使用无监督机器学习的 TDoA UWB 室内定位误差缓解
机器学习
2024-04-11 v1
摘要
基于超宽带 (UWB) 技术的室内定位系统因其能够提供厘米级定位精度而日益受到认可。然而，这些系统经常遇到由密集多径衰落引起的挑战，从而导致定位误差。为了解决这一问题，在本文中，我们提出了一种使用深度嵌入聚类 (DEC) 进行无监督锚节点选择的新方法。我们的方法在聚类之前使用自编码器 (AE)，从而更好地将 UWB 特征分离为可分离的 UWB 输入信号聚类。我们进一步研究了如何根据聚类质量对这些聚类进行排序，使我们能够移除不可信的信号。实验结果表明了我们提出方法的有效性，与不排除锚节点相比，平均绝对误差 (MAE) 显著降低了 23.1%。特别是在密集多径区域，我们的算法实现了更显著的提升，与不排除锚节点相比，MAE 降低了 26.6%，第 95 百分位误差降低了 49.3%。
引用
@article{arxiv.2404.06824,
title = {Error Mitigation for TDoA UWB Indoor Localization using Unsupervised Machine Learning},
author = {Phuong Bich Duong and Ben Van Herbruggen and Arne Broering and Adnan Shahid and Eli De Poorter},
journal= {arXiv preprint arXiv:2404.06824},
year = {2024}
}
备注
5 pages, 3 figures, 3 tables, 14 references