UWB室内定位技术现状与应用展望

崔 哲，杜进展，刘 飞,2，王 坚,2

(1.北京建筑大学 测绘与城市空间信息学院，北京 102616；2.北京建筑大学城市大数据应用研究中心，北京 102616)

0 引 言

随着社会的不断进步，科技的快速发展，城市化和地下空间的开发进程快速增长，人们多半以上的时间在室内或地下生活和工作[1]。在商场、车站、机场等大型区域建设或者使用过程中，设备运输、人员定位、车辆定位、运营调度管理以及安全保障对位置信息有很大的需求。因此，面向智慧城市、公共安全、应急救援、重大工程等领域的需求推进室内高精度、高效率导航与位置服务需求增加。

超宽带(Ultra-Wide-Band，UWB)是一种始于20世纪60年代的脉冲通信技术，作为一项新型无线交汇定位技术，具有抗干扰性高、穿透能力强、功耗低、抗多径效果好、安全性高、系统复杂度低和测距精度高等优点[2]。为此，可以通过测量载波信号在定位标签与定位基站之间的传输时间、角度、信号强度等方式实现分米甚至厘米级室内定位精度，被广泛应用于应急救援、智能仓储、智慧监狱、资产监控、无缝导航等领域。

为了深入探讨UWB支持的室内定位技术发展状况，本文首先分析了UWB定位室内基础算法模型，其次从4个方面探讨了UWB室内定位关键算法模型，进而提出了未来的4个发展方向。

1 UWB室内定位技术

20世纪初马可尼利用非常宽的脉冲信号来通讯，被认为是最早的UWB技术应用[3]。随后，美国国防部高级研究计划署将其定位为“UWB”[4]。UWB是通过发送或接受纳秒或纳秒级以下脉冲的无线通讯技术，美国联邦通信委员会2002年批准进入民用市场。UWB的工作频谱在3.1～10.6 GHz，如图1所示。

目前常用的UWB定位方法包括基于信号接收强度(Received Signal Strength Indication，RSSI)、基于信号到达角度(Angle of Arrival，AOA)、基于接收信号时间(Time of Arrival，TOA)和基于信号到达时间差(Time Difference of Arrival，TDOA)，其定位原理如图2所示。

TOA是通过定位标签发出的信号到达基站的传播时间，来计算岀定位标签和基站之间的距离，通过空间交会实现定位。朱国辉等人将非线性TOA定位方程转化为求估计偏差问题，对初始解进行了线性校正，与其他方式相比均方根误差降低3%～8%左右[5]。TDOA是通过定位标签发射出的信号到达不同基站的时间差值，从而计算出定位标签到不同基站的距离相差的值，解算距离差方程组实现定位。HoKC等人提出了一种两级加权最小二乘TDOA定位方法，利用传感器位置误差统计信息设计加权矩阵，降低均方根误差(MSE)使其符合CRLB精度[6]。汪子嘉等人提出一种Chan氏定位算法即多步加权最小二乘算法对定位误差进行修正[7]。AOA是基站通过接收信号得到相对角度，来相交计算出待测标签的位置信息。马婧等人采用到达角度定位的重构思想，使重构误差降低1%的情况下整体的均方根误差下降10%[8]。C Ma等人提出了一种增强的两步最小二乘 (LS) 方法用于AOA定位，对比泰勒方法无需线性化、无初点选择问题、无收敛问题[9]。RSSI是根据基站接收到信号的场强大小，再依照已知的信号的衰减模型，确定这个定位标签的坐标。KAZUYA T等人采用循环定位以及多次测量的方式来减小测距误差对定位的影响[10]。周艳等人提出基于测距 RSSI 的传感器网络定位算法 ERSS，在不增加计算和通信开销的情况下提高定位精度[11]。

在上述测量技术中，RSSI主要采用路径损耗模型和指纹定位两种方式，前者在复杂环境下受多路径干扰和非视距影响，且对选用的信道模型参数具有较大依赖，定位精度不高；后者需要定位基站，和预先建立指纹库，在应急条件极难实现。TOA和TDOA定位技术均与无线电信号传播时间与光速的乘积有关，因此对时间测量精度比较敏感。在实际应用中，TDOA技术比TOA技术对时间同步有着更高的要求，实现起来难度更大。AOA通过测量信号传输到达角度实现定位，对天线阵列具有较大依赖，且过宽的通信带宽导致了复杂的多路径问题，致使角度测量难度增大。

2 UWB室内定位关键技术

2.1 UWB测距误差改正模型

UWB技术采用冲击脉冲产生超宽带信号，受到UWB电子器件性能、室内多路径和非视距传播等多种因素影响，UWB测距信息包含测距误差，严重影响室内定位精度[12]。

为了减弱测距误差对UWB室内定位精度的影响，王川阳等人利用指数函数和多项式函数模型对测距误差进行建模，运用高斯-牛顿迭代法进行最终定位解算，将UWB定位精度提高了70%左右[13]。MONICA S等人基于最小二乘法提出了一种UWB测距统计分析模型，将UWB定位误差降低了66%[14]。程鑫等人构建了一种基于RBF神经网络的UWB测距误差模型，通过对测距值进行训练学习，将测距点定位精度控制在10cm内[15]。刘韬等人提出了一种自适应抗差卡尔曼滤波(ARKF)算法，利用阈值构造抗差因子鉴别并削弱NLOS测距误差和异常测距值，将测距误差从3 dm降至4 cm以内[16]。李荣冰等人基于UWB天线的时钟偏移、节点之间的相对速度和非视距环境下的测距误差特性，构建了一种基于卡尔曼滤波方法的误差补偿算法，将非视距(NLOS)环境下的测距误差降低了50%[17]。蒙静等人结合相干TOA测距算法，以IR-UWB信号传播机理为切入点研究了UWB定位中的多径误差和NLOS误差，利用NLOS测距误差信息对TOA测距结果直接加权，显著提高了定位精度[18]。贺远华等人提出了一种基于TOA测距信息的距离几何定位算法，利用移动台与基站之间的距离几何关系构建距离误差优化约束函数，有效减弱了NLOS误差对UWB定位精度的影响[19]。

综合分析上述人员的研究，针对UWB测距误差如何减弱的问题已经基本得到了较好的解决方案，各种算法模型在一定程度上提高了UWB室内定位精度。但是，鉴于目前UWB定位芯片设计制造水平等硬件因素的影响，还无法从根本上消除测距误差的影响。

2.2 UWB室内定位非视距影响

在室内建筑结构复杂、人员流动量大、货物摆放多等复杂的室内环境下，UWB信号的传播会受到各种障碍物的影响，导致信号在传播过程中产生多路径、接收滞后、强度衰减甚至信号丢失等问题，增加了信号的传播时间，导致UWB定位精度急剧下降，因此，非视距对UWB室内定位造成的影响不容忽视[20]。

针对消除非视距影响众多学者从非视距识别、非视距误差消除、多传感器融合和深度学习4个方面进行了研究。在非视距识别方面，徐哲超提出了一种基于TOA和AOA的非视距识别方法，通过对非视距传播误差进行识别，再用最小二乘算法解算位置信息，系统仿真实验结果表明其非视距识别率达到98%以上，定位精度得到有效提高[21]。王斐等人利用卷积神经网络提出了一种OFDM方案对UWB非视距信道进行识别，将信道识别问题转化为图像识别问题，UWB比特信噪比(EbN0)为20 dB时，对UWB非视距的识别率达90.572%[22]。在非视距误差消除方面，盛坤鹏研究了在墙体遮挡的非视距场景中UWB非视距误差的改正方法，提出了一种顾及UWB脉冲信号入射角度的多面函数模型，对受墙体遮挡的非视距误差改正效果明显，有效提高了UWB定位精度[23]。在UWB融合多传感器定位方面，刘怡佳提出了一种基于卡尔曼滤波器的UWB/IMU融合定位算法，在门、桌椅、1个行人遮挡的非视距环境下，测距误差在30 cm以内[24]。孙建强等人提出一种UWB/PDR融合的室内非视距定位方法，使用PDR校准UWB定位，修正UWB在非视距下的定位误差，使得定位轨迹更加贴近真实轨迹[25]。还有许多学者利用深度学习算对非视距进行研究，刘培原等人提出了一种基于反向传播算法的神经网络改正的UWB稳健定位模型，通过采集非视距环境下UWB测距值，得到误差序列，然后通过反向传播神经网络建立非视距误差改正模型，消除UWB非视距误差，从而提高非视距环境UWB定位精度[26]。

未来，随着UWB定位技术、多信息融合定位技术、深度学习的发展，对非视距的识别更加精准，有效的削除非视距的影响，提高UWB室内定位精度。

2.3 UWB室内组网定位算法模型

室内精准定位是当前定位研究的主要目标之一，因室内空间墙体厚、遮蔽物多，为实现目标厘米级定位，通常建立3～4个UWB基站并对其组网。定位算法需靠基站坐标支撑，根据基站坐标建立方式的不同将其分为静态组网和动态组网，基站坐标可以事先建立，即静态组网，也可实时定位同步建立，即动态组网。

UWB静态组网技术主要是研究一定环境下其基站布设的最佳网型，进而获取在该区域的最佳定位精度。在静态组网定位基准构建过程中，利用精度因子(Dilution of Precision，DOP)值评价网型质量，预先布置好基站的方法使DOP值降到最低从而得到最佳网型是一个非常关键的环节。侯全武等人提出根据DOP值随时优化UWB基站布局方案，提高鲁棒性和定位精度[27]。王川阳、LI B等人又进一步根据目标点误差检验不同基站布设高度、数量、区域对定位精度影响的效果[28-29]。

UWB动态组网技术包括递推式组网技术和集中式动态组网技术，递推式组网技术是利用多个已知坐标的UWB固定基站和未知坐标的移动基站之间相互测距，完成移动基站测量定位，但它存在较强的定位误差累积问题[30]，如图3所示，韩厚增提出了一种基于鲁棒EKF(Extended Kalman Filter)的UWB室内定位算法。通过分析EKF模型中粗差的传递特性，建立了一种新的鲁棒EKF模型。该模型的标签定位精度可达0.38 m，较标准EKF和最小二乘法分别提高20.83%和73.43%[31]。Shang Yi等人提出 MDS-MAP算法，作为集中式定位算法应用于节点定位[32]，叶飞虎等人改进MDS-MAP算法[33]，提出距离自适应 MDS-MAP算法，能够较大改进定位误差累积问题。高天通利用反射镜像分析法，结合室内平面图信号与传播模型等先验信息，提出联合先验位置信息的多径辅助位置估计方法提升室内定位精度[34]。

目前常规UWB基站组网采用DOP值来不断调整优化组网方案从而达到最优解，但是DOP值需要事后解算，并且静态布网需要大量准备工作，动态布网虽然弥补了预先布站的不足，但算法模型不是很完善，无法满足应急定位需求。因此，对于应急环境或其他快定位需求的场景，没有充足的时间进行DOP值计算和基站反复布设，就需要在动态布网基础上做进一步的优化升级，寻求一种更快、更简单的布设方法。

2.4 UWB与多传感器融合室内定位模型

UWB室内定位的定位范围会受到基站设备数量和摆放位置制约，同时狭长空间的几何结构，复杂的环境所引起的信号弱或信号不连续会给室内定位精度带来很大的影响，探索如何解决低成本下实现大范围复杂环境的定位方法是当前急需解决的问题，因此采用UWB与多传感器融合是当下较为成熟的选择。UWB可以通过与惯导、PDR、LiDAR、视觉传感器等融合，为UWB定位提供空间基准、提高UWB的定位频率、解决UWB信号弱或信号丢失问题，相互取长补短，实现绝对基准、高频率、高精度室内定位，如图4所示。

Hol J D等人提出了一种UWB和IMU紧耦合的集成方法，使用非线性滤波在多路径和非视距条件下，也能获得稳定性较好的结果[35]。仪玉杰等人针对复杂环境下UWB定位丢失的问题，建立UWB和PDR的非线性扩展卡尔曼滤波模型，提高模型的鲁棒性[36]。张涵等人提出基于EKF的UWB/LiDAR里程计组合的定位模型，采用角度信息的约束策略，在复杂环境下定位精度均可达到分米级，且定位精度分别提升35%与60%[37]。刘飞等人提出了一种顾及尺度因子的UWB/视觉融合定位模型，解决视觉初始化、尺度模糊和绝对空间基准等问题，在纹理稀疏或者光线频繁变化的室内环境下，实现0.2 m量级的定位精度[12]。

随着多传感器融合技术的深入发展，对于室内复杂环境定位已经发挥很大的作用。但是不同传感器融合是一个复杂的过程，它们之间互相干扰且存在置信问题，因此，要更新多传感器融合技术，需要科学的融合大量算法，充分发挥各自优点并避免缺点，实现复杂环境与位置信息的有机统一，促进传感器对环境适应性和定位准确性的发展。

3 UWB室内定位技术展望

本文围绕UWB室内定位技术，研究了UWB定位理论、算法模型、关键技术，并分析了其不足之处。未来随着人工智能、5G、云计算、深度学习、边缘计算、大数据等新理论、新算法、新技术的不断突破与发展，针对本文UWB相关技术方法仍有改进之处：

(1)改善非视距定位精度，削弱非视距误差和多径效应影响

UWB定位精度依赖与每个历元UWB测距值的测距精度，对于室内复杂环境，由于UWB定位技术受到建(构)物的遮挡、反射以及信号传播出现中断等因素的影响，造成测距误差增加，因此，增强UWB系统在非视距环境下对测量值的判别能力与重构能力，降低非视距环境下测距误差和多路经误差，从而提高定位系统精度和稳定性。

(2)提升多模态融合定位算法，推动多源融合技术发展

面向大型复杂盲环境、火灾、地震等应急情况下的定位解算，单一定位算法在精度、效率等方面会受到限制，多模态融合定位算法将是室内定位的主流算法。通过研究深度学习、指纹匹配、DV-hop等定位算法以及一些抗差滤波算法，提升定位精度和解算效率，推动多传感器融合技术发展。

(3)研制高精度大众化设备，更好地满足定位服务需求

对于室内定位设备，如UWB、INS、视觉等单传感器，或UWB/INS、UWB/视觉组合等方式，无论是单一模块，抑或是组合方式，在面向室内复杂场景，尤其对于精确性和时效性要求较高的场景带来很大的挑战。随着5G技术的快速发展，凭借其较低的时延和较强的信号衍射能力在定位模块方面，并结合陀螺仪、加速度传感器、方位传感器等模块，实现不同室内环境和应用场景的高精度定位，同时可进一步提升适用性。

(4)探索室内定位技术，促进多样化应用发展

通过分析UWB定位技术和实施优缺点，改善非视距测距误差，提升多源融合定位技术，开发高精度可穿戴定位设备，以此为基础的室内定位技术的应用场景可以拓展到各个领域，满足多场景、多层级导航与位置服务需求。相信随着科学技术的高速发展，室内定位技术会拥有一个更加光明的未来。

4 结 语

随着人们对高精度室内位置服务需求的不断增加，室内定位技术迎来了重要的发展机遇。UWB定位技术经过多年的发展，在硬件装备、算法模型、多模态融合定位等方面均取得了较大的突破和发展，能够为多数场景提供亚米级甚至更高精度的位置服务。然而，在室内非视距环境、应急场景快速组网定位、稳健可靠的多模态融合定位方法以及小型化、智能化、低成本的硬件装备等方面仍然存在较大不足，需要进一步的完善和提升。