UWB高精度定位-Industrial Internet of Things (IIoT)

Indoor Positioning System (IPS) Using Ultra-Wide Bandwidth(UWB)—For Industrial Internet of Things (IIoT)

Indoor positioning systems (IPSs) and location-based services have become a fundamental requirement for many Industrial Internet of Things (IIoT) applications

n  Advantages of UWB

1.    Large Channel Capacity:

2.    Simple transceiver architecture and low cost:

3.    Multipath Immunity and Low Power Spectral Density (PSD):

n  UWB Ranging Algorithms

IPS測(cè)距算法根據(jù)其算法的不同，基本上可以分為四類：基本原理——時(shí)間、信號(hào)、角度和接近檢測(cè)——如圖所示圖 6. 基于時(shí)間的算法包括到達(dá)時(shí)間 (ToA)、到達(dá)時(shí)間差(TDoA)、雙向 (TW)-ToA 和到達(dá)相位 (PoA)?；谛盘?hào)的算法依賴于RSSI 和信道狀態(tài)信息 (CSI)?；诮嵌鹊乃惴ㄊ褂玫竭_(dá)角(AoA) 和出發(fā)角 (AoD) 來確定位置?；诮咏鼨z測(cè)技術(shù)使用 RSSI 和 Cell-ID。ToA、TW-ToA、TDoA、AoA 和 RSSI 常見文獻(xiàn)中與 UWB 一起使用。

n  Detection in UWB Positioning Algorithms

一般來說，在 UWB IPS 中，信號(hào)分為 LoS 或 NLoS信號(hào)。有一些論文將信號(hào)分類為具有準(zhǔn)視距 (QLoS)。UWB定位檢測(cè)在圖 12 中，系統(tǒng)被分為 LoS 和 NLoS。在 LoS 條件下，有一個(gè)明確的環(huán)境，并且錨點(diǎn)和標(biāo)簽之間沒有障礙物，估計(jì)可以準(zhǔn)確計(jì)算每個(gè)錨點(diǎn)和標(biāo)簽之間的范圍（d1，d2，d3），從而允許應(yīng)用三邊測(cè)量理論，準(zhǔn)確獲取標(biāo)簽位置如圖12c所示。然而，在 NLoS 條件下，信號(hào)會(huì)衰減或被障礙物折射導(dǎo)致正偏差，錨點(diǎn) 3 的距離測(cè)量 (d03) 是估計(jì)不準(zhǔn)確。這會(huì)導(dǎo)致圓圈重疊，如圖 12d 所示，結(jié)果標(biāo)簽的位置位于任何突出顯示的區(qū)域而不是精 確的位置點(diǎn)。從而嚴(yán)重影響標(biāo)簽的定位精度。

因此，從圖 12 可以看出，三邊定位算法存在正向定位問題。偏差非視距誤差。這種定位誤差可以通過采用聯(lián)合方法來解決采用經(jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)器學(xué)習(xí)模型。ML 模型可用于對(duì)這些視距進(jìn)行分類NLoS條件下提高定位算法的精度。現(xiàn)在讓我們看看詳細(xì)轉(zhuǎn)化為 ML 模型以進(jìn)行 NLoS 分類。

n  Machine Learning For UWB In NLoS

現(xiàn)有的基于 ML for UWBIPSs 的研究工作可以是分為兩大類：NLoS 檢測(cè)和 NLoS 糾錯(cuò)方法。

NLoS檢測(cè)的首要目標(biāo)是對(duì)NLoS信號(hào)進(jìn)行準(zhǔn)確分類，然后減輕其影響。另一方面，糾錯(cuò)的主要目標(biāo)是識(shí)別使用精 確的地面實(shí)況來確定 UWB 范圍內(nèi)的誤差，這可以產(chǎn)生積極的影響。

關(guān)于定位精度。具體來說，當(dāng)至少有四個(gè)錨點(diǎn)可用于3D 定位，錨點(diǎn)選擇算法可用于減輕基于在向定位算法提供范圍之前進(jìn)行 NLoS 檢測(cè)。

1.    NLoS Classification:

2.    NLoS Error Correction

n  Ml-Algorithms for UWB IPS

各種類型的 ML 算法已被提出并用于用于改進(jìn) IPS 的廣泛應(yīng)用，特別是 NLoS 檢測(cè)和錯(cuò)誤更正?，F(xiàn)有的ML算法相繼開發(fā)中提到。綜上所述，SVM、DT、NB、NN逐漸提高了定位精度，IPS 的顯著用處。本節(jié)將詳細(xì)討論這些算法：

1.    k-Nearest Neighbors (k-NN):

2.    Support Vector Machine (SVM):

3.    Decision Tree (DT):

4.    Naive Bayes(NB):

5.    Neural Network (NN):

6.    Performance of ML Algorithms

n  Future Work, Challenges, and Limitations

人們提出了各種基于 ML 的算法來減輕 NLoS 對(duì)IPS。然而，基于 ML 的 UWB 室內(nèi)定位方法的適應(yīng)仍在進(jìn)行中還處于起步階段，有些問題還需要進(jìn)一步研究。未來的方向可以是總結(jié)如下：

?  Availability of Training Data

有監(jiān)督和無監(jiān)督的 ML 算法都依賴于數(shù)據(jù)，需要足夠的數(shù)據(jù)來訓(xùn)練穩(wěn)健的模型。收集的培訓(xùn)數(shù)量和質(zhì)量數(shù)據(jù)顯著影響機(jī)器學(xué)習(xí)算法的性能。實(shí)現(xiàn)高精度當(dāng)訓(xùn)練數(shù)據(jù)不平衡時(shí)，定位變得具有挑戰(zhàn)性，特別是與數(shù)據(jù)樣本中的視距成分相比，只有很少的非視距成分，并且反之亦然。在數(shù)據(jù)集不平衡的情況下，現(xiàn)有的機(jī)器學(xué)習(xí)算法在訓(xùn)練魯棒分類器來對(duì) NLoS 信號(hào)進(jìn)行分類時(shí)面臨困難。為了解決這個(gè)問題問題，開發(fā)用于訓(xùn)練和預(yù)測(cè)數(shù)據(jù)的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)方法非常重要獨(dú)立的算法，例如GD、GGD和WNB算法

?  Time Efficiency

?  Extensibility and Scalability

?  Variability

?  Energy Consumption

?  Map Construction and Route Planning