注意力1DCNN-LSTM的UWB-BLE融合NLOS检测与自适应UKF定位算法

TL;DR：本文基于阳士宇、屠晓东、朱媛等学者的研究成果，探讨一种融合UWB与BLE的室内定位算法。该算法利用注意力机制与1DCNN-LSTM网络精准识别非视距（NLOS）状态，并驱动自适应无迹卡尔曼滤波（UKF）进行融合定位，显著提升了复杂室内环境下的定位鲁棒性与精度。

引言：室内定位的挑战与融合思路

随着位置服务（LBS）需求的爆发式增长，室内定位技术成为研究热点。超宽带（UWB）技术凭借其高时间分辨率，在视距（LOS）环境下可实现厘米级定位。然而，室内环境复杂多变，墙壁、家具、人体等障碍物导致的非视距（NLOS）传播，会引入严重的多径效应与信号衰减，使到达时间（TOA）、到达时间差（TDOA）等测量值产生巨大偏差（阳士宇，2022；屠晓东，2010）。

为了克服NLOS带来的挑战，传统方法如误差最小化定位或有偏卡尔曼滤波（屠晓东，2010）虽有一定效果，但难以动态适应环境变化。近年来，基于指纹的定位方法（朱媛，2021）虽能缓解部分问题，但指纹库的维护成本高昂。在此背景下，融合多种传感器与深度学习技术的智能算法成为主流方向。本文所探讨的算法，创新性地将UWB与低功耗蓝牙（BLE）进行数据级融合，并引入注意力机制与1DCNN-LSTM混合网络进行NLOS识别，最终驱动自适应无迹卡尔曼滤波（UKF）实现高精度定位。

核心技术解析

1. UWB与BLE的异构融合

单一UWB信号在NLOS环境下性能急剧下降，而BLE信号虽然精度较低，但穿透性强、成本低。本算法利用两者互补特性：

• UWB信号：提供高精度的TOA/TDOA测距值，作为定位主数据源。屠晓东（2010）的研究表明，在LOS环境下，基于Chan算法与移动平均滤波，UWB定位精度可达厘米级。
• BLE信号：提供接收信号强度指示（RSSI），作为辅助特征。RSSI对NLOS环境敏感，其变化模式可作为判断信道状态的重要依据。

算法首先对UWB的TOA测距值与BLE的RSSI值进行时间同步和归一化处理，构建多维特征向量，作为后续深度学习网络的输入。

2. 注意力1DCNN-LSTM的NLOS检测

准确识别当前信号传播环境是LOS还是NLOS，是自适应滤波的关键前提。本算法构建了一个混合深度学习模型：

• 1DCNN（一维卷积神经网络）：自动提取UWB和BLE信号序列中的局部时域特征，如多径衰落模式、信号包络变化等。
• LSTM（长短期记忆网络）：捕捉信号序列的长期依赖关系，利用历史信息辅助当前状态判断。
• 注意力机制：赋予模型对不同时间步特征的重要程度进行加权的能力。当信号突变（如突然进入NLOS）时，注意力机制会聚焦于关键帧，提升分类准确率。

该模型输出当前时刻的NLOS概率值（0~1），作为后续自适应UKF的调节依据。阳士宇（2022）的研究指出，基于深度学习的NLOS识别精度远高于传统的统计假设检验方法。

3. 自适应无迹卡尔曼滤波（UKF）定位

传统的卡尔曼滤波（KF）在处理非线性系统（如UWB测距模型）时性能有限。无迹卡尔曼滤波（UKF）通过无迹变换处理非线性，精度更高。本算法的核心创新在于“自适应”：

• 噪声协方差动态调节：根据1DCNN-LSTM模型输出的NLOS概率，动态调整UKF中的观测噪声协方差矩阵。当NLOS概率高时，增大观测噪声，降低不可靠测距值对状态估计的权重；反之则减小噪声。
• 融合更新：在UKF的更新步骤中，同时融合UWB的TOA测量值与BLE的RSSI指纹匹配结果。当UWB信号严重遮挡时，BLE的RSSI信息提供位置约束，防止滤波发散。

算法性能与优势分析

通过仿真与实测数据验证，该算法在NLOS环境下表现出显著优势。以下对比展示了不同算法在典型办公环境（包含混凝土墙、金属柜等）下的定位误差（数据基于相关文献仿真结果）：