UWB协同米微定位算法优化研究

HuldaGnodim

在全面迈入工业化4.0的今天，自动化设备、智能化系统、智能机器人以及大数据等领域，一直都处于不断的变革和更新中，尤其是在大数据及智能机器人领域，更是如火如荼。
在机器人研究领域当中，涉及到的机器人如何实现定位及跟踪的功能，目前已经存在很多定位技术来实现目标的定位与追踪，但是仅仅只应用一种定位技术来实现目标定位，会存在一些无法避免的缺点，无法满足日益复杂的室内环境定位需求。
因此，目前研究重点从单一定位向混合定位转变。通过综合不同定位算法的优势，弥补彼此算法存在的一些劣势，以此来实现更高精度的目标定位与跟随。
本课题主要是对基于超宽带（Ultra Wide Band，UWB）的到达时间差（Time Difference of Arrival，TDOA）的定位算法进行优化，对惯性测量单元（Inertial Measurement Unit，IMU）定位方法进行优化，并对两种优化算法融合方案来进行研究。
本课题首先概述了定位导航技术的部分应用场景以及当前行业内主要流行的几种定位导航技术，从UWB定位技术以及惯性导航技术出发，对这两种定位技术目前的国内外研究现状进行分析，同时对本研究所涉及到的基于UWB的TDOA定位技术进行分析研究，引入布谷鸟搜索（Cuckoo Search，CS）算法，最终选择CS算法结合泰勒级数展开算法对TDOA定位算法进行优化，实现TDOA定位优化算法，同时也对本研究所涉及到的惯性导航技术的基本理论进行简单的介绍，引入BP神经网络，在扩展卡尔曼滤波算法（Extended Kalman Filter，EKF）基础上，结合BP神经网络实现IMU数据的优化处理。
接着对融合系统整体方案进行设计分析以及实验仿真，其中包括：设计了TDOA定位数据优化算法流程并进行仿真分析、设计了IMU定位数据优化算法流程并进行仿真分析、设计了UWB融合IMU的系统方案设计及系统实验仿真分析。
结果表明本课题提出的TDOA-IMU融合算法可以有效降低NLOS误差，从而在复杂环境下提高定位精度。
关键词：到达时间差；超宽带；布谷鸟搜索算法；惯性测量单元；BP神经网络；扩展卡尔曼滤波；
专辑：信息科技
专题：电信技术