每个假设与全部测量集的吻合程度，仅保留具有最大一致性的候选集合，再依据CRLB倒数权重融合这些保留的估计。该方法将鲁棒性选择与统计效率加权解耦，从而避免了残差依赖的加权问题。同时，研究者将定位框架扩展到三维，并采用限制随机子集数量的策略来降低计算复杂度。
在关键技术方面，R-COM-W主要包括：三维初步估计使用最少四个传感器，通过求解二次方程获得位置候选；一致性值定义为在给定时间窗口内支持同一目标位置假设的最大测量数量，通过排序和窗口扫描高效计算；最大一致性门限用于筛选对离群值敏感的初步估计；最终融合使用基于CRLB的归一化倒数权重，且权重仅依赖于相对CRLB比率，因此可假设传感器噪声方差相等。为了适应传感器密集场景，R-COM-W对随机选择的传感器四元组数量设置了上限，使总计算复杂度从组合级降至线性级。
研究结果（按原文小节）：
4.1 实验设置。该研究采用了与声学射击定位实验一致的57个传感器节点拓扑，覆盖100 m × 100 m区域。仿真中使用了9个合成目标位置，并随机选取不同数量的传感器作为离群值；实测部分使用了6个真实射击位置，环境存在严重回声和非视距（NLOS）传播。
4.2 仿真。仿真中，对每个目标位置和离群值数量进行100次蒙特卡洛实验。结果显示：无离群值时，LS和R-COM-W的均方根误差（RMSE）分别为1.2 m和1.1 m，接近理论CRLB下限0.66 m；当30个传感器（超过50%）受到污染时，R-COM-W仍保持约2.5 m的误差，而其他算法误差迅速增大。计算时间方面，R-COM-W通过限制四元组数量（K=300），最大执行时间仅约0.23 s，而COM-W和E-COM-W需超过500 ms。参数敏感性实验表明，R-COM-W对一致性窗口宽度和子集数量上限具有良好的鲁棒性。
4.3 实测。六次真实射击数据中，离群值比例高达26%至67%。R-COM-W的估计误差约为1 m（其中一次为2.4 m），而LS和E-COM-W的平均误差约为6.8 m，COM-W超过15 m。执行时间上，R-COM-W平均约19 ms，与LS（12 ms）相当，而COM-W和E-COM-W需超过500 ms。
讨论部分指出，R-COM-W的鲁棒性源于其通过一致性值直接评估假设的实际性能，而非依赖可能失真的CRLB权重，该机制同时抑制了NLOS、多径反射和传感器故障导致的离群测量。传统COM-W家族的计算复杂度随传感器数量呈组合式增长，但通过限制子集数量，R-COM-W在保持精度的同时大幅降低计算负荷。
研究结论可翻译如下：本文提出了COM-W的鲁棒版本R-COM-W。原始(E-)COM-W方法在第一阶段使用最小传感器组生成初步估计，第二阶段通过CRLB权重融合以减轻病态传感器组的影响；然而，其有效性随测量噪声升高而下降。为解决该问题，研究者基于一致性数识别并剔除实际性能不佳的传感器组，该机制同样有效抑制离群测量。R-COM-W在合成声学仿真和真实声学射击测量中均达到了接近CRLB的定位性能，并对测量噪声具有高鲁棒性，即使在离群值占比超过50%时仍保持较高精度。R-COM-W的主要优势在于通过评估所有可能传感器组的子集，大幅降低计算负担，同时保持高精度，执行速度与最小二乘（LS）方法相当。
