基于人工神经网络的时间定位与指纹定位比较

高精度定位在工业物联网（IIoT）、医疗保健和娱乐等众多领域的各种用例中引起了极大关注。射频（RF）测量被广泛用于用户定位。然而，非视距（NLOS）和多径传播等恶劣无线电条件会降低定位精度。已有研究提出基于机器学习（ML）的估计器来克服这些挑战。射频测量可以通过多种方式用于定位，从而产生基于时间、基于角度和基于指纹的方法。然而，不同的方法对系统施加了不同的实现要求，并且在给定设置下的精度表现可能有所不同。在本文中，我们使用人工神经网络（ANN）来实现基于到达时间（ToA）和基于信道冲激响应（CIR）指纹的定位。我们基于真实世界的超宽带（UWB）测量，比较了它们在不同室内环境中的性能。我们首先表明，与基于时间定位的传统技术相比，使用 ML 技术有助于提高估计精度。在使用 ANN 比较基于时间和基于指纹的方案时，我们表明，就定位精度而言，不同环境下的最优方法是不同的，其精度不仅受无线电传播条件的影响，还受用于指纹定位的参考用户位置的密度和分布的影响。