基于改进SHKF算法的UWB_IMU组合定位方法.pdf

第32卷第1期 中国惯性技术学报 Vol.32 No.1 2024 年 01 月 Journal of Chinese Inertial Technology Jan.2024 收稿日期：收稿日期：2023-07-20；修回日期：修回日期：2023-11-07 基金项目：基金项目：国家自然科学基金（62173261）作者简介：作者简介：黄卫华（1987），女，副教授，硕士生导师，从事室内组合定位研究。文章编号：文章编号：1005-6734(2024)01-0034-08 doi.10.13695/ki.12-1222/o3.2024.01.005 基于改进基于改进 SHKF 算法的算法的 UWB/IMU 组合定位方法组合定位方法 黄卫华，梅宇恒，章 政，赵广营，刘思贤（武汉科技大学 信息科学与工程学院，武汉 430081）摘要：摘要：针对复杂环境下超宽带（UWB）无线定位系统存在非视距（NLOS）及随机误差的问题，提出一种基于改进 Sage-Husa 卡尔曼滤波算法（SHKF）的 UWB/IMU 组合定位方法。首先，设计了一种基于概率密度的提升树，将 UWB/IMU 特征数据的概率分布密度引入提升树的损失函数中，鉴别出 NLOS信号；然后，设计了一种改进 SHKF 算法，根据新息变化趋势定义自适应因子，实时调整对新息误差修正的策略以调节历史噪声对当前定位的影响，进而提升 UWB/IMU 组合定位的稳定性和精度。实验结果表明，所提方法将 NLOS 信号鉴别精度提升至 99.12%，定位均方根误差降低至 4.30 cm，提升了复杂环境下 UWB/IMU 组合系统定位精度。关关 键键 词：词：非视距；Sage-Husa 卡尔曼滤波；UWB/IMU 组合定位；提升树 中图分类号：中图分类号：U666.1 文献标志码：文献标志码：A UWB/IMU combined positioning method based on improved SHKF algorithm HUANG Weihua,MEI Yuheng,ZHANG Zheng,ZHAO Guangying,LIU Sixian(School of Information Science and Engineering,Wuhan University of Science and Technology,Wuhan 430081,China)Abstract:In view of the problem of non-line of sight(NLOS)and random error in ultra-wide band(UWB)wireless positioning system in complex environment,a UWB/IMU combined positioning algorithm based on improved Sage-Husa Kalman filter(SHKF)is proposed.First,a boosting tree based on probability density is designed,and the NLOS signals is identified by introducing the probability distribution density of UWB/IMU collected feature data into the loss function of the boosting tree.Then,an improved SHKF algorithm is designed to define an adaptive factor according to the changing trend of innovation,and adjust the strategy of correcting the error of innovation in real time to adjust the influence of historical noise on the current positioning,so as to improve the stability and accuracy of UWB/IMU combined positioning.The experimental results show that the NLOS signal identification accuracy of the proposed method is up to 99.12%,and the root mean square error of positioning is reduced to 4.30 cm,which improves the positioning accuracy of UWB/IMU integrated system in complex environment.Key words:non-line of sight;Sage-Husa Kalman filter;UWB/IMU combined positioning;boosting tree 超宽带（Ultra-Wide Band,UWB）定位技术因其定位精度相对较高、信号功耗相对低且抗多径效应较好等特性，被广泛应用于室内定位、体育运动、智能制造等领域1-3。惯性测量单元（Inertial Measurement Unit,IMU）仅使用内部惯性信息，具有不易受外部环境影响、可提供即时相对位置信息等特点4-6。在复杂的环境下，UWB/IMU 组合定位方法既可利用 IMU 不易受环境干扰的特点，修正易受复杂环境干扰的 UWB 信号；也可利用 UWB 的绝对位置信息消除 IMU 由于随机游走与温度漂移造成的累积误差7,8。同时，UWB 定位系统不可避免地会遇到非视距（Non-line of Sight,NLOS）场景，且存在因信号波动或扰动而产生的随机第1期 黄卫华等：基于改进SHKF算法的UWB/IMU组合定位方法 35 误差，使得 UWB/IMU 定位精度下降9。因此，研究鉴别 NLOS 信号，以及确定 UWB/IMU 传感器数据的组合定位方法具有重要意义。目前，许多学者采用机器学习的方法对 UWB 采集的测距信号进行分类鉴别。文献10同时分析 UWB信号总功率与首径功率，构建深度学习模型，以鉴别出 NLOS 环境下的 UWB 基站测距数据。文献11以UWB 的信号强度和距离估算值作为输入特征，分别比较几种不同机器学习算法对 NLOS 信号鉴别的效果。文献12以 NLOS 环境下的误差序列作为输入，通过反向传播神经网络建立误差改进模型，改正预测得到标签的误差值。文献13以 UWB 波形信息作为特征，基于 python 的 Scikit-learn 库，使用支持向量机（Support Vector Machine,SVM）、随机森林与神经网络三种机器学习鉴别 NLOS 信号。在实际场景中，UWB 测距信号与室内障碍物的分布信息密切相关，测距信号的特征与标签映射关系的不确定性会影响机器学习的效率。此外，在 UWB 测距信号采集过程中，不可避免会出现噪声，直接对 UWB 测距信号进行鉴别，会影响鉴别 NLOS 信号的准确性。Sage-Husa 卡尔曼滤波（Sage-Husa Kalman Filter,SHKF）算法是一种用于状态估计的滤波算法，具有应用灵活性高、估计结果准确性强等优点。文献14通过陀螺仪信息建立状态方程，通过加速度计与磁力计的信息建立量测方程，采用 SHKF 算法将陀螺仪、加速度计与磁力计组合以获取无人机的航姿信息。文献15以 SHKF 为基础，采用渐消因子进行动态调整，将捷联惯导系统与多普勒计程仪组合，提升了多普勒计程仪量测信息异常情况下的导航精度。对于 UWB/IMU组合定位而言，传感器自身缺陷会引起如随机误差、温度漂移等噪声类型与幅值多变的问题，导致UWB/IMU 定位的新息误差产生随机性的异常值，从而 SHKF 算法对 UWB 与 IMU 噪声协方差估计值的准确性降低。由于历史噪声的影响，当两者均产生较大误差时，SHKF 算法无法将 UWB/IMU 组合定位系统的定位估计值与实际值的偏差及时消除，甚至滤波器会逐渐失去估计作用。鉴于上述情况，本文在实现基于概率密度提升树的 NLOS 信号鉴别方法的基础上，提出了一种改进SHKF 的 UWB/IMU 组合定位方法。首先，将UWB/IMU 特征数据的概率密度函数引入提升树的损失函数中，对 NLOS 信号进行鉴别。然后，为了降低历史噪声对当前定位的影响，在 SHKF 算法中引入渐消因子，修改临近量测数据的权值，并定义表示新息变化趋势的自适应因子，自动调整用于补偿新息误差所采用的策略，从而提升 SHKF 算法的准确性和稳定性。1 基于概率密度提升树的1 基于概率密度提升树的 NLOS 信号鉴别方法 信号鉴别方法 提升树算法是以决策树为基学习器，采用加法模型和前向分布算法的提升方法，具有模型简便、训练数据量少的优点。在复杂环境下，UWB 测距存在的NLOS 问题影响 UWB/IMU 定位精度，采用提升树对UWB 信号进行鉴别，可以提升 UWB 传感器定位数据的质量。同时，考虑到提升树中训练数据特征属性与训练效率的关联性，为了细化 UWB/IMU 特征数据属性，提高提升树的训练效率，将 UWB/IMU 采集的特征数据进行统计分析，把所得特征数据的分布密度引入提升树中。基于概率密度提升树的 NLOS 信号鉴别方法如图 1 所示。图 1 基于概率密度提升树的 NLOS 信号鉴别方法 Fig.1 NLOS signal identification method based on probability density boosting tree 1.1 UWB/IMU 数据特征选取 一般而言，可由 UWB 的信道信息与量测信息鉴别出 NLOS 信号。当出现 NLOS 情况时，UWB 信号功率会产生显著变化，因此选取信号功率估计偏差作为特征一；此外，由于 IMU 定位属于无信标定位，不易受 NLOS 环境干扰，解算 UWB 标签与 UWB 基站的距离以及 IMU 传感器与 UWB 基站的距离，通过比36 中国惯性技术学报 第 32 卷 较这两者的差值判断 UWB 测距数据的情况，并将其作为特征二。特征一1T与特征二2T分别表示为：PowerPower1TRxFp (1)IUUU2TDisDis (2)其中，PowerRx表示 UWB 信号接收估计功率；PowerFp表示 UWB 首径信号计算估计功率；IUDis表示 IMU传感器与 UWB 基站的距离；UUDis表示 UWB 标签与UWB 基站的距离。定义特征向量T12TTT，则含有N组训练数据的集合Sd为：12TT,1,2NiiiBiNSdSdSdSdSdT (3)其中，iT、iB分别表示第i组数据集的特征向量与其标签；iSd表示第i组数据。设置标签为：1NLOS1LOSiiiBSdSd 1.2 基于概率密度提升树的构建 1）融合概率密度的损失函数定义 当UWB传感器采集的数据出现噪声时，特征值方差大的数据难以与标签映射，导致采用提升树对UWB信号进行特征分类时，难以鉴别出NLOS信号。通过在损失函数中融入UWB/IMU特征数据的分布密度，进而细化特征数据属性，提高提升树的学习效率。假设前m次迭代产生的决策树所构建的提升树模型mTr为：1kmmmimTrGTTr (4)其中，()kmiGT表示以特征值向量iT中的第k（1k 或2）个特征为切分点的第m次迭代产生的决策树；m表示其权重系数。设以特征值kiT为切分点的第m次迭代的概率密度函数()kmip T为：1/21/1log()max(1,)()()log()1(),kikiTkkmiiNmiNkiTkNiiGTBpTTTTTN其他 (5)其中，kiT表示每个特征点的分离程度；1/N表示特征集的方差；()kmiiG TB表示以特征值kiT为切分点时，信号鉴别错误的情况；T表示特征集的平均值。第m次迭代的累积概率密度函数为：11()mJkkJmmimimiPpTpTP (6)将式(6)引入提升树的损失函数，则有：(,)imB TrJimmL B TrP e (7)2）决策树的构建 每一轮迭代都以求解损失函数的极小值为目标产生决策树，进而不断提升模型的准确性，即解算出()kmiGT与m：1,argmin,NkmimimiGTL B Tr=(8)联立式(4)以及式(6)式(8)，则有：1,argminkimmiNBGTkkmimmimiiGTw pTe=(9)其中，1()1()imB TrJmimwPeTT表示第m次迭代的训练特征数据kiT的权重。初始化时11/iwN，1()1kip T。根据式(9)可得miw的迭代公式为：()1(1)1()kimmiBGTkmimimimimiNmiiwpTwewww (10)其中，miw表示归一化过后的权重miw。考虑到UWB信号鉴别可以表示为鉴别正确情况与错误情况的组合形式，则可将式(9)极小化的损失函数重新整理为：,argminmkimimkimikkmimmimiBGTkmimiBGTGTw pTew pTe=(11)其中，()kimiBG T表示以特征值iT为切分点时，信号鉴别正确的情况。根据极值判别式，式(11)对m求一阶导并令其等于0，则可以解算出m：1ln2kimikimikmimiBGTmkmimiBGTw pTw pT (12)为了方便算法迭代，采用分类误差率代替损失函数来选择切分点，分类误差率的定义为：()()kimikmmimiBGTew pT 选择分类误差率最低的切分点iT，得到第m次迭代产生的决策树为：第1期 黄卫华等：基于改进SHKF算法的UWB/IMU组合定位方法 37 11,211,2kjikmikjiTTjNGTTTjN (13)将UWB测距数据经过基于概率密度提升树分类后，将鉴别为NLOS的信号剔除，并利用鉴别为LOS的信号构建UWB定位模型，进而用于UWB/IMU组合定位。2 基于改进2 基于改进 SHKF 的的 UWB/IMU 组合定位算法 组合定位算法 UWB/IMU组合定位时，SHKF算法通过指数衰减法修正UWB的噪声协方差矩阵，弥补模型估计结果与实际定位结果的误差，但这一效果会随时间逐渐减弱。考虑到传感器受到的噪声类型与幅值多样且多变，导致SHKF算法易产生滤波发散的现象，本文设计了一种改进的SHKF算法。为了防止历史UWB和IMU数据噪声对当前新息误差的修正产生负面影响，将新息误差分成两部分：其一采用指数衰减法，降低当前量测数据对噪声协方差的影响；其二采用变窗口长度的加权平均法，解算出渐消因子以增强临近量测对预测协方差矩阵的影响。同时，设计表征新息误差变化趋势的自适应因子，实时调整采用指数衰减法与加权平均法对新息误差调整的占比，达到跟随噪声变化的目的。2.1 UWB/IMU定位模型 UWB定位模型根据环境建立坐标系，采用多个基站与单个标签得到UWB标签与基站的绝对位置信息，称为全局定位16；IMU定位模型根据自身运动建立坐标系，基于加速度计与陀螺仪的数据得到IMU相对于自动导航车（Automated Guided Vehicle,AGV）的位置信息，称为局部定位。令搭载UWB与IMU定位模块的AGV面向x方向行驶，其法线方向为y方向。设k时刻系统的状态向量syskX为：sysT,pxpyvxvykkkkkXXXXX 其中，pxkX、pykX分别表示k时刻全局坐标系x、y方向的位移；vxkX、vykX分别表示x、y方向的速度。对于UWB定位系统，采用双向双边测距法得到UWB三个基站与标签的距离1UUDis、2UUDis、3UUDis。在此基础上，通过三边定位法，求解以UWB基站为圆心、三边距离为半径的定位方程组UWBpfun为：221U1U1UUUWBp222U2U2UU223U3U3UU()()()()()()pxxpyypxxpyypxxpyyXOXODisfunXOXODisXOXODis(14)其中，UxjO、UyjO分别表示UWB基站 j 在全局坐标系下的横坐标与纵坐标。根据式(14)解算出k时刻的UWB定位坐标，并依据1k时刻UWB的坐标信息解算出速度信息，UWB的定位模型1f为：UWBp111(,)()()()pxpykkkpxpxvxkkkpypyvykkkXXsolve funXXfXdtXXXdt (15)其中，()solve 表示对函数求解；UWBpkfun表示k时刻UWB的定位方程dt为相邻时刻的时间间隔。对于IMU定位系统，设1k时刻至k时刻局部坐标系x、y方向的加速度分别为xka、yka，偏航角角速度为yawk，俯仰角角速度为pitchk，则k时刻的总加速度IMUka、偏航角yawk与俯仰角pitchk分别为：IMU22yawyawyaw1pitchpitchpitch1()()xykkkkkkkkkaaadtdt (16)得到IMU定位模型2f为：112112yawpitch2yawpitchyawpitchyawpitch100010001000011coscos21sincos2coscossincospxpxkkpypykkvxvxkkvyvykkkkkkkkkkXXdtXXdtfXXXXdtdtdtdtIMUka (17)2.2 改进的SHKF算法设计 1）SHKF算法 将UWB量测信息作为量测更新、IMU量测信息作为预测更新，根据UWB定位模型1f和IMU定位模型2f，设k时 刻UWB定 位 建 模 方 程 为sysUWB11(,)kkkffXrr，IMU定 位 建 模 方 程 为sysIMU12(,)kkkffXqq。其中，kr与kq分别为k时刻UWB、IMU传感器的噪声，表达式为：2yawpitchdisdis2yawpitchdisyawpitchdisyawpitch1cos()cos21sin()cos,2/cos()cos/sin()cosakkakkkkakkakkdtdtdtdtdtdtdtdtdtdtrq 38 中国惯性技术学报 第 32 卷 其中，dis为UWB的定位误差；a为加速度计在x、y方向上偏移的矢量和；为偏航角角速度偏移；kr与kq的协方差分别为TkkkQq q与TkkkRr r。由此可得系统的状态方程与观测方程分别为：syssysIMU1sysUWB1(,)(,)kkkkkkffXXqZXr (18)其中，kZ为k时刻系统的量测向量。卡尔曼滤波器的预测更新与量测更新为：syssys|1IMU1|1(,)k kkkkfXXq (19)T|11|11k kkkkkkPF PFQ (20)T|1T|11()k kkkkk kkkPHKH PHR (21)syssyssys|1|1()k kk kkkkk kXXKZH X (22)|4 4|1()k kkkk kPK H PI (23)其中，sys|1k kX为k时刻状态估计向量；sys1|1kkX为1k时刻的最优输出状向量阵；kF为sysIMU1|1(,)kkkfXq在sys|1k kX处的雅可比矩阵；|1k kP为k时刻预测误差协方差；kK为卡尔曼增益矩阵；kH为sysUWB1(,)kkfXr在sys|1k kX处的雅可比矩阵。定义k时刻的新息误差与新息误差协方差分别为：sys|1kkkk kEZH X (24)TT|1kkkkkk kkCE ERH PH (25)由式(25)可知，若能准确估计新息协方差kC，就能推算出量测噪声协方差kR。SHKF算法通过指数衰减法估计当前的新息误差为：1T1kRkkk ik iidCEE (26)其中，Rkd表示权重系数，1(1)/(1)Rkkdbb随时间指数衰减，逐渐趋近于1-b。b为固定常数，一般取0.90.99。根据式(25)和式(26)，可得SHKF算法UWB的噪声协方差矩阵为：TT1|1(1)()RRkkkkkkkk kkddRRE EH PH (27)2）渐消因子的解算 为了提升SHKF算法的稳定性，且为了解算方便，将渐消因子k引入式(20)，通过k修改临近量测数据在位置估计中的占比，即：T|11|11()k kkkkkkkPF PFQ (28)当k=1时，将SHKF算法的新息协方差与噪声协方差分别记为basekC、basekR，其协方差记为base|1k kP，则有：base|1|1kk kk ktrtrPP (29)其中，()tr 表示求矩阵的迹。分别联立式(25)、式(28)和式(29)，则k为:12T11basebaseT1()()()()kkkkkkkkktrtrHCRHHCRH (30)其中，2kC表示k时刻用于解算渐消因子k的新息协方差估计矩阵。为了简化渐消因子的计算，令k为：2basebasemax 1,kkkkktrtrCRCR (31)通过实时改变窗口长度，达到适应复杂环境下UWB/IMU传感器噪声变化的目的。设winkN为k时刻可变窗口长度，并令其与1k时刻的新息成正比，考虑到winkN不能过短，定义winkN为：winpos0max,kNkNNKE (32)其中，0N为常数，表示初始窗口长度；NK代表窗口winkN的比值常数；poskE表示定位误差，为k时刻的定位估计值与量测定位值的误差。根据可变窗口长度winkN，采用变窗口长度的加权平均法估计新息协方差矩阵。定义用于解算渐消因子k的新息协方差估计矩阵2kC为：win12Twin011kNkk ik iikNCEE (33)当新息误差大时，适当加宽窗口，削弱当前噪声的影响；当新息误差小时，适当减小窗口，降低SHKF算法的计算量。3）自适应因子的设计 为了同时保证SHKF算法的精度与稳定性，根据相邻时刻新息误差变化趋势，将噪声的突变程度划分为缓慢、中等、急速三种状态。根据不同的状态选择不同的新息误差修正策略，定义自适应因子k为：120222102210110122212122011kkkkkkkkkccccccccEEEEEEEE(34)其中，12kE表示1kE的二范数；0c、1c为划分新息误差变化趋势值的阈值。结合式(25)与式(33)，将新息误差分成自适应的两部分进行补偿，即新息协方差矩阵估计由1kC与2kC组成，改进SHKF算法的新息误差协方差矩阵为：12(1)kkkkkCCC (35)第1期 黄卫华等：基于改进SHKF算法的UWB/IMU组合定位方法 39 3 实测实验及结果分析 3 实测实验及结果分析 本文以载有UWB/IMU传感器的AGV为运动载体，搭建了室内环境下UWB/IMU定位的实验平台，验证本文所设计组合定位方法的可行性和有效性。实验场地尺寸为10 m 8 m 3.5m，放置三个UWB基站对UWB标签测距，分别通过DW1000、MPU6050模块采集UWB、IMU量测数据，采样频率分别为30 HZ与150 HZ。分别经过到达时间补偿（DW1000）、零偏修正（IMU6050）与滑动均值滤波后，IMU与UWB传感器参数如表1所示。表 1 传感器参数 Tab.1 Sensor parameters 传感器 参数 数值 陀螺仪 测量范围 250/s 分辨率 65.5 LSB/（/s）角速度偏移 0.0033/s 加速度计 测量范围 2 g 分辨率 16384 LSB/g 加速度偏移 0.0003 g UWB 定位范围 100 m 定位误差 0.15 m 测距误差 0.1 m 3.1 NLOS鉴别实验对比 将AGV放置在距离UWB基站5 m处，以无障碍物遮挡的情况模拟LOS场景，如图2所示。在距离UWB基站2.5 m处放置障碍物木板模拟NLOS场景，如图3所示。图 2 LOS 场景模拟 Fig.2 LOS scenario simulation 图 3 NLOS 场景模拟 Fig.3 NLOS scenario simulation 分别在上述NLOS与LOS场景下各采样60 s，采集数据特征分布如图4所示。随机选取75%的数据作为训练数据，剩下25%的数据作为测试数据。分别采用提升树与本文所设计的基于概率密度的提升树对UWB信号进行鉴别，设置迭代次数为50次，两种算法的鉴别结果如图5和图6所示。图 4 采集数据特征分布图 Fig.4 Collect data feature distribution map 图 5 提升树信号鉴别结果 Fig.5 Result of signal identification by boosting tree 图 6 基于概率密度提升树信号鉴别结果 Fig.6 Result of signal identification by boosting tree based on probability density 图5和图6中蓝色圆圈区域表示特征值交界处。由蓝色圆圈内信号的鉴别结果可知，提升树算法在NLOS与LOS数据特征值交界处的数据难以鉴别，而40 中国惯性技术学报 第 32 卷 基于概率密度的提升树算法提高了这部分数据鉴别的准确率。采用NLOS信号鉴别的准确率NNP、误识别率NLP作为性能指标，鉴别效果如表2所示。表 2 NLOS 信号鉴别效果 Tab.2 Performance of NLOS signal identification 鉴别算法 NNP NLP 提升树 97.37%2.63%本文算法 99.12%0.88%3.2 UWB/IMU组合定位实验 以UWB基站1为原点建立坐标系，坐标系单位为cm，UWB基站2与基站3的坐标分别为(700,0)、(0,500)。在(150,250)处，通过放置障碍物模拟NLOS环境，实验现场实际环境如图7所示。图 7 UWB/IMU 组合定位实验现场 Fig.7 Site of UWB/IMU combined positioning experiment AGV从(50,50)处出发，以0.5 m/s的速度匀速绕类矩形路线行驶一周。人为去除15 s17 s之间的UWB量测数据，模拟两个以上UWB基站的测距数据被鉴别为NLOS信号的情况。UWB与IMU采集的数据独立解算后，AGV的定位轨迹如图8所示。32S25s30s33.5s35.5s1s7s15s15s17sx轴位移/cmy轴位移/cm 图 8 UWB 与 IMU 独立的 AGV 定位轨迹 Fig.8 Independent AGV positioning trajectory of the UWB and IMU 图8中，粉色区域分别表示1 s7 s、25 s30 s、33.5 s35.5 s的AGV行驶区间，在此区间障碍物挡住了一个UWB基站的测距路线，导致UWB的定位随机误差增大；蓝色区域分别表示从15 s和32 s开始IMU定位数据误差增大；黄色区域表示从15 s至17 s出现UWB数据缺失情况。采用改进的SHKF算法分别与0k时的算法（SHKF0算法）以及1k时的算法（SHKF1算法）对比。上述算法的遗忘因子b均设为0.99，改进SHKF算法的初始窗口长度0N为10，比值常数NK为10，自适应因子k中阈值0c、1c分别为1和3.5。三种算法的AGV定位轨迹对比如图9和图10所示，对应的实时定位误差结果如图11所示，定位均方根误差（Root Mean Square Error,RMSE）的统计结果见表3。x轴位移/cmy轴位移/cm 图 9 改进 SHKF 与 SHKF0 算法的 UWB/IMU 组合定位轨迹对比 Fig.9 UWB/IMU combined location trajectory comparison between improved SHKF and SHKF0 x轴位移/cmy轴位移/cm 图 10 改进 SHKF 与 SHKF1 算法的 UWB/IMU 组合定位轨迹对比 Fig.10 UWB/IMU combined location trajectory comparison between improved SHKF and SHKF1 对应图8中UWB与IMU独立的AGV定位轨迹，从图9可知，粉色区域处由于UWB与IMU两个传感器的定位误差同时增大，通过SHKF0算法所估算出AGV的位置出现了较大偏差，且短时间内无法修正，而改进的SHKF算法引入了渐消因子，并通过自适应因子提升了渐消因子的作用，因此迅速修正了当前噪声，提高了AGV的定位精度。从图11可知，SHKF1算法引入渐消因子虽然提升了算法的稳定性，但自适应因子并未对渐消因子实时调整，所以SHKF1算法的定位轨迹平滑度较差，定位精度相对较低。第1期 黄卫华等：基于改进SHKF算法的UWB/IMU组合定位方法 41 时间/s定位误差/cm 图 11 SHKF0、SHKF1 与改进 SHKF 算法的实时定位误差 Fig.11 Real-time location error of SHKF0,SHKF1 and improved SHKF algorithm 由表3可得，与SHKF0和SHKF1算法相比，本文算法的x轴定位RMSE分别提升了5.97%、50.62%，y轴定位RMSE分别提升了26.49%、39.48%，定位RMSE分别提升了18.25%、44.58%。表 3 定位 RMSE 对比 Tab.3 Comparison of RMSE of positioning 融合算法 x 轴 RMSE y 轴 RMSE 定位 RMSESHFK0 算法 2.51 cm 4.19 cm 5.26 cm SHFK1 算法 4.78 cm 5.09 cm 7.76 cm 本文算法 2.36 cm 3.08 cm 4.30 cm 4 总 结 4 总 结 针对复杂环境下UWB的NLOS信号鉴别以及随机误差问题，本文提出一种基于改进SHKF算法的UWB/IMU组合定位方法。基于室内环境下UWB/IMU组合定位的AGV实验平台开展实验验证，实验结果表明：本文算法对NLOS信号鉴别的准确率为99.12%，定位均方根误差为4.30 cm。本文的主要结论如下：1）将UWB/IMU特征数据的分布密度融入提升树的损失函数中，细化了特征值的属性，提升了NLOS信号鉴别的准确率。2）根据新息误差的变化趋势提出一种具有自适应因子的改进SHKF算法，自适应调整渐消因子与权重系数对新息误差的修正，跟踪噪声类型与幅值的变化，进而提升UWB/IMU组合定位的精度。参考文献（参考文献（References）：）：1 Martinelli A,Dolfi M,Morosi S,et al.Ultra-wide band positioning in sport:How the relative height between the transmitting and the receiving antenna affects the system performanceJ.International Journal of Wireless Information Networks,2020,27:18-29.2 Barbieri L,Brambilla M,Trabattoni A,et al.UWB localization in a smart factory:Augmentation methods and experimental assessmentJ.IEEE Transactions on Instrumentation and Measurement,2021,70:1-18.3 Kim D H,Farhad A,Pyun J Y.UWB positioning system based on LSTM classification with mitigated NLOS effectsJ.IEEE Internet of Things Journal,2022,10(2):1822-1835.4 Zheng S,Li Z,Liu Y,et al.An optimization-based UWB-IMU fusion framework for UGVJ.IEEE Sensors Journal,2022,22(5):4369-4377.5 Naheem K,Kim M S.A low-cost foot-placed UWB and IMU fusion-based indoor pedestrian tracking system for IoT applicationsJ.Sensors,2022,22(21):8160.6 王岁儿，杨功流，王丽芬，等.一种 IMU 全零偏快速标定方法J.中国惯性技术学报，2020,28(03):316-322.Wang S,Yang G,Wang L,et al.A fast calibration method for the all biases of IMUJ.Journal of Chinese Inertial Technology,2020,28(03):316-322.7 You W,Li F,Liao L,et al.Data fusion of UWB and IMU based on unscented Kalman filter for indoor localization of quadrotor UAVJ.IEEE Access,2020,8:64971-64981.8 Krishnaveni B V,Reddy K S,Reddy P R.Indoor tracking by adding IMU and UWB using unscented Kalman filterJ.Wireless Personal Communications,2022,123(4):3575-3596.9 李旭，孔鑫，刘锡祥，等.基于交互多模型距离平滑的UWB/IMU 因子图组合导航方法J.中国惯性技术学报，2022,30(3):322-327.Li X,Kong X,Liu X,et al.UWB/IMU factor graph integrated navigation method based on interactive multi-model distance smoothingJ.Journal of Chinese Inertial Technology,2022,30(3):322-327.10 Olejniczak A,Blaszkiewicz O,Cwalina K K,et al.LOS and NLOS identification in real indoor environment using deep learning approachJ.Digital Communications and Networks,2023.11 Barral V,Escudero C J,Garca-Naya J A,et al.NLOS identification and mitigation using low-cost UWB devicesJ.Sensors,2019,19(16):3464.12 刘培原，王坚，盛坤鹏，等.非视距误差神经网络改正的超宽带定位模型研究J.导航定位与授时，2020,7(3):93-104.Liu P,Wang J,Sheng K,et al.Research on UWB positioning model corrected by non-line-of-sight error neural networkJ.Navigation Positioning and Timing,2020,7(3):93-104.13 Sang C L,Steinhagen B,Homburg J D,et al.Identif