Improved WLS Ultra-wideband Positioning Algorithm Based on Error Factor

doi:10.12068/j.issn.1005-3026.2024.09.003

Abstract

Abstract:

In order to improve the positioning accuracy of ultra?wideband （UWB） in non?line of sight （NLOS） scenarios， an improved weighted least square （WLS） algorithm based on error factor was proposed in this paper. A one dimensional convolutional neural network （1DCNN） is trained by using ranging values and real?time channel impulse response （CIR） features to achieve accurate prediction of error factor. Based on the predicted error factor， the weighting matrix of improved WLS algorithm is designed， and different base stations are given reasonable weights to improve the UWB positioning performance in NLOS scenarios. Static and dynamic measured data are collected from the real environment to verify the performance of the improved WLS algorithm. The experimental results show that the improved WLS algorithm has similar positioning performance to the least square （LS） algorithm and WLS algorithm in the line of sight （LOS） scenarios. In the NLOS scenarios， the improved WLS algorithm is obviously better than the LS algorithm and WLS algorithm， and can effectively restrain the NLOS error.

Key words: ultra?wideband, time of arrival, non?line of sight （NLOS）, one dimensional convolution neural network （1DCNN）, improved weighted least square （WLS） algorithm

CLC Number:

TN 92

Lin LIU, Yu-hao SONG. Improved WLS Ultra-wideband Positioning Algorithm Based on Error Factor[J]. Journal of Northeastern University(Natural Science), 2024, 45(9): 1235-1243.

Figures/Tables 22

References 20

1	Batistić L， Tomic M.Overview of indoor positioning system technologies［C］//2018 41st International Convention on Information and Communication Technology，Electronics and Microelectronics. Opatija，2018：473-478.
2	宋雨昊，刘林，王平.WKNN在UWB定位中的应用研究［J］.现代计算机，2021，27（35）：34-40，69.
	Song Yu‑hao， Liu Lin， Wang Ping.Research on the application of WKNN in UWB positioning［J］.Modern Computer，2021，27（35）：34-40，69.
3	Hu S C， He K， Yang X，et al.Bluetooth fingerprint based indoor localization using Bi‑LSTM［C］//2022 31st Wireless and Optical Communications Conference （WOCC）.Shenzhen，2022：161-165.
4	Tan S， Ren Y L， Yang J，et al.Commodity WiFi sensing in ten years：status，challenges，and opportunities［J］.IEEE Internet of Things Journal，2022，9（18）：17832-17843.
5	Zhang S， Liu K H， Zhang Y L，et al.A coarse fingerprint‑assisted multiple target indoor device‑free localization with visible light sensing［J］.IEEE Sensors Journal，2022，22（2）：1461-1473.
6	Elsanhoury M， Mäkelä P， Koljonen J，et al.Precision positioning for smart logistics using ultra‑wideband technology‑based indoor navigation：a review［J］.IEEE Access，2022，10：44413-44445.
7	Kim D H， Pyun J Y.NLOS identification based UWB and PDR hybrid positioning system［J］.IEEE Access，2021，9：102917-102929.
8	Dong M Y.A low‑cost NLOS identification and mitigation method for UWB ranging in static and dynamic environments［J］.IEEE Communications Letters，2021，25（7）：2420-2424.
9	Chen C X， Huang Z， Wang J Y，et al.Channel‐quality‐evaluation‐based anchor node selection for UWB indoor positioning［J］.Electronics，2022，11（3）：436-450.
10	Wang T Y， Hu K K， Li Z H，et al.A semi‑supervised learning approach for UWB ranging error mitigation［J］.IEEE Wireless Communications Letters，2021，10（3）：688-691.
11	Bregar K， Mohorčič M.Improving indoor localization using convolutional neural networks on computationally restricted devices［J］.IEEE Access，2018，6：17429-17441.
12	Angarano S， Mazzia V， Salvetti F，et al.Robust ultra‑wideband range error mitigation with deep learning at the edge［J］.Engineering Applications of Artificial Intelligence，2021，102：104278-104286.
13	Yu K G， Wen K， Li Y B，et al.A novel NLOS mitigation algorithm for UWB localization in harsh indoor environments［J］.IEEE Transactions on Vehicular Technology，2019，68（1）：686-699.
14	Ferreira A G， Fernandes D， Branco S，et al.Feature selection for real‑time NLOS identification and mitigation for body‑mounted UWB transceivers［J］.IEEE Transactions on Instrumentation and Measurement，2021，70：5502310.
15	Sang C L， Steinhagen B， Homburg J D，et al.Identification of NLOS and multi‑path conditions in UWB localization using machine learning methods［J］.Applied Sciences，2020，10（11）：3980-4004.
16	Che F H， Ahmed Q Z， Fontaine J，et al.Feature‑based generalized Gaussian distribution method for NLOS detection in ultra‑wideband （UWB） indoor positioning system［J］.IEEE Sensors Journal，2022，22（19）：18726-18739.
17	Sang C L， Adams M， Hörmann T，et al.An analytical study of time of flight error estimation in two‑way ranging methods［C］//2018 International Conference on Indoor Positioning and Indoor Navigation （IPIN）.Nantes，2018：1-8.
18	Liu M Y， Lou X Z， Jin X P，et al.NLOS identification for localization based on the application of UWB［J］.Wireless Personal Communications，2021，119（4）：3651-3670.
19	杨晓倩，童浩，王彬.一种基于测距信息的加权最小二乘定位算法［C］//第十一届中国卫星导航年会论文集——S09用户终端技术.成都，2020：81-86．
	Yang Xiao‑qian， Tong Hao， Wang Bing.A weighted least‑squares localization algorithm based on ranging information［C］//The 11th China Satellite Navigation Annual meeting Proceedings：S09 User Terminal Technology.Chengdou，2020：81-86.）
20	陈楠，曹雪虹，焦良葆，等.变电站NLOS环境下的UKF超宽带定位改进算法［J］.电力信息与通信技术，2021，19（5）：71-81.
	Chen Nan， Cao Xue‑hong， Jiao Liang‑bao，et al.Improved UKF UWB positioning algorithm in NLOS substation environment［J］.Electric Power Information and Communication Technology，2021，19（5）：71-81.

名称	说明
d_r	测距值
F₁	第一路径（point 1）的幅值
F₂	第一路径（point 2）的幅值
F₃	第一路径（point 3）的幅值
N_p	前导码累积计数长度
N_MaxNoise	DW1000寄存器中报告的最大噪声
σ_StdNoise	DW1000寄存器中报告的标准噪声
C_I	DW1000寄存器中报告的CIR功率值
I_FirstPath	第一路径索引值
P_FPL	第一路径信号功率
P_RPL	接收信号功率
R_p	第一路径信号功率和接收信号功率之间的比值

名称	说明
d_r	测距值
F₁	第一路径（point 1）的幅值
F₂	第一路径（point 2）的幅值
F₃	第一路径（point 3）的幅值
N_p	前导码累积计数长度
N_MaxNoise	DW1000寄存器中报告的最大噪声
σ_StdNoise	DW1000寄存器中报告的标准噪声
C_I	DW1000寄存器中报告的CIR功率值
I_FirstPath	第一路径索引值
P_FPL	第一路径信号功率
P_RPL	接收信号功率
R_p	第一路径信号功率和接收信号功率之间的比值

1DCNN超参数名称	取值/类型
学习率	初始值L_r=0.001，自适应衰减
优化器	Nadam
激活函数	ReLU
丢弃率	0.5
批量训练数据大小	64
损失函数	均方误差函数

1DCNN超参数名称	取值/类型
学习率	初始值L_r=0.001，自适应衰减
优化器	Nadam
激活函数	ReLU
丢弃率	0.5
批量训练数据大小	64
损失函数	均方误差函数

算法	误差
算法	均值	标准差	RMSE
LS	2.66	0.98	2.83
WLS	2.66	0.98	2.83
改进WLS	2.64	0.97	2.83