.png){kind=icon}
返回
Parallel Deep Learning for NLOS Detection and Error Mitigation in UWB Positioning
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3597300.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超宽带（UWB）技术在室内高精度定位场景中得到了广泛应用。然而，沿无线信号路径的障碍物会导致非视距（NLOS）传播，从而降低定位可靠性。因此，识别NLOS条件并缓解相关误差至关重要。在本文中，介绍了一种新颖的NLOS检测与缓解方法，利用并行时空特征融合网络（PSTFFN）和时空注意力回归网络（STARN）。我们采用连续小波变换将1-D信道冲激响应（CIR）信号转换为2-D CIR图像数据的时间-频率图。通过引入注意力机制和手工特征，PSTFFN增强了其区分相似特征场景的能力。基于NLOS分类结果，所提出的STARN模型针对特定场景进一步缓解NLOS误差。实验结果表明，所提出的方法在二分类和多分类NLOS分类中均表现出色，准确率超过96.74%。此外，采用该方法后，距离测量的均方根误差（RMSE）和平均绝对误差（MAE）分别从168.04 cm和106.86 cm降低至7.54 cm和7.78 cm。在真实室内定位实验中，该方法将定位精度提高了81.86%以上，并实现了实时响应性能。
Keyword:
Error mitigation
indoor positioning system
nonline-of-sight (NLOS) detection
parallel deep learning (DL)
ultrawideband (UWB)
