基于CNN的超宽带/惯性导航室内定位算法*

张宝军， 田 奇

(西安邮电大学 电子工程学院，陕西 西安 710000)

0 引 言

目前比较成熟的超宽带(ultra-wide band，UWB)室内定位方法[1～3]包括接收信号强度(receive signal strength，RSS)，信号到达角度(angle of arrival，AoA)、到达时间(time of arrival，ToA)和到达时间差(time difference of arrival，TDoA)。在室内定位的应用场景中，定位系统往往会受到多径效应、非视距(nonline of sight，NLOS)误差等因素的干扰。UWB信号可以在较宽的带宽上传输，可以有效分辨并抑制多径传播，所以，UWB成为目前市场应用较多的定位方法，而降低NLOS误差也成为UWB室内定位技术的研究热点。

文献[4]提出了一种基于ToA的室内定位方法，结合卡尔曼滤波和线性化原理,将UWB定位数据线性化后用卡尔曼滤波进行处理，有效地减小多径和NLOS引起的误差,提高定位精度。文献[5]提出了一种基于TDoA的室内定位方法，选取TDoA数据作为测量信号参数，在此基础上提出了一种利用支持向量机(support vector machine,SVM)分类器提高定位精度的NLOS分类方法，用机器学习建立测量距离之间的相关性模型，从而降低NLOS误差对定位的影响。文献[6]提出一种基于IA-BP神经网络的UWB室内定位方法,为了避免BP神经网络收敛速度较慢，将其训练的误差值作为免疫算法的抗原,通过计算亲和度寻得网络的最优权值和阈值,达到减小定位误差的目的，同时解决了网络易陷入局部最优值的问题。相比于传统的滤波算法，卷积神经网络(convolutional neural network,CNN)[7，8]能够从大量的样本数据中学习到数据深层次、抽象化的特征，在修正数据方面有着显著的优势。

本文设计了一种NLOS环境下基于CNN的室内定位系统，首先对UWB系统的三个基站进行标定，然后根据室内NLOS环境下的信道及其误差特性建立CNN模型，将标定后的基站测距值作为模型输入进行训练以校正NLOS误差影响下的测距值；……