基于注意力机制和迁移学习的UWB测距误差补偿算法与设备

基于注意力机制和迁移学习的uwb测距误差补偿算法与设备
技术领域
1.本发明属于无线测距技术领域，具体涉及一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备。


背景技术：

2.无线电测距是一种基于电磁波应用技术的测距方法。无线电测距即用无线电的方法测量距离，这是无线电定位导航的基本任务之一。无线电测距按其工作原理可分为三种：脉冲测距（也称时间测距）、相位测距和频率测距。为了满足高精度的位置估计及导航等领域的应用要求，诸多场景要求能够通过无线测距的方法获取高精度的测距信息。
3.超宽带（ultra wide band，uwb）是一种脉冲无线电通讯技术，通过记录飞行时间戳可以实现两个不同uwb设备，即uwb标签和uwb基站之间的测距。与传统测距技术相比，uwb具有穿透力强、功耗低、抗多径效果好、安全性高、系统复杂度低等多个优点，具有厘米级的精确测距能力。uwb芯片内存在有多种信道特征和相关参数，可用于表征真实测距值和测距误差值之间的内在关系。
4.理论上利用uwb技术进行无线测距可以获取到毫米级测距信息，在较为理想的环境中实际应用uwb技术进行无线测距时，通常可以达到厘米级的视距误差精度。但在普遍情况下，由于环境因素等影响因素，在测量过程中导致uwb的无法保证厘米级的视距误差精度。


技术实现要素：

5.为解决上述问题，本发明公开了一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备，可以有效进行uwb测距误差的消除，并适用于多种需要应用uwb进行无线测距的场景，有助于大幅度提升基于uwb的测距定位精度。
6.为达到上述目的，本发明的技术方案如下：一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备，该算法通过卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法共同实现uwb测距误差补偿；所述的设备为uwb标签和uwb基站，要求二者的高精度位置坐标为已知；其中，所述的uwb基站要求能获取其uwb芯片内的全部信道特征和相关参数；所述的迁移学习算法所需的源域数据集和目标域数据集皆可通过uwb标签和uwb基站完整采集；所述的源域数据集和目标域数据集均包括，uwb测距值，uwb信道特征和uwb基站与标签之间的真实距离；所述的卡尔曼滤波算法用于进行源域测距数据集和目标域测距数据集的数据预处理；所述的神经网络算法用于通过uwb信道特征构建误差预测模型：通过特征选择，将筛选后的uwb信道特征作为神经网络模型输入，并构建误差预测模型；将源域测距数据集中
的真实距离与uwb测量距离的误差值作为模型预训练的训练标签；将目标域测距数据集中的真实距离与uwb测量距离的误差值作为模型迁移训练的训练标签。
7.所述的注意力机制算法用于对神经网络模型的各输入特征进行重新打分，将与目标输出重要的特征进行突出，对无用特征或相关度较低的特征进行弱化，提升神经网络模型的性能；所述的迁移学习算法用于基于知识迁移，使该算法能够适用于各种任务场景下的uwb测距误差补偿；其中，所述的测距误差补偿算法具体实现步骤包括：步骤1，源域数据采集与预处理：采集源域测距数据集，并使用卡尔曼滤波算法进行源域数据预处理；步骤2，搭建神经网络模型并预训练权重：1）提取uwb信道特征并利用各信道特征与实际测距误差的皮亚诺相关系数进行特征选择，剔除与测距误差相关性较低的信道特征；2）基于uwb信道特征搭建引入注意力机制的神经网络误差预测模型，包括输入层、注意力层、特征提取层和输出层；3）利用源域数据集，将筛选出的uwb信道特征输入模型中，进行误差预测模型的预训练，得到预训练权重；步骤3，目标域数据采集与预处理：采集目标域测距数据集，并使用卡尔曼滤波算法进行目标域数据预处理；步骤4，迁移学习与测距误差补偿：选择与输入预训练模型一致的uwb信道特征输入于误差预测模型中，在目标域数据集上加载预训练权重，对模型重新进行迁移训练，借助注意力层对输入特征进行重新评估并微调特征提取层权重，通过迁移学习得到良好的uwb测距误差预测值，进而完成对uwb的原始测距值的补偿。
8.本发明的有益效果是：本发明提出的一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备，该算法通过卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法共同实现uwb测距误差补偿；所述的设备为uwb标签和uwb基站，要求二者的高精度位置坐标为已知。通过uwb标签和uwb基站应用无线测距技术可以采集该uwb测距误差补偿算法所需的完备数据集。利用占用资源少与实时速度快且适用于连续变化系统的卡尔曼滤波算法，进行原始数据预处理。提取uwb芯片内存放的多种信道特征，利用神经网络去高效学习uwb信道特征与uwb测距误差的复杂关系。利用注意力机制对神经网络模型的各输入特征进行重新打分，将与目标输出重要的特征进行突出，对无用特征或相关度较低的特征进行弱化，引入该机制更有利于神经网络模型性能的提升。利用迁移学习算法用于基于知识迁移，使该uwb测距误差补偿算法能够适用于各种基于uwb无线测距任务场景下的测距误差补偿。为了满足高精度的位置估计及导航等领域的应用要求，诸多场景要求能够通过无线测距的方法获取高精度的测距信息。本发明可以有效进行uwb测距误差的消除，并适用于多种需要应用uwb进行无线测距的场景，有助于大幅度提升基于uwb的测距定位精度。
附图说明
9.图1为本发明提出的uwb测距误差补偿算法整体示意图。
10.图2为本发明提出的uwb测距误差补偿算法整体流程示意图。
具体实施方式
11.下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
12.如图所示，本发明所述的一种基于注意力机制和迁移学习的uwb测距误差补偿算法，该算法包括卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法，该算法采用能获取自身高精度位置坐标的uwb标签及uwb基站进行数据采集，首先在源域数据集上进行预训练，得到预训练权重，再在目标域数据集上加载预训练权重并进行训练，实现模型迁移，得到误差预测值，对uwb标签与uwb基站的距离误差进行补偿与消除。
13.其中所述的采用能获取自身高精度位置坐标的uwb标签及uwb基站进行数据采集，要求uwb标签及uwb基站的高精度位置坐标为已知，要求能获得uwb标签与uwb基站的距离测量信息，以及uwb基站的全部信道特征和相关参数；数据采集包括源域数据集采集和目标域数据集采集。该算法通过卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法共同实现uwb测距误差补偿；所述的设备为uwb标签和uwb基站，要求二者的高精度位置坐标为已知。
14.本发明所述的一种基于注意力机制和迁移学习的uwb测距误差补偿算法，通过卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法共同实现uwb测距误差补偿；其中，使用卡尔曼滤波算法预处理迁移学习所需的源域数据集与目标域数据集中的原始数据；使用神经网络算法构建基于uwb信道特征的误差预测模型；使用迁移学习算法，使误差预测模型能够基于知识迁移，更好的与更高效的学习uwb信道特征中的相似信息；使用注意力机制算法，使误差预测模型能够通过注意力机制，在迁移学习的模型微调阶段，对输入特征进行重新评估，更好地学习不同环境下的uwb信道特征的差异性。
15.其中，神经网络模型，输入为uwb基站的信道特征，输出为测距误差的预测值，网络模型分为输入层、注意力层、特征提取层与输出层，训练标签为真实距离与uwb距离测量的误差值；其中，真实距离由uwb标签及uwb基站的二者的高精度位置坐标计算得出。
16.所述的迁移学习算法所需的源域数据集和目标域数据集均包括：uwb测距值，uwb信道特征和uwb基站与标签之间的真实距离；该源域数据集和目标域数据集均由所述的uwb测距误差补偿设备进行完整采集。
17.所述的迁移学习算法分为预训练阶段和迁移训练阶段；在预训练阶段使用源域数据集进行误差预测模型的预训练，得到预训练权重；在迁移训练阶段加载预训练权重，使用目标域数据集进行误差预测模型的迁移训练。
18.所述的注意力机制用于配合迁移学习算法在预训练阶段和迁移训练阶段对误差预测模型的输入层特征的相关性与重要性进行重新评估，提升模型的误差预测性能。
19.其中，所述的测距误差补偿算法具体实现步骤包括：步骤1，源域数据采集与预处理：采集源域测距数据集，并使用卡尔曼滤波算法进行源域数据预处理；步骤2，搭建神经网络模型并预训练权重：1）提取uwb信道特征并利用各信道特征与实际测距误差的皮亚诺相关系数进行特征选择，剔除与测距误差相关性较低的信道特征；2）基于uwb信道特征搭建引入注意力机制的神经网络误差预测模型，包括输入层、注意
力层、特征提取层和输出层；3）利用源域数据集，将筛选出的uwb信道特征输入模型中，进行误差预测模型的预训练，得到预训练权重；步骤3，目标域数据采集与预处理：采集目标域测距数据集，并使用卡尔曼滤波算法进行目标域数据预处理；步骤4，迁移学习与测距误差补偿：选择与输入预训练模型一致的uwb信道特征输入于误差预测模型中，在目标域数据集上加载预训练权重，对模型重新进行迁移训练，借助注意力层对输入特征进行重新评估并微调特征提取层权重，通过迁移学习得到良好的uwb测距误差预测值，进而完成对uwb的原始测距值的补偿。
20.本发明提出的一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备，该算法通过卡尔曼滤波、神经网络模型、注意力机制和迁移学习算法共同实现uwb测距误差补偿；所述的设备为uwb标签和uwb基站，要求二者的高精度位置坐标为已知。通过所述的设备可以采集该uwb测距误差补偿算法所需的完备数据集。利用卡尔曼滤波算法进行原始数据预处理。利用神经网络模型以uwb信道特征输入学习其与uwb测距误差的表述关系。利用注意力机制对神经网络模型的各输入特征进行重新打分，将与目标输出重要的特征进行突出，对无用特征或相关度较低的特征进行弱化，以此提升神经网络模型的性能。利用迁移学习算法用于基于知识迁移，使该uwb测距误差补偿算法能够适用于各种基于uwb无线测距任务场景下的测距误差补偿。
21.综上，本发明所提出的一种基于注意力机制和迁移学习的uwb测距误差补偿算法与设备，可以有效进行uwb测距误差的消除，并适用于多种需要应用uwb进行无线测距的场景，有助于大幅度提升基于uwb的测距定位精度。
22.需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。