基于三阶段CIR融合的UWB双向测距误差校正方法

本发明属于无线测距，具体涉及一种基于三阶段cir融合的uwb双向测距误差校正方法。

背景技术：

1、超宽带(ultra-wideband，uwb)双向测距(two-way ranging，twr)因其高时间分辨率和较强抗多径能力，被广泛用于室内定位。实际应用中，测距精度受环境显著影响，尤其在非视距(non-line-of-sight，nlos)条件下，首径检测偏移会直接放大距离误差。在信道层面，cir(channel impulse response， 信道冲激响应)包含多径传播的幅度与时延信息，可用于误差建模。三阶段交互(poll/response/final)对应不同传播与收发状态，具有互补特征。

2、现有技术方案1：基于注意力机制和迁移学习的uwb测距误差补偿算法。该方案以uwb标签与基站为数据采集设备，采用卡尔曼滤波对源域与目标域数据集进行预处理，通过信道特征与测距误差的相关系数完成特征筛选，构建包含输入层、注意力层、特征提取层与输出层的神经网络误差预测模型，先在源域数据集上完成模型预训练并得到权重，再在目标域数据集上加载预训练权重并实施迁移学习，借助注意力层对输入特征重新评估并微调特征提取层权重，最终输出测距误差预测值以完成原始测距值的补偿。

3、现有技术方案2：多基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统。该方案以uwb与imu(inertial measurement unit，惯性测量单元)多传感器融合定位为目标，采用cnn-lstm网络对uwb的cir数据进行特征提取与los/nlos分类，再通过dekf( distributed extended kalman filter，分布式扩展卡尔曼滤波)将uwb分类优化后的数据与imu数据融合，抑制imu漂移误差与uwb非视距误差，最终输出定位结果。该方案的实现流程为：由uwb模块采集cir数据与测距信息，imu模块采集惯性数据，先通过cnn-lstm完成信道状态分类与特征学习，再将分类结果送入dekf完成多源数据融合与状态估计，从而提升复杂室内环境下的定位精度与鲁棒性。

4、现有技术方案3：一种基于iwoa-mcn模块的uwb测量距离修正方法。该方案面向uwb测距误差修正任务，以测量距离、信道脉冲响应cir、接收信号强度rssi作为多模态输入，构建包含测量距离分支、rssi分支、cir分支的多通道神经网络(multi channel neuralnetwork，mcn)，其中cir分支采用空洞卷积与标准卷积结合的方式提取特征；并采用改进鲸鱼优化算法(improved whale optimization algorithm，iwoa)对网络的学习率、卷积通道数、全连接层神经元数等超参数进行优化，最终通过多模态特征拼接与卷积融合输出修正后的距离，以提升复杂室内环境下测距修正精度与模型泛化能力。

5、但是，上述现有技术方案存在以下主要缺点：单帧输入无法覆盖全过程传播信息，误差建模信息不充分；简单拼接融合不能反映不同分支贡献差异，易受冗余特征干扰；仅靠卷积局部感受野难以捕捉跨阶段长距离依赖；分类+规则补偿方案在边界工况下稳定性不足。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于三阶段cir融合的uwb双向测距误差校正方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明实施例提供了一种基于三阶段cir融合的uwb双向测距误差校正方法，所述uwb双向测距误差校正方法包括：

3、获取同一次uwb双向测距过程中的轮询cir信号、响应cir信号、最终cir信号，并分别从轮询cir信号、响应cir信号、最终cir信号中提取对应的脉冲峰值幅值、首径-峰值偏移差值、波形总能量；

4、利用共享参数的一维cnn特征提取器分别从轮询cir信号、响应cir信号、最终cir信号中提取对应的局部特征信号；

5、利用分支注意力网络根据脉冲峰值幅值、首径-峰值偏移差值、波形总能量、局部特征信号计算对应的注意力权重，根据局部特征信号和注意力权重计算对应的加权特征信号；其中，注意力权重需满足权重上限和权重下限约束；

6、将所有加权特征信号进行拼接得到全局融合特征，利用transformer编码器对全局融合特征进行全局关系建模得到全局特征信号；

7、利用回归头对全局特征信号进行预测到预测误差，根据预测误差和原始测距值计算校正测距值。

8、在本发明的一个实施例中，利用cnn特征提取器分别从轮询cir信号、响应cir信号、最终cir信号中提取对应局部特征信号之前，还包括：

9、对轮询cir信号、响应cir信号、最终cir信号分别进行时间对齐、幅值归一化、窗口截取预处理。

10、在本发明的一个实施例中，一维cnn特征提取器包括依次连接的三层卷积单元；第一层卷积单元和第二层卷积单元采用相同的网络结构，均依次包括卷积层、线性投影层和全局池化层，第三层卷积单元包括卷积层、激活层和归一化层；对应利用共享参数的一维cnn特征提取器分别从轮询cir信号、响应cir信号、最终cir信号中提取对应局部特征信号，包括：

11、经第一层卷积单元后分别从轮询cir信号、响应cir信号、最终cir信号中提取对应的第一提取特征信号；其中，在第一层卷积单元采用全参数共享策略，全参数共享策略为第一层卷积单元中卷积权重参数、通道缩放因子在三阶段设置为同一组参数；

12、经第二层卷积单元后从第一提取特征信号提取对应的第二提取特征信号；其中，在第二层卷积单元采用半参数共享策略，半参数共享策略为第二层卷积单元中卷积权重参数在三阶段设置为同一组参数、通道缩放因子在三阶段设置为不同参数；

13、经第三层卷积单元后从第二提取特征信号提取对应的局部特征信号。

14、在本发明的一个实施例中，三层卷积单元中卷积层的通道数依次增大。

15、在本发明的一个实施例中，三层卷积单元中第一层卷积单元的卷积核大于第二层卷积单元的卷积核，第二层卷积单元的卷积核与第三层卷积单元的卷积核的大小相等。

16、在本发明的一个实施例中，分支注意力网络包括依次连接的全局平均池化层、mlp层和softmax归一化层，mlp层包括两层全连接层和一层激活层；对应利用分支注意力网络根据脉冲峰值幅值、首径-峰值偏移差值、波形总能量、局部特征信号计算对应的注意力权重，包括：

17、利用全局平均池化层对局部特征信号进行平均池化处理；

18、将脉冲峰值幅值、首径-峰值偏移差值、波形总能量和平均池化后的局部特征进行拼接，拼接特征经mlp层输出综合原始得分；

19、利用softmax归一化层对综合原始得分进行指数归一化，得到对应的注意力权重。

20、在本发明的一个实施例中，注意力权重需满足权重上限和权重下限约束，包括：

21、当注意力权重不满足权重上限约束时，则将不满足权重上限的注意力权重强制修改为权重上限；

22、当注意力权重不满足权重下限约束时，则将不满足权重下限的注意力权重强制修改为权重下限。

23、在本发明的一个实施例中，利用回归头对全局特征信号进行预测到预测误差之前，还包括：

24、利用全局平均池化层对全局特征信号进行平均池化操作。

25、在本发明的一个实施例中，利用回归头对全局特征信号进行预测到预测误差，包括：

26、利用mlp回归头对全局特征信号进行预测到预测误差。

27、在本发明的一个实施例中，采用端到端训练过程，训练过程中采用的总损失函数包括smooth l1损失。

28、本发明的有益效果：

29、本发明提出的基于三阶段cir融合的uwb双向测距误差校正方法，以同一次uwb双向测距中的三阶段同源cir作为输入，采用共享参数的一维 cnn特征提取器实现三阶段特征空间的统一，通过分支注意力网络对三阶段特征进行自适应注意力权重分配，并且在注意力权重分配过程中融合了uwb可量化物理先验特征，这些物理先验特征一起参与注意力权重计算，让权重数值具备明确物理含义，更符合uwb场景专属逻辑，进而利用自适应注意力权重进行特征加权并结合transformer编码器建模时序长依赖与跨阶段全局关联，直接端到端输出测距误差以完成距离校正，无需引入外部优化算法。现有技术方案未充分利用同源多阶段cir的互补特性，融合方式缺乏自适应权重分配，无法动态突出对误差贡献更高的cir阶段特征；而本发明针对uwb双向测距流程设计专用三阶段模型结构，通过注意力加权与全局建模提升误差预测精度，模型轻量化程度高、泛化性强、训练成本更低，在纯uwb-cir测距误差校正场景下更具针对性与实用性。

30、以下将结合附图及实施例对本发明做进一步详细说明。