论文部分内容阅读
随着社会的现代化脚步在不断地加快,人类对时空信息有了更多的需求。针对室内定位难以实现高精度定位的问题,本文基于UWB定位系统在时钟同步、误差标定、协同定位和深度学习定位四个方面进行了研究,主要完成了以下工作:在基于时间的室内定位系统中,时钟同步是实现高精度定位的基础。本文提出了一种基于同步包的基站时钟同步方式,利用主基站周期性地向从基站发送同步包来实现基站间的时钟同步。在视距的情况下,采用同步包同步基站时钟后,基站时钟间的最大误差约为0.75ns,平均误差为0.21ns,理论上可实现10厘米以内的定位精度。针对基于UWB室内定位系统存在的环境误差,如钟差残余项、多径误差和硬件误差等,本文提出了一种基于标定法的误差处理方案,利用已知位置的节点来测定误差量,并将其存储在后台服务器中,可在实际定位中补偿TDOA测量值。实验结果表明,将误差标定结果应用在已有的基于Chan和Taylor的协同定位算法(C-T算法)中能够使定位系统的平均定位误差从14.5cm降低到8.3cm,定位性能得到了较大提升。为了提高UWB定位算法的精度,本文提出了一种基于误差标定的加权最小二乘(WLS)与Taylor协同定位算法(E-W-T算法)。在误差标定量补偿TDOA值的基础上,采用WLS估计标签的初始值并使用Taylor算法确定标签的最终坐标。实验结果表明,该算法的平均误差为7.3cm,与C-T算法相比,定位性能提高了12.0%。在上述定位算法的基础上,本文提出了一种基于深度学习的室内定位算法,采用深度学习构建TDOA值与标签坐标间的映射关系,通过应用已训练的四层反向传播(BP)神经网络的深度学习模型,实现高精度的室内定位。实验结果表明该算法的平均误差约为5.1cm,与E-W-T算法相比,定位性能提高了30.1%。