基于CNN和在线学习的UWB室内定位算法

摘要

为了减小非视距(NLOS)误差对超宽带(UWB)室内定位系统定位精度的影响,提出了一种基于卷积神经网络(CNN)的超宽带室内定位算法.利用超宽带系统采集非视距环境下的室内定位数据,根据信号在非视距环境下传播时的误差特性建立CNN模型,将定位数据输入网络进行训练,以减小NLOS误差对定位精度的影响,然后用扩展卡尔曼滤波(EKF)进行位置估计;当系统处于不同室内环境时,使用在线学习算法调整CNN参数,提高系统的兼容性.实验结果表明,该算法可以在不同室内环境下有效减小NLOS误差的影响,保持厘米级的定位精度,具有一定的实用价值.