用 UWB 厘米坐标作为标签真值，离线训练 AoA 神经网络：UWB 真值标注的深度学习 BLE AoA 多径抑制估角算法

TL;DR：本文提出一种融合 UWB 高精度定位与深度学习 BLE AoA 估角的创新方法：利用 UWB 厘米级坐标作为标签真值，离线训练神经网络，实现多径环境下 BLE AoA 的精确估计，显著提升室内定位鲁棒性。

1. 引言：室内定位的精度与成本困境

随着物联网与智能终端的发展，室内定位需求日益增长。超宽带（UWB）技术凭借高传输速率、低功耗、探测精度高、穿透性强、安全性高等优势，成为高精度定位的首选方案之一。罗朋等人的综述指出，UWB 在军事、雷达、生物探测及室内外高精度定位等场景有着广泛应用，基于 CMOS 的 UWB 雷达芯片已成为研究热点【UWB雷达芯片的研究现状与发展_罗朋.pdf】。然而，UWB 硬件成本较高，难以大规模普及。

相比之下，蓝牙低功耗（BLE）AoA（到达角）技术成本低廉，但极易受多径效应影响，在非视距（NLOS）环境下精度急剧下降。阳士宇的硕士论文系统研究了 NLOS 环境下基于 UWB 的室内定位算法，指出多径是制约定位精度的核心难题【NLOS环境下基于UWB的室内定位算法研究_阳士宇.pdf】。

能否将 UWB 的“高精度”与 BLE 的“低成本”结合？本文提出一种创新思路：用 UWB 厘米坐标作为标签真值，离线训练深度学习 AoA 神经网络，从根本上抑制多径干扰，实现 BLE AoA 的高鲁棒估计。

2. 技术基础：UWB 与 BLE AoA 的互补特性

2.1 UWB 的高精度定位能力

UWB 采用纳秒级窄脉冲信号，具有极高的时间分辨率。江业猛的研究表明，基于机器学习的 UWB 三维定位算法可实现厘米级精度【基于机器学习的UWB三维精准室内定位算法的设计与实现_江业猛.pdf】。UWB 的核心优势在于：

• 高精度：利用到达时间差（TDOA）或飞行时间（TOF），定位误差可控制在 10-30 cm 以内。
• 抗多径：窄脉冲能分辨直达路径与反射路径，在视距（LOS）环境下表现优异。
• 穿透性强：可穿透墙体、人体等障碍物，适用于复杂室内环境。

2.2 BLE AoA 的低成本与多径挑战

BLE AoA 通过天线阵列接收信号相位差计算到达角，成本低、功耗小，适合手机等消费级设备。然而，在多径丰富的室内环境中，反射信号与直达信号叠加，导致相位测量严重失真，估角误差可达数十度。阳士宇的论文明确指出，NLOS 环境下的多径效应是 UWB 定位算法研究的核心挑战【NLOS环境下基于UWB的室内定位算法研究_阳士宇.pdf】——这一挑战对 BLE AoA 同样致命。

3. 核心方法：UWB 真值标注的深度学习 BLE AoA 估角

3.1 总体架构

本方法的核心思想是“用高精度 UWB 坐标训练低精度 BLE 模型”。具体流程如下：

1. 数据采集：在室内部署 UWB 基站与 BLE AoA 接收阵列。移动标签同时发射 UWB 脉冲与 BLE 信号。
2. 真值获取：UWB 系统实时解算标签的厘米级三维坐标，作为“真值标签”。
3. 特征提取：BLE 天线阵列采集 I/Q 数据，提取相位差、信号强度、信道状态信息等特征。
4. 离线训练：构建深度神经网络（如 CNN 或 LSTM），以 BLE 特征为输入，以 UWB 解算的坐标（或对应的真实 AoA）为输出，进行监督学习。
5. 在线推理：训练完成后，仅需 BLE 接收机即可实时输出高精度 AoA 估计，无需 UWB 硬件。

3.2 多径抑制的深度学习机制

传统 AoA 估计算法（如 MUSIC、ESPRIT）依赖信号子空间分解，在多径环境下性能急剧下降。深度学习模型则能直接学习多径环境下的非线性映射：

• 数据驱动：神经网络通过大量真实多径样本，自动学习“多径畸变 → 真实 AoA”的映射关系。
• 端到端估计：无需显式建模多径信道，避免模型失配问题。
• 鲁棒性：训练数据覆盖各种 NLOS 场景，模型对多径的容忍度远超传统算法。

江业猛的工作表明，机器学习方法在 UWB 定位中已展现出强大潜力，其思想可自然迁移至 BLE AoA 领域【基于机器学习的UWB三维精准室内定位算法的设计与实现_江业猛.pdf】。

4. 关键优势与性能分析

4.1 与传统方法的对比