基于深度学习的UWBNLOS传播误差抑制方法技术

本发明专利技术提出一种基于深度学习的UWB NLOS传播误差抑制方法，该方法基于深度学习技术，使用训练好的DRSN模型进行误差抑制；与传统方法不同的是，该方法以从UWB设备中直接获得的原始CIR数据作为输入，避免了人工统计UWB信号波形特征而耗费大量时间的缺点，且该方法不再对UWB信号进行分类，而是直接以测距误差为输出，可降低UWB系统定位成本，减小UWB设备因NLOS传播而产生的测距误差，同时，DRSN模型中的RSBU模块含有软阈值函数，该函数可对UWB信号进行降噪处理，减轻噪声分量对网络性能的影响。响。响。

【技术实现步骤摘要】
基于深度学习的UWB NLOS传播误差抑制方法


[0001]本专利技术涉及深度学习及无线通信领域，具体涉及一种基于深度学习的超宽带(Ultra Wide
‑
Band,UWB)非视距(Non Line Of Sight,NLOS)传播误差抑制方法。

技术介绍

[0002]随着物联网的不断发展，精确的位置感知技术变得越来越重要。全球卫星导航系统(Global Navigation Satellite System,GNSS)定位技术是目前使用最为广泛的室外定位技术，可以提供精确的位置、速度和时间信息。然而，由于墙壁等障碍物的遮挡，GNSS信号在室内环境中相当微弱，定位精度也因此极大降低，无法满足室内高精度定位的需求。
[0003]在现有的室内定位技术中，UWB技术近年来受到了广泛的关注。UWB技术不需要使用传统通信体制，而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据。与诸如WiFi、蓝牙、ZigBee等室内定位技术相比，UWB技术具有时空分辨力强、定位精度高、抗干扰能力强、传输速率快、成本低等优点，这些优点使得UWB技术特别适合用于室内高精度定位。
[0004]影响UWB技术定位精度的主要因素包括：时钟误差，多径误差，NLOS传播误差，噪声等等。在以上影响因素中，NLOS传播误差对UWB信号的定位精度影响最大，一方面是因为UWB技术定位精度高，NLOS传播带来的误差更加明显；另一方面是UWB技术有效测距范围远，NLOS传播更加普遍，影响也更加严重。因此，进行UWB NLOS传播影响抑制方法的研究很有必要。
[0005]在对UWB NLOS传播影响抑制方法的研究中，具体可分为UWB NLOS传播识别和UWB NLOS传播误差抑制两个研究方向。UWB NLOS传播识别主要是对UWB信号的传播条件进行识别，并将其区分为视距(Line Of Sight，LOS)和NLOS两类，若UWB信号被识别为NLOS传播，则在UWB系统中将该测距信息删除，这种方法在系统中存在大量UWB节点时可用，但当UWB节点有限时，则可能出现定位系统失效的情况，同时，这种方法也增加了UWB系统的成本，不利于UWB系统的广泛应用。
[0006]UWB NLOS传播误差抑制主要是通过UWB信号直接估计测距误差，无需对传播条件进行识别，避免了节点数量不足时可能出现定位系统失效的情况。传统的基于机器学习的方法，使用UWB信号的接收信号强度(Received Signal Strength Indication，RSSI)、峰度、偏度、信噪比(Signal
‑
Noise Ratio,SNR)等波形统计数据作为输入，这种方法仍然需要人工耗费大量计算时间，且这些信号波形统计数据会丢失信号的部分特征，误差抑制效果有限。
[0007]此外，室内环境中存在大量障碍物，电磁环境复杂，人员流动密集，以上这些因素都会导致UWB信号中含有大量的噪声分量，在对UWB信号进行特征提取时，这些噪声分量会一定程度上影响模型的性能，因此，如何对UWB信号进行降噪处理也是一个亟需解决的问题。

技术实现思路

[0008]针对以上技术存在的缺陷，本专利技术提出一种基于深度学习的UWB NLOS传播误差抑制方法。该方法基于深度学习技术，使用训练好的深度残差收缩网络(Deep Residual Shrinkage Network，DRSN)模型进行误差抑制。与传统方法不同的是，该方法以从UWB设备中直接获得的原始信道脉冲响应(Channel Impulse Response,CIR)数据作为输入，避免了人工统计UWB信号波形特征而耗费大量时间的缺点，且该方法不再对UWB信号进行分类，而是直接以测距误差为输出，可降低UWB系统定位成本，减小UWB设备因NLOS传播而产生的测距误差，同时，DRSN模型中的RSBU模块含有软阈值函数，该函数可对UWB信号进行降噪处理，减轻噪声分量对网络性能的影响。
[0009]本专利技术通过如下技术方案实现：
[0010]一种基于深度学习的UWB NLOS传播误差抑制方法，该方法分为以下步骤：
[0011]S1：在室内环境中布置数据采集场地，采集UWB测距数据
[0012]S1.1在室内环境中，固定UWB基站的位置，将装有UWB标签的小车放置在距离UWB基站0.5米～20米之间的位置，并在UWB基站和小车之间放置障碍物(形成NLOS传播条件)，使UWB基站在NLOS传播条件下测距；
[0013]S1.2 NLOS传播条件下数据测量结束后，移开障碍物，使UWB基站在LOS条件下测距，LOS传播条件下数据测量结束后，使用激光测距仪测量UWB基站与小车之间的距离，激光测距仪测量结束后，重新放回障碍物，移动小车的位置和方向，重复S1.1和S1.2；
[0014]S1.3在有障碍物的条件下测得不少于200个数据后，更换障碍物的类型继续进行测量(常用的障碍物类型包括：玻璃，木板，金属板，塑料，纸板箱，墙壁，胶合板等)，如此反复，直到采集的数据量不少于1000个(数据集的数据越多，网络模型的拟合能力越强，同时模型收敛速度越慢，需要的计算时间越长)；
[0015]S2：记录UWB测距数据，形成UWB测距数据集
[0016]在UWB基站与小车之间的方向和距离均不变的情况下，UWB基站共进行两次测量，分别为在LOS和NLOS传播条件下的测量，每次测量共记录6项内容，分别是：(1)从UWB基站中读取UWB测量距离，记为UWB测距；(2)从UWB基站中读取因测距产生的CIR数据，记为CIR数据；(3)记录对应的激光测距仪测量距离，记为真实距离；(4)将UWB测距减去真实距离，所得距离记为测距误差；(5)记录每次UWB测距对应的障碍物类型，若UWB基站在LOS条件下进行测量，则该项记为0；(6)UWB信号传播条件：LOS或NLOS；将所有数据记录输入同一个文件，该文件即为UWB测距数据集；
[0017]S3：构建DRSN模型，该网络模型包括1个输入(Input)层，1个卷积(Convolution,Conv)层，若干RSBU模块(模块数量可选择为8,16,33,50等)，1个批量归一化(Batch Normalization,BN)层，1个修正线性单元(Rectified Linear Unit,ReLU)激活函数，1个全局平均汇聚(Global Average Pooling，GAP)层，1个全连接(Fully Connected,FC)层，1个输出(Output)层；其中，Input层和Output层用于存储输入和输出数据，Conv层用于数据局部区域的特征提取，RSBU模块用于降低噪声相关特性，减小环境噪声的影响，BN层用于数据预处理，提升网络训练速度，ReLU激活函数用于提升网络对输入的拟合能力，GAP层用于特征选择，防止网络过拟合，FC层用于减少位置对输出的影响；DRSN模型的具体构建过程如下：
[0018]S3.1搭建DRSN模型输入模块：将数据输入I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的UWB NLOS传播误差抑制方法，其特征在于，该方法分为以下步骤：S1：在室内环境中布置数据采集场地，采集UWB测距数据S1.1在室内环境中，固定UWB基站的位置，将装有UWB标签的小车放置在距离UWB基站0.5米～20米之间的位置，并在UWB基站和小车之间放置障碍物，使UWB基站在NLOS传播条件下测距；S1.2 NLOS传播条件下数据测量结束后，移开障碍物，使UWB基站在LOS条件下测距；LOS传播条件下数据测量结束后，使用激光测距仪测量UWB基站与小车之间的距离，激光测距仪测量结束后，重新放回障碍物，移动小车的位置和方向，重复S1.1和S1.2；S1.3在有障碍物的条件下测得不少于200个数据后，更换障碍物的类型继续进行测量，如此反复，直到采集的数据量不少于1000个；S2：记录UWB测距数据，形成UWB测距数据集在UWB基站与小车之间的方向和距离均不变的情况下，UWB基站共进行两次测量，分别为在LOS和NLOS传播条件下的测量，每次测量共记录6项内容，分别是：(1)从UWB基站中读取UWB测量距离，记为UWB测距；(2)从UWB基站中读取因测距产生的CIR数据，记为CIR数据；(3)记录对应的激光测距仪测量距离，记为真实距离；(4)将UWB测距减去真实距离，所得距离记为测距误差；(5)记录每次UWB测距对应的障碍物类型，若UWB基站在LOS条件下进行测量，则该项记为0；(6)UWB信号传播条件：LOS或NLOS；将所有数据记录输入同一个文件，该文件即为UWB测距数据集；S3：构建DRSN模型，该网络模型包括1个Input层，1个Conv层，若干RSBU模块，1个BN层，1个ReLU激活函数，1个GAP层，1个FC层，1个Output层；其中，Input层和Output层用于存储输入和输出数据，Conv层用于数据局部区域的特征提取，RSBU模块用于降低噪声相关特性，减小环境噪声的影响，BN层用于数据预处理，提升网络训练速度，ReLU激活函数用于提升网络对输入的拟合能力，GAP层用于特征选择，防止网络过拟合，FC层用于减少位置对输出的影响；DRSN模型的具体构建过程如下：S3.1搭建DRSN模型输入模块：将数据输入Input层，并通过1个Conv层进行初步特征提取，得到向量X，并赋给若干RSBU模块；S3.2搭建DRSN模型RSBU模块，初始可设置RSBU模块的数量为8，通过不断增加RSBU模块的数量，直到取得最优的结果，记经过若干RSBU模块的输出为向量W；每个RSBU模块均包含2个分别由1个BN层、1个ReLU激活函数、1个Conv层组成的结构，1个阈值计算模块，1个残差连接，1个软阈值函数；该模块实现过程如下：向量X先后经过2个由BN层、ReLU激活函数、Conv层组成的结构后得到向量X1，向量X1经阈值计算模块计算得到阈值，将该阈值与向量X1作为软阈值函数的输入，经软阈值函数计算得到向量Z，向量Z与经过残差连接的原始向量X相加，得到向量Y，并赋给下一个模块；所述软阈值函数用于将向量X1中接近零的特征设...

【专利技术属性】
技术研发人员：魏国，刘万青，周文健，高春峰，于旭东，张成众，杨泽坤，程嘉奕，朱旭，侯承志，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：