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测距算法根据其算法的不同，基本上可以分为四类：基本原理——时间、信号、角度和接近检测——如图所示图 6. 基于时间的算法包括到达时间 (ToA)、到达时间差(TDoA)、双向 (TW)-ToA 和到达相位 (PoA)。基于信号的算法依赖于RSSI 和信道状态信息 (CSI)。基于角度的算法使用到达角(AoA) 和出发角 (AoD) 来确定位置。基于接近检测技术使用 RSSI 和 Cell-ID。ToA、TW-ToA、TDoA、AoA 和 RSSI 常见文献中与 UWB 一起使用。

n  Detection in UWB Positioning Algorithms

一般来说，在 UWB IPS 中，信号分为 LoS 或 NLoS信号。有一些论文将信号分类为具有准视距 (QLoS)。UWB定位检测在图 12 中，系统被分为 LoS 和 NLoS。在 LoS 条件下，有一个明确的环境，并且锚点和标签之间没有障碍物，估计可以准确计算每个锚点和标签之间的范围（d1，d2，d3），从而允许应用三边测量理论，准确获取标签位置如图12c所示。然而，在 NLoS 条件下，信号会衰减或被障碍物折射导致正偏差，锚点 3 的距离测量 (d03) 是估计不准确。这会导致圆圈重叠，如图 12d 所示，结果标签的位置位于任何突出显示的区域而不是精 确的位置点。从而严重影响标签的定位精度。

因此，从图 12 可以看出，三边定位算法存在正向定位问题。偏差非视距误差。这种定位误差可以通过采用联合方法来解决采用经验模型和机器学习模型。ML 模型可用于对这些视距进行分类NLoS条件下提高定位算法的精度。现在让我们看看详细转化为 ML 模型以进行 NLoS 分类。

n  Machine Learning For UWB In NLoS

现有的基于 ML for UWBIPSs 的研究工作可以是分为两大类：NLoS 检测和 NLoS 纠错方法。

NLoS检测的首要目标是对NLoS信号进行准确分类，然后减轻其影响。另一方面，纠错的主要目标是识别使用精 确的地面实况来确定 UWB 范围内的误差，这可以产生积极的影响。

关于定位精度。具体来说，当至少有四个锚点可用于3D 定位，锚点选择算法可用于减轻基于在向定位算法提供范围之前进行 NLoS 检测。

1.    NLoS Classification:

2.    NLoS Error Correction

n  Ml-Algorithms for UWB IPS

各种类型的 ML 算法已被提出并用于用于改进 IPS 的广泛应用，特别是 NLoS 检测和错误更正。现有的ML算法相继开发中提到。综上所述，SVM、DT、NB、NN逐渐提高了定位精度，IPS 的显着用处。本节将详细讨论这些算法：

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

人们提出了各种基于 ML 的算法来减轻 NLoS 对IPS。然而，基于 ML 的 UWB 室内定位方法的适应仍在进行中还处于起步阶段，有些问题还需要进一步研究。未来的方向可以是总结如下：

¡  Availability of Training Data

有监督和无监督的 ML 算法都依赖于数据，需要足够的数据来训练稳健的模型。收集的培训数量和质量数据显着影响机器学习算法的性能。实现高精度当训练数据不平衡时，定位变得具有挑战性，特别是与数据样本中的视距成分相比，只有很少的非视距成分，并且反之亦然。在数据集不平衡的情况下，现有的机器学习算法在训练鲁棒分类器来对 NLoS 信号进行分类时面临困难。为了解决这个问题问题，开发用于训练和预测数据的标准机器学习方法非常重要独立的算法，例如GD、GGD和WNB算法

¡  Time Efficiency

¡  Extensibility and Scalability

¡  Variability

¡  Energy Consumption

¡  Map Construction and Route Planning