基于DL-LSTM的UWB/INS室内定位算法*

张宝军，陈 曦，廖延娜，田 奇

(西安邮电大学 电子工程学院，陕西 西安 710121)

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]包括有接收信号强度(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]提出了一种结合卡尔曼滤波(Kalman filtering,KF)和线性化原理的TOA室内定位方法，将UWB定位数据线性化后用KF进行处理，有效地减小多径和NLOS引起的误差。但是KF无法满足强非线性系统。文献[5]提出一种基于IA-BP神经网络的UWB室内定位方法,为了避免反向传播(back propogation,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。文献[6]提出一种长短期记忆(long-short term memory，LSTM)神经网络定位方法。选择不同比例的振幅和相位数据以形成不同数据集训练神经网络，得到最优特征比下的模型，可以有效提高定位精度。LSTM神经网络[7～9]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，在训练修正序列化数据方面有着显著的优势。

本文设计了一种NLOS环境下基于双层长短期记忆神经网络(double-layer long-short term memory,DL-LSTM)的室内定位系统，根据信号在NLOS环境下定位数据的深度特征建立DL-LSTM模型，将基站测距值和惯性导航系统(inertial navigation system,INS)的加速度、角速度数据作为模型输入进行训练，第一层网络用于消除NLOS误差；……