陳 龍，張 菁，張昊立，倪建輝，高 典

具有誤差補(bǔ)償?shù)男盘?hào)干擾下超寬帶室內(nèi)定位

陳 龍，張 菁，張昊立，倪建輝，高 典

（上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海 201620）

針對(duì)存在信號(hào)干擾的超寬帶（UWB）室內(nèi)精準(zhǔn)定位問題，提出一種具有信號(hào)干擾識(shí)別和誤差補(bǔ)償?shù)某瑢拵覂?nèi)定位方法。采用拉依達(dá)準(zhǔn)則來剔除基站與靶點(diǎn)之間距離數(shù)據(jù)中的異常值或缺失值；接著用最小二乘的三維定位算法求解出靶點(diǎn)坐標(biāo)；最后利用隨機(jī)反向?qū)W習(xí)策略改進(jìn)的射箭算法（AA）優(yōu)化支持向量機(jī)（SVM）模型來識(shí)別是否有信號(hào)干擾，并對(duì)靶點(diǎn)坐標(biāo)進(jìn)行誤差補(bǔ)償。實(shí)驗(yàn)結(jié)果表明，在信號(hào)正常的情況下，定位結(jié)果的均方根誤差為20.3657 cm，比誤差補(bǔ)償前減小了65.1%，在信號(hào)有干擾情況下，定位結(jié)果的均方根誤差為30.6871 cm, 比誤差補(bǔ)償前減小了57.86%。相比于傳統(tǒng)算法，本文方法可以提高信號(hào)干擾下的超寬帶室內(nèi)定位精度。

超寬帶；室內(nèi)定位；信號(hào)干擾；支持向量機(jī)；射箭算法；誤差補(bǔ)償；拉依達(dá)準(zhǔn)則

0 引言

室外定位技術(shù)主要是基于衛(wèi)星導(dǎo)航技術(shù)（satellite navigation technology, SNT），包括全球定位系統(tǒng)（global positioning system, GPS）、北斗衛(wèi)星導(dǎo)航系統(tǒng)（BeiDou navigation satellite system, BDS）以及伽利略衛(wèi)星導(dǎo)航系統(tǒng)（Galileo navigation satellite system, Galileo）[1]。室內(nèi)導(dǎo)航技術(shù)則主要依靠無線電定位（radio positioning, RP），包括藍(lán)牙（blue tooth, BT）、射頻識(shí)別（radio frequency identification, RFID）技術(shù)以及超寬帶（ultra-wide band, UWB）等。室內(nèi)定位不同于室外定位，室內(nèi)由于存在墻壁、桌椅、門窗等障礙物，使得定位環(huán)境變得復(fù)雜，信號(hào)碰到障礙物會(huì)折射或散射等，導(dǎo)致信號(hào)不穩(wěn)定[2]，因此對(duì)于室內(nèi)定位存在非視距誤差(not line of sight, NLOS)和信號(hào)干擾[3]。如何降低這些誤差和信號(hào)干擾對(duì)定位精度的影響，已成為室內(nèi)定位技術(shù)研究熱點(diǎn)。

超寬帶技術(shù)在室內(nèi)定位技術(shù)中具有時(shí)間分辨率高、功耗低、利用窄帶脈沖傳輸（narrow band pulse transmission, NPT）、穩(wěn)定性好等優(yōu)點(diǎn)，從而被廣泛應(yīng)用于室內(nèi)定位。UWB室內(nèi)定位主要的方法有基于到達(dá)角度（angel of arrive，AOA）、基于飛行時(shí)間（time of flight，TOF）、基于到達(dá)時(shí)間差（time difference of arrival，TDOA）等[4]。但在實(shí)際應(yīng)用中，由于存在NLOS以及信號(hào)干擾，定位精度受到很大影響。針對(duì)這些問題，文獻(xiàn)[5]提出了將三邊測量（trilateration survey, TS）和指紋識(shí)別結(jié)合的方法，該方法能實(shí)現(xiàn)亞分米級(jí)的定位精度。文獻(xiàn)[6]提出了一種魯棒最小二乘公式，采用二階錐松弛（second order cone relaxation, SOCR）方法擬合，提高定位精度。文獻(xiàn)[7]通過擴(kuò)展卡爾曼（）濾波，按設(shè)定的參數(shù)剔除NLOS。文獻(xiàn)[8]綜合了TDOA和AOA算法的優(yōu)點(diǎn)，結(jié)合最陡下降算法，消除了非視距誤差。文獻(xiàn)[9]提出了一種基于自適應(yīng)卡爾曼濾波算法的方法，利用視距環(huán)境構(gòu)造抗差因子抑制NLOS。文獻(xiàn)[10]采用了誤差估計(jì)和補(bǔ)償?shù)姆椒?，主要分析了?shí)際環(huán)境UWB天線的時(shí)鐘偏移、節(jié)點(diǎn)之間有相對(duì)速度的特點(diǎn)。

近年來，機(jī)器學(xué)習(xí)算法也逐漸被應(yīng)用于室內(nèi)定位中。文獻(xiàn)[11]將布谷鳥搜索算法（cuckoo search, CS）與反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，對(duì)TDOA進(jìn)行校正。文獻(xiàn)[12]提出一種結(jié)合免疫算法（immune algorithm, IA）和BP神經(jīng)網(wǎng)絡(luò)的 UWB 室內(nèi)定位方法。文獻(xiàn)[13]提出了基于網(wǎng)格搜索的支持向量機(jī)（support vector machine, SVM）和主成分分析的室內(nèi)定位算法，提高了定位精度。但是，上述定位方法都是基于信號(hào)沒有干擾的情況，若有信號(hào)干擾會(huì)造成測距數(shù)據(jù)出現(xiàn)異常值，從而使得定位誤差較大。因此，信號(hào)干擾下的超寬帶精確定位問題成為亟待解決的問題。

為解決信號(hào)干擾下的UWB室內(nèi)精準(zhǔn)定位的問題，提出了一種具有信號(hào)干擾識(shí)別和誤差補(bǔ)償?shù)某瑢拵覂?nèi)定位方法。首先采用拉依達(dá)（Pauta）準(zhǔn)則來剔除基站與靶點(diǎn)之間距離數(shù)據(jù)中的異常值或缺失值；其次，采用最小二乘的三維定位算法，利用基站與靶點(diǎn)之間的距離，求解出靶點(diǎn)的坐標(biāo)；然后，利用隨機(jī)反向?qū)W習(xí)策略（random opposition-based learning, ROBL）改進(jìn)的射箭算法（archery algorithm, AA）優(yōu)化支持向量機(jī)的分類預(yù)測來識(shí)別是否有信號(hào)干擾；最后，利用改進(jìn)的射箭算法優(yōu)化支持向量機(jī)的回歸預(yù)測，分別針對(duì)有干擾和無干擾2種情況進(jìn)行誤差補(bǔ)償，將預(yù)測出的誤差值補(bǔ)償?shù)阶钚《说娜S定位算法的求解值中，來實(shí)現(xiàn)定位的誤差補(bǔ)償，提高定位的精度。

1 最小二乘的三維定位算法

對(duì)式（1）進(jìn)行化簡得

式（2）可寫為矩陣形式為

2 改進(jìn)的射箭算法優(yōu)化支持向量機(jī)模型

2.1 射箭算法及其改進(jìn)

2.1.1 射箭算法

射箭算法是主要模仿弓箭手射擊目標(biāo)行為的算法。在所提出的AA中，種群中的每個(gè)成員都會(huì)根據(jù)弓箭手所瞄準(zhǔn)的目標(biāo)的指引，在搜索空間的每個(gè)維度上進(jìn)行更新。種群中的每個(gè)個(gè)體都可以用一個(gè)向量來表示。該算法的種群集合可由矩陣表示為

種群中的每個(gè)個(gè)體都可以用來評(píng)價(jià)優(yōu)化問題的目標(biāo)函數(shù)。目標(biāo)函數(shù)的值隨著種群數(shù)量的變化而變化，它可以用一個(gè)向量表示為

在AA中，靶板被當(dāng)做是一張白紙（正方形或長方形），它的“寬”被分割為和種群數(shù)量一樣多的部分，“長”被分割為和問題變量一樣多的部分。不同部分的寬度之差與個(gè)體的目標(biāo)函數(shù)值之差成正比。

使用概率函數(shù)來使寬度和目標(biāo)函數(shù)值成比例。該函數(shù)計(jì)算公式為

為了更新每個(gè)個(gè)體在每個(gè)維度的搜索空間中的位置，根據(jù)射箭模擬結(jié)果，隨機(jī)選擇一個(gè)個(gè)體。在射箭模擬中，目標(biāo)函數(shù)值表現(xiàn)較好的個(gè)體具有較高的概率函數(shù)值，并且被選中的機(jī)會(huì)更大。累積概率已被用來模擬射箭，并隨機(jī)選擇一個(gè)成員。這個(gè)過程的模型為

種群個(gè)體的位置更新公式為：

2.1.2 改進(jìn)的射箭算法

由于反向?qū)W習(xí)策略無法有效增強(qiáng)搜索空間內(nèi)種群多樣性。有學(xué)者提出了改進(jìn)的隨機(jī)反向?qū)W習(xí)策略[14]，提高了種群多樣性，增強(qiáng)了種群避免局部最優(yōu)的能力，計(jì)算公式為

2.1.3 改進(jìn)射箭算法性能測試

為了檢驗(yàn)改進(jìn)的射箭算法（improved archery algorithm , IAA）的性能，本文將IAA與AA、粒子群算法[15]（particle swarm optimization，PSO）、遺傳算法[16]（genetic algorithm，GA）進(jìn)行對(duì)比試驗(yàn)。設(shè)定種群數(shù)量為20，最大迭代次數(shù)為500，對(duì)Sphere測試函數(shù)進(jìn)行求解。Sphere測試函數(shù)的收斂曲線如圖1所示，其中橫軸為迭代次數(shù)，縱軸為適應(yīng)度值的對(duì)數(shù)log。log值越低，代表尋優(yōu)精度越高。先出現(xiàn)曲線拐點(diǎn)，代表求解速度更快。4種算法在Sphere函數(shù)上的收斂曲線如圖1所示。

圖1 4種算法在Sphere函數(shù)上的收斂曲線

從圖1可知，在求解Sphere測試函數(shù)時(shí)，IAA 算法的收斂速度更快，曲線更平滑。說明改進(jìn)方法具有一定的效果。

2.2 支持向量機(jī)

SVM既可用于分類預(yù)測，又可用于回歸預(yù)測。SVM通過極小化和引入拉格朗日乘子將目標(biāo)函數(shù)轉(zhuǎn)化為下方的對(duì)偶極小問題:

由于高斯核函數(shù)（Gaussian kernel function, RBF）擁有處理樣本輸入與輸出之間復(fù)雜非線性關(guān)系的良好能力，而且參數(shù)選取少，計(jì)算效率高；因此將高斯核函數(shù)引入SVM中，其公式為

利用式（9）的極小化問題解出最優(yōu)回歸函數(shù)為

2.3 改進(jìn)的射箭算法優(yōu)化支持向量機(jī)模型建立

圖2 IAA-SVM模型流程

3 總體定位模型的建立

3.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)采集了324個(gè)不同位置無信號(hào)干擾和有信號(hào)干擾的數(shù)據(jù)，這些數(shù)據(jù)量較大，對(duì)于這些數(shù)據(jù)需要進(jìn)行清洗，刪除掉一些異常、缺失、相同或相似的數(shù)據(jù)，以便于后續(xù)的定位，因此采用了拉依達(dá)準(zhǔn)則處理這些數(shù)據(jù)。

樣本標(biāo)準(zhǔn)偏差公式為

3.2 模型評(píng)價(jià)指標(biāo)

本模型以均方根誤差（root mean square error, RMSE）作為評(píng)價(jià)指標(biāo)驗(yàn)證模型的仿真預(yù)測效果，其計(jì)算公式為

3.3 基于信號(hào)干擾的三維定位模型建立

首先對(duì)于采集的數(shù)據(jù)進(jìn)行預(yù)處理，其次利用IAA-SVM的分類預(yù)測判斷該組數(shù)據(jù)是否有干擾，若有干擾，則需要建立誤差補(bǔ)償模型，然后用最小二乘三維定位算法求出初步坐標(biāo)，再利用IAA-SVM的回歸預(yù)測對(duì)最小二乘定位算法的結(jié)果進(jìn)行誤差補(bǔ)償，最后輸出三維定位坐標(biāo)?？傮w定位模型流程如圖3所示。

圖3 總體模型流程

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

如圖4所示，在5000 mm×5000 mm×3000 mm的三維測試環(huán)境中，分別在4個(gè)角落0、1、2、3放置UWB錨點(diǎn)（anchor），錨點(diǎn)位置（計(jì)量單位為mm）分別為0（0,0,1300）、1（5000,0,1700）、2（0,5000,1700）、3（5000,5000,1300），錨點(diǎn)向所有方向發(fā)送信號(hào)。Tag是UWB標(biāo)簽（靶點(diǎn)），即需要定位的目標(biāo)（只在測試環(huán)境范圍內(nèi)）。Tag接收到4個(gè)UWB錨點(diǎn)的信號(hào)（無論信號(hào)是否干擾，Tag一般都可以接收到信號(hào)），利用TOF技術(shù)，分別解算出對(duì)應(yīng)的4個(gè)距離數(shù)據(jù)。

在此環(huán)境中，采集了324個(gè)不同的位置的數(shù)據(jù)。每個(gè)位置分別采集了2次，包括有信號(hào)干擾的和無信號(hào)干擾的。由于靶點(diǎn)在每個(gè)位置都會(huì)停留一會(huì)，所以錨點(diǎn)與Tag之間每0.2～0.3 s之間就會(huì)發(fā)送、接收信號(hào)一次，所以在同一位置點(diǎn)，UWB會(huì)采集到多組數(shù)據(jù)。

圖4 實(shí)驗(yàn)環(huán)境示意圖

4.2 數(shù)據(jù)處理結(jié)果分析

處理后324組無信號(hào)干擾和324組有信號(hào)干擾的各個(gè)錨點(diǎn)與靶點(diǎn)距離數(shù)據(jù)的樣本標(biāo)準(zhǔn)差如圖5、圖6所示。從圖5中可以看出處理后的數(shù)據(jù)樣本標(biāo)準(zhǔn)差明顯地減小，特別是0和3錨點(diǎn)，說明所用的數(shù)據(jù)處理方法是有效的。從圖6可以看出，有信號(hào)干擾下的數(shù)據(jù)標(biāo)準(zhǔn)差較大，說明在有信號(hào)干擾的環(huán)境下，所采集的數(shù)據(jù)異常值和缺失值較多。

4.3 信號(hào)干擾的識(shí)別

對(duì)于信號(hào)干擾的識(shí)別，總共有648組數(shù)據(jù)，將518組數(shù)據(jù)作為訓(xùn)練集，其中，有信號(hào)干擾259組數(shù)據(jù)和無信號(hào)干擾的259組數(shù)據(jù)。將其中130組數(shù)據(jù)作為測試集，有信號(hào)干擾65組數(shù)據(jù)和無信號(hào)干擾65組數(shù)據(jù)。數(shù)據(jù)分類結(jié)果如圖7所示，其中，類別標(biāo)簽1代表有信號(hào)干擾，類別標(biāo)簽2代表無信號(hào)干擾。從圖中可以看出IAA-SVM的分類準(zhǔn)確率為93.1%，SVM分類的準(zhǔn)確率為90%，說明IAA-SVM的分類效果較好。

圖7 各模型分類結(jié)果與真實(shí)值對(duì)比

4.4 最小二乘三維定位結(jié)果

采用最小二乘三維定位算法分別對(duì)有信號(hào)干擾數(shù)據(jù)和無信號(hào)干擾數(shù)據(jù)進(jìn)行求解。對(duì)于無信號(hào)干擾情況下的靶點(diǎn)坐標(biāo)求解結(jié)果和真實(shí)值的對(duì)比如圖8所示，對(duì)于有信號(hào)干擾情況下的靶點(diǎn)坐標(biāo)求解結(jié)果和真實(shí)值的對(duì)比如圖9所示。

圖8 無信號(hào)干擾各軸坐標(biāo)求解結(jié)果

圖9 有信號(hào)干擾各軸坐標(biāo)求解結(jié)果

從圖8可以看出在無信號(hào)干擾情況下，最小二乘的三維定位算法對(duì)于軸和軸的求解結(jié)果較為準(zhǔn)確，但是軸的求解結(jié)果誤差較大。從圖9可以看出在有信號(hào)干擾情況下，最小二乘的三維定位算法對(duì)于、、軸的求解結(jié)果均和真實(shí)值有較大誤差，尤其是軸的誤差最大，各坐標(biāo)軸在有信號(hào)干擾下的RMSE和無信號(hào)干擾下的RMSE如表1所示，可以看出軸的RMSE比其他2個(gè)坐標(biāo)軸大很多。因此需要利用IAA-SVM誤差補(bǔ)償模型對(duì)無信號(hào)干擾下的軸和有信號(hào)干擾下的、、軸進(jìn)行誤差補(bǔ)償。

表1 不同預(yù)測模型仿真誤差指標(biāo) cm

4.5 誤差補(bǔ)償

將各錨點(diǎn)坐標(biāo)作為輸入，每個(gè)位置靶點(diǎn)坐標(biāo)的求解值與真實(shí)值的誤差作為輸出進(jìn)行訓(xùn)練，這樣就建立起誤差補(bǔ)償模型。用訓(xùn)練好的模型來預(yù)測求解值與真實(shí)值的誤差，然后將誤差補(bǔ)償?shù)角蠼庵诞?dāng)中，就完成了誤差補(bǔ)償?shù)倪^程。

1）無信號(hào)干擾情況下的結(jié)果。在無信號(hào)干擾情況下，只需對(duì)軸進(jìn)行誤差補(bǔ)償。對(duì)于軸的誤差預(yù)測結(jié)果以及和支持向量機(jī)、極限學(xué)習(xí)機(jī)（extreme learning machine, ELM）預(yù)測結(jié)果對(duì)比如圖10所示。其中，IAA-SVM的RMSE為20.3657 cm。從圖10可以看出，IAA-SVM模型對(duì)于誤差的預(yù)測與真實(shí)誤差較為吻合，比其他2種模型預(yù)測效果好，其中IAA-SVM的RMSE為20.3657 cm，SVM的RMSE為30.3612 cm，ELM的RMSE為40.8967 cm，說明本文IAA-SVM誤差補(bǔ)償模型優(yōu)于其他2種模型。

誤差補(bǔ)償后的軸坐標(biāo)值與補(bǔ)償前的坐標(biāo)值對(duì)比如圖11所示。

圖10 不同模型z軸誤差預(yù)測結(jié)果比較

圖11 z軸無信號(hào)干擾誤差補(bǔ)償前后的對(duì)比

2）有信號(hào)干擾情況下的情況。有信號(hào)干擾情況下，、、軸都需要補(bǔ)償，其中對(duì)于軸的誤差預(yù)測結(jié)果如圖12所示。從圖12可以看出，IAA-SVM模型對(duì)于有信號(hào)干擾情況下軸誤差的預(yù)測與真實(shí)誤差較為吻合，其中，IAA-SVM的RMSE為25.3679 cm，SVM的RMSE為40.1637 cm，ELM的RMSE為50.9842 cm。誤差補(bǔ)償后的、、軸坐標(biāo)值與補(bǔ)償前的坐標(biāo)值對(duì)比如圖13所示，以及各坐標(biāo)軸補(bǔ)償前與補(bǔ)償后的RMSE對(duì)比如表2所示。

圖12 不同模型z軸誤差預(yù)測結(jié)果比較

圖13 有信號(hào)干擾誤差補(bǔ)償前后的對(duì)比

表2 信號(hào)干擾下各軸坐標(biāo)誤差補(bǔ)償前后RMSE對(duì)比 cm

從圖13可以看出，在有信號(hào)干擾情況下，無論、、軸，誤差補(bǔ)償后的坐標(biāo)值都比誤差補(bǔ)償前的坐標(biāo)值更接近真實(shí)值。從表2可以看出，各坐標(biāo)軸誤差補(bǔ)償后的RMSE都比誤差補(bǔ)償前的小。以上都說明，本文的誤差補(bǔ)償方法是有效的。

5 結(jié)束語

為了解決存在信號(hào)干擾的UWB室內(nèi)精準(zhǔn)定位問題，本文提出了一種基于改進(jìn)的射箭算法優(yōu)化支持向量機(jī)的具有信號(hào)干擾識(shí)別和誤差補(bǔ)償?shù)氖覂?nèi)定位模型，不僅實(shí)現(xiàn)了信號(hào)正常情況下的精準(zhǔn)定位，還實(shí)現(xiàn)了有信號(hào)干擾情況下的準(zhǔn)確定位。實(shí)驗(yàn)結(jié)論如下：

1）對(duì)于數(shù)據(jù)處理，本文使用的拉依達(dá)準(zhǔn)則和余弦相似度能夠有效地剔除數(shù)據(jù)中的異常值和缺失值，處理后的數(shù)據(jù)樣本標(biāo)準(zhǔn)差明顯減小，便于后續(xù)定位使用。

2）對(duì)于信號(hào)干擾的識(shí)別，本文提出的基于改進(jìn)的射箭算法優(yōu)化支持向量機(jī)分類模型的信號(hào)識(shí)別準(zhǔn)確率達(dá)到93.1%，分類結(jié)果準(zhǔn)確。

3）對(duì)于最小二乘的三維定位結(jié)果的誤差補(bǔ)償，在無信號(hào)干擾情況下，補(bǔ)償后坐標(biāo)值的均方根誤差比補(bǔ)償前減小了65.1%。有信號(hào)干擾情況下，補(bǔ)償后坐標(biāo)值的均方根誤差比補(bǔ)償前減小了57.86%。說明本文的誤差補(bǔ)償方法是有效果的。

4）本文所構(gòu)建的改進(jìn)的射箭算法優(yōu)化支持向量機(jī)的誤差補(bǔ)償模型無論在有信號(hào)干擾和無信號(hào)干擾情況下，誤差補(bǔ)償效果都優(yōu)于其他模型。

[1] 董佳琪,連增增, 徐精誠, 等. 融合卡爾曼濾波算法在超寬帶定位中的研究[J/OL]. 測繪科學(xué). (2021-11-09) [2022-05-22]. https: //kns.cnki.net/kcms/detail/11.4415.P. 20211109.1424. 002.html.

[2] 齊小剛, 陳諶, 李芷楠．室內(nèi)定位中非視距的識(shí)別和抑制算法研究綜述[J]．控制與決策, 2022, 37(8): 1921-1933.

[3] 徐愛功, 張涵, 宋佳鵬, 等. 利用UWB/LiDAR里程計(jì)的室內(nèi)高精度定位方法[J]. 測繪科學(xué), 2022, 47(2): 1-7, 38.

[4] 繆希仁, 范建威, 江灝, 等. 基站異常情況下基于改進(jìn)極限學(xué)習(xí)機(jī)的超寬帶室內(nèi)定位方法[J]. 傳感技術(shù)學(xué)報(bào), 2020, 33(10): 1457-1466.

[5] DJOSIC S, STOJANOVIC I, JOVANOVIC M, et al. Fingerprinting-assisted UWB-based localization technique for complex indoor environments[J]. Expert Systems with Applications, 2021, 167: 265-274. DOI:10.1016/j.eswa.2020. 114188.

[6] GAO S C, ZHANG S J, WANG G, et al．Robust second-order cone relaxation for TW-TOA-based localization with clock imperfection[J]. IEEE Signal Processing Letters, 2016, 23(8): 1-5．

[7] 徐愛功, 劉韜, 隋心, 等．UWB/INS緊組合的室內(nèi)定位定姿方法[J]導(dǎo)航定位學(xué)報(bào), 2017, 5(2): 14-19.

[8] SHEN C, WANG C X, ZHANG K, et al. A time difference of arrival/angle of arrival fusion algorithm with steepest descent algorithm for indoor non-line-of-sight locationing[J]. International Journal of Distributed Sensor Networks, 2019, 15(6): 497-506.

[9] 劉韜, 徐愛功, 隋心．基于自適應(yīng)抗差卡爾曼濾波的UWB室內(nèi)定位[J]. 傳感技術(shù)學(xué)報(bào), 2018, 31(4): 567-572．

[10] 李榮冰, 王念曾, 劉建業(yè), 等. 面向相對(duì)導(dǎo)航的UWB測距誤差估計(jì)與補(bǔ)償方法[J]. 儀器儀表學(xué)報(bào), 2019, 40(5) : 28-35.

[11] LI N, SHEN C, ZHAN K, et al. The TDOA algorithm based on BP neural network optimized by Cuckoo search[C]//The Institute of Electrical and Electronic Engineers（IEEE）. Proceedings of the 2020 International Conference on Robots and Intelligent System. Palms Springs: IEEE, 2019: 539-542[2022-05-22].

[12] 李勇, 柳建. 基于IA-BP神經(jīng)網(wǎng)絡(luò)的UWB室內(nèi)定位系統(tǒng)[J]. 電子測量技術(shù), 2019, 42(5): 109-112.

[13] ZHANG L W, LI Y S, GU Y J, et al．An efficient machine learning approach for indoor localization[J]．China Communications, 2017, 14(11): 141-150．

[14] LONG W, JIAO J J, LIANG X M, et al. A random opposition-based learning grey wolf optimizer[J]. IEEE Access, 2019, 7: 113810-113825.

[15] 李愛國, 覃征, 鮑復(fù)民, 等. 粒子群優(yōu)化算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2002(21): 1-3, 17.

[16] 胡兵, 詹仲強(qiáng), 陳潔, 等. 基于PCA-GA-Elman的短期光伏出力預(yù)測研究[J]. 太陽能學(xué)報(bào), 2020, 41(6): 256-26.

UWB indoor positioning under signal interference based on error compensation

CHEN Long, ZHANG Jing, ZHANG Haoli, NI Jianhui, GAO Dian

（School of Electric and Electronic Engineering, Shanghai University of Engineering Science, Shanghai 201620, China）

Aiming at the problem of ultra-wide band (UWB) indoor accurate positioning with signal interference, proposes an ultra-wide band indoor positioning model with signal interference identification and error compensation proposed. Firstly, for the abnormal values in the distance data between the base station and the target, uses the pauta criterion to deal with it. Secondly, uses the three-dimensional positioning algorithm of least square to solve the target coordinates; Finally, the improved archery algorithm (AA) based on random reverse learning strategy is used to optimize the support vector machine (SVM) model to identify whether there is signal interference and compensate the error of target coordinates. The experimental results show that when the signal is normal, the root mean square error of the positioning result is 20.3657 cm, which is 65.1% less than that before error compensation. When the signal is disturbed, the root mean square error of the positioning result is 30.6871 cm, which is 57.86% less than that before error compensation. Compared with the traditional algorithm, this method improves the UWB indoor positioning accuracy under signal interference.

ultra-wide band; indoor positioning; signal interference;support vector machine;archery algorithm; error compensation; Pauta criterion

P228

A

2095-4999(2022)06-0059-09

陳龍，張菁，張昊立，等. 具有誤差補(bǔ)償?shù)男盘?hào)干擾下超寬帶室內(nèi)定位[J]. 導(dǎo)航定位學(xué)報(bào), 2022, 10(6): 59-67.（CHEN Long, ZHANG Jing, ZHANG Haoli, et al.UWB indoor positioning under signal interference based on error compensation[J]. Journal of Navigation and Positioning, 2022, 10(6): 59-67.）

10.16547/j.cnki.10-1096.20220608.

2022-06-22

陳龍（1997—），男，江蘇南京人，碩士研究生，研究方向?yàn)槭覂?nèi)定位導(dǎo)航。

張菁（1969—），女，上海人，碩士，副教授，研究方向?yàn)槿斯ぶ悄芗按髷?shù)據(jù)在電氣控制中的應(yīng)用。