1D-CNN-LSTM注意力网络驱动的UWB/蓝牙自适应融合定位技术

TL;DR：本文介绍一种基于1D-CNN-LSTM注意力网络的智能定位方法。它通过提取UWB信道脉冲响应（CIR）波形特征，精准识别视距（LOS）/非视距（NLOS）环境，并据此动态调整UWB与蓝牙观测噪声的权重，实现融合滤波，有效抑制非视距误差，将定位精度提升至厘米级。

一、引言：室内定位的精度困境与UWB的机遇

在室内环境中，全球导航卫星系统（GNSS）信号严重衰减，使得基于超宽带（UWB）技术的定位系统成为高精度定位的核心方案。UWB凭借其纳秒级窄脉冲、高时间分辨率以及强穿透力，理论上可以实现厘米级的定位精度。然而，实际应用中，多径效应、非视距（NLOS）传播以及信道频率选择性衰落等不利因素，会导致到达时间（TOA）、到达时间差（TDOA）等测量值出现显著偏差，严重降低定位算法的性能。

正如屠晓东在《基于UWB信号的多基站与单基站定位算法的研究与性能分析》中指出：“由于多径、非视距传播、干扰和信道频率特性等多种不利因素的综合影响，导致TDOA、TOA、AOA等特征测量值不可避免地出现较大误差，使各种定位算法的性能显著下降，从而造成位置估计出现较大偏差。” 传统的抗NLOS方法，如误差最小化定位或有偏卡尔曼滤波，虽然能在一定程度上改善精度，但往往需要复杂的统计建模或先验知识，且无法动态适应环境变化。

为了突破这一瓶颈，本文提出一种融合深度学习与自适应滤波的智能定位框架：利用1D-CNN-LSTM注意力网络从UWB信道脉冲响应（CIR）波形中自动提取特征，先精确识别当前信道是LOS还是NLOS；然后根据识别结果，动态调整UWB与蓝牙（BLE）观测噪声的权重，最后通过融合滤波（如扩展卡尔曼滤波）抑制误差，实现高鲁棒性的定位。

二、核心技术解析：从波形特征到自适应融合

2.1 1D-CNN-LSTM注意力网络：CIR波形的“智能解译员”

UWB信号在传播过程中，其信道脉冲响应（CIR）波形包含了丰富的环境信息。在LOS环境下，CIR通常呈现一个尖锐、高幅度的直达波主峰；而在NLOS环境下，由于障碍物阻挡，主峰幅度降低、时延增加，并伴随大量多径拖尾。传统方法依赖人工设计的特征（如峰度、幅度、均方根时延扩展）来区分LOS/NLOS，但泛化能力有限。

我们采用一种混合深度学习架构：

• 1D卷积神经网络（1D-CNN）：作为特征提取器，自动从原始CIR序列中学习局部波形模式，如脉冲形状、多径簇结构。
• 长短期记忆网络（LSTM）：捕捉CIR序列中的长距离时序依赖关系，例如多径分量的衰减趋势。
• 注意力机制：让网络自动聚焦于CIR中对分类最关键的时间段（如直达波到达时刻），提升识别准确率。

该网络以CIR波形为输入，直接输出“LOS概率”与“NLOS概率”，实现端到端的信道状态感知。相比基于统计阈值的方法，这种数据驱动的方式能更鲁棒地适应复杂多变的室内环境。

2.2 动态噪声权重调整：融合UWB与蓝牙的互补优势

UWB在LOS下精度极高（可达厘米级），但在NLOS下误差可能骤增至数米。而蓝牙（BLE）虽然单点精度较低（米级），但其信号衰减特性与距离相关性较强，且受NLOS影响相对稳定。将两者融合，可以优势互补。

关键在于如何根据实时信道状态分配权重。我们提出如下自适应策略：

• 当1D-CNN-LSTM注意力网络判定为LOS时，UWB观测的可信度极高，系统赋予UWB观测噪声一个较小的权重（例如协方差矩阵R_UWB = 0.01 m²），而蓝牙的权重则相应降低（R_BLE = 0.5 m²）。
• 当判定为NLOS时，UWB观测误差急剧增大，系统自动增大UWB的观测噪声权重（例如R_UWB = 1.0 m²），同时提高蓝牙的权重（R_BLE = 0.1 m²），使定位结果更依赖蓝牙的平滑估计。