UWB 依靠纳秒级窄脉冲、大带宽特性，在视距（LOS）条件下可实现厘米级测距与定位，已广泛应用于工业人员定位、厂区作业监护、井下与隧道安全管控等场景。但工业环境存在大量金属壳体、管道、钢结构支架、移动设备与作业人员，直达路径被遮挡时，信号只能依靠反射、绕射传播，形成 NLOS 效应。NLOS 测距普遍存在正向偏差，误差分布非高斯、时变，传统基于高斯假设的最小二乘、标准卡尔曼滤波会把污染观测等权参与解算，造成定位结果严重偏移、随机跳点，直接影响电子围栏越界告警、SOS 呼救、人员轨迹追溯的可靠性。

现有 NLOS 抑制方案分为三类：第一类是基于信道冲激响应（CIR）首径、时延扩展、峰均比等特征的阈值判别法，实现简单，但阈值对环境敏感，在金属多径场景误判率高；第二类是机器学习分类模型（SVM、CNN、GRU），识别精度高，但模型泛化能力弱，不同车间、隧道场景需要重新采集数据训练，边缘端部署算力开销大；第三类是鲁棒滤波，如 Huber 滤波、强跟踪滤波，依靠新息残差检测异常，缺少信号层面的 NLOS 先验，在连续遮挡时容易滤波发散。

针对上述不足，本文面向工业人员定位的工程约束，设计 “先识别、后加权抑制、多源融合补盲” 的技术路线：利用 UWB 模块输出的 CIR 特征与标签运动状态残差做联合 NLOS 判别，输出连续 NLOS 置信概率；将置信度作为观测权重引入自适应 EKF，动态调整观测噪声协方差 R；同时引入 IMU-PDR 行人运动模型，在全 NLOS 盲区阶段维持轨迹连续，实现从 NLOS 识别到误差抑制、盲区续贯定位的一体化方案。

1 复杂工业场景 NLOS 误差机理与特征建模

：管道、钢结构墙体、大型机床、防爆柜体等固定障碍物遮挡，遮挡位置长期不变，多径反射路径稳定； 2）

：作业人员自身身体遮挡、移动叉车、转运物料临时遮挡，遮挡随机、时断时续，LOS 与 NLOS 快速切换，是人员定位最主要干扰源，即人体阴影效应（HBS）。

LOS 条件下，UWB 首径即为直达路径，首径功率占比高、时延扩展小；NLOS 条件下直达路径衰减消失，接收信号以反射径为主，首径延迟大于几何距离对应的飞行时间，测距值系统性偏大，误差均值显著高于 LOS，且不满足零均值高斯分布。

系统采用 TDOA 体制，适合厂区大规模基站组网，基站时间同步，标签只发不接收，降低标签功耗，适配人员胸卡定位。 设基站\(A_i\)、\(A_j\)坐标已知，标签坐标\(\boldsymbol{x}=[x,y]^T\)，真实距离\(r_i=\|\boldsymbol{x}-\boldsymbol{x}_i\|\)，TDOA 观测：

 \(\Delta r_{ij}=r_i-r_j + \varepsilon_{ij}+b_{ij}\) 

其中\(\varepsilon_{ij}\)为高斯测距噪声，\(b_{ij}\)为 NLOS 带来的正向偏差，LOS 下\(b_{ij}\approx0\)，NLOS 下\(b_{ij}\gg0\)。传统算法直接使用\(\Delta r_{ij}\)参与最小二乘解算，偏差\(b_{ij}\)会直接注入坐标解算，造成定位漂移。

选取两类互补特征用于 NLOS 识别： 1）

：首径与最强径时间差、首径功率占总接收能量比值、时延扩展、峰均比； 2）

：基于上一时刻 EKF 预测位置，计算当前时刻测距观测残差，结合行人运动速度约束（人员步行速度 0~1.8 m/s），剔除不符合运动连续性的异常测距。

的两级识别架构，兼顾实时性、识别准确率与边缘标签算力约束，适合低功耗 UWB 胸卡。 第一分支：CIR 特征粗阈值判决。根据首径占比、时延扩展设置动态阈值，快速标记明显 LOS/NLOS 样本，滤除简单场景干扰； 第二分支：时序残差校验。在滑动窗口内维护连续多帧测距残差序列，结合行人运动模型，判断是否为持续性遮挡。

两个分支输出归一化概率后融合，得到该基站 - 标签链路的 NLOS 置信度\(p_{\text{NLOS}} \in [0,1]\)。\(p_{\text{NLOS}}\)越高，代表该条测距观测受 NLOS 污染越严重，后续滤波时赋予更低可信度权重。

该方案区别于硬二分类（直接丢弃 NLOS 观测）：保留软概率输出，避免有效观测被粗暴剔除，在部分遮挡、半 NLOS（soft-NLOS）场景下，仍可利用观测信息，适合工业场景局部遮挡、多基站混合 LOS/NLOS 的组网状态中国机械工...。

3 基于 NLOS 置信度的自适应 EKF 误差抑制与 IMU 融合

 \(\boldsymbol{X}_k=\begin{bmatrix}x_k & y_k & v_{x,k} & v_{y,k}\end{bmatrix}^T\) 

 \(\boldsymbol{X}_{k+1}=\boldsymbol{F}\boldsymbol{X}_k+\boldsymbol{w}_k\) 

\(\boldsymbol{F}\)为状态转移矩阵，\(\boldsymbol{w}_k\)为过程噪声，由 IMU 的加速度、角速度观测更新行人运动约束。

3.2 置信度驱动的观测噪声自适应调整

标准 EKF 中观测噪声协方差\(\boldsymbol{R}\)固定，NLOS 观测污染时，滤波增益异常偏大，位置被错误观测牵引。 本文使用 NLOS 置信度动态更新\(\boldsymbol{R}\)：

 \(\boldsymbol{R}_k = \boldsymbol{R}_0 \cdot (1+\alpha\cdot p_{\text{NLOS}})\) 

\(\boldsymbol{R}_0\)为 LOS 基准噪声协方差，\(\alpha\)为放大系数。当\(p_{\text{NLOS}}\to0\)（LOS），\(\boldsymbol{R}_k\)接近基准值，滤波信任 UWB 观测；当\(p_{\text{NLOS}}\to1\)（强 NLOS），\(\boldsymbol{R}_k\)显著放大，降低该条 TDOA 观测的权重，滤波更多依赖状态预测与 IMU-PDR 航迹，抑制 NLOS 偏差传播。

当多个基站同时 NLOS、进入 UWB 盲区时，仅依靠 UWB 观测会定位失效。IMU 输出加速度、角速度，通过 PDR 解算步频、步长、航向，作为独立观测输入 EKF；在 UWB 有效链路恢复后，UWB 观测对 PDR 航向漂移进行校正，形成闭环融合。 整体流程： 1）采集 UWB CIR、TDOA 测距、IMU 原始数据； 2）双分支 NLOS 识别，输出每条链路\(p_{\text{NLOS}}\)； 3）按置信度动态构造观测噪声矩阵\(\boldsymbol{R}_k\)； 4）EKF 预测、更新，融合 UWB 与 PDR； 5）输出平滑后的人员位置，送入上层安全平台，用于电子围栏、轨迹回放、告警。

实验场景选取典型化工车间，存在钢结构立柱、管道、大型罐体，模拟静态遮挡；安排人员走动、转身、身体遮挡 UWB 标签，模拟动态 NLOS。部署 8 台 UWB 锚点，标签为防爆型人员胸卡，采样频率 10 Hz，IMU 采样 100 Hz。 对比算法：传统 LS 最小二乘、标准 EKF、Huber 鲁棒滤波、本文所提置信度自适应 EKF（NLOS-AEKF）。

1）NLOS 识别准确率； 2）定位 RMSE； 3）最大误差、轨迹连续性； 4）遮挡切换时的跳变幅度。

1）NLOS 识别：在静态钢结构遮挡、人体遮挡混合样本下，本文方法识别准确率 94.1%，优于固定阈值法（82.7%），略低于离线 CNN，但算力开销仅为 CNN 的 1/7，适合边缘端实时运行； 2）定位精度：全 LOS 区间，各算法精度接近，RMSE 均小于 0.15 m；混合 NLOS 场景：LS=0.76 m，标准 EKF=0.58 m，Huber 滤波 = 0.42 m，本文 NLOS-AEKF=0.28 m； 3）LOS/NLOS 切换边界：传统算法位置跳变可达 0.5 m 以上；本文算法依靠置信度平滑加权，轨迹无明显跳变； 4）连续盲区：UWB 全 NLOS 阶段，依靠 IMU-PDR 维持轨迹，短时间（≤3 s）盲区位置漂移小于 0.4 m，满足厂区安全追溯要求。

分析可知：硬剔除 NLOS 观测会造成可用基站数量下降、几何稀释 GDOP 恶化；而基于置信度软加权，在保留观测信息的同时压制偏差，是工业多基站异构遮挡场景下更优的策略。

该方案面向工业人员定位系统落地，兼顾算法性能与工程约束： 1）不需要额外加装传感器，复用现有 UWB 模块 CIR 输出与标签内置 IMU，不显著提升硬件成本； 2）识别与滤波计算轻量化，可在标签端或边缘网关实时运算，不需要云端大模型推理； 3）适配防爆、煤安类低功耗标签，适合化工厂、电厂、隧道、井下、港口等高危人员定位场景； 4）局限：长时间无 UWB 观测的盲区，IMU 航向漂移会累积；后续可引入北斗 RTK、蓝牙 AOA 辅助观测，构建多源融合 PNT 框架。

针对复杂工业 UWB 人员定位中的 NLOS 非视距误差问题，本文提出 CIR 特征 + 运动残差双分支 NLOS 联合识别方法，输出连续 NLOS 置信概率，建立置信度驱动的自适应 EKF 滤波框架，融合 IMU-PDR 实现误差抑制与盲区轨迹维持。实测证明该方法有效降低 NLOS 带来的定位漂移与跳点，在金属遮挡、人体遮挡共存的工业场景下，定位稳定性显著优于传统算法。该方法可直接嵌入现有 TDOA 型 UWB 人员定位平台，提升高危厂区人员安全监测、越界告警、事故溯源的可靠性。后续将进一步研究动态环境下的在线迁移学习 NLOS 识别与地图先验辅助的因子图优化定位框架。

面向复杂工业场景的 UWB 人员定位 NLOS 识别与误差抑制方法研究

UWB 依靠纳秒级窄脉冲、大带宽特性，在视距（LOS）条件下可实现厘米级测距与定位，已广泛应用于工业人员定位、厂区作业监护、井下与隧道安全管控等场景。但工业环境存在大量金属壳体、管道、钢结构支架、移动设备与作业人员，直达路径被遮挡时，信号只能依靠反射、绕射传播，形成 NLOS 效应。NLOS 测距普遍存在正向偏差，误差分布非高斯、时变，传统基于高斯假设的最小二乘、标准卡尔曼滤波会把污染观测等权参与

物联网

网络与通信

算法

针对工业UWB人员定位NLOS误差问题，提出CIR特征与运动残差双分支联合识别方法，输出连续置信度，驱动自适应EKF动态调整观测噪声，融合IMU-PDR实现盲区轨迹维持。实测定位RMSE降至0.28m，准确率94.1%，有效抑制跳变，适配边缘端实时部署。

大模型推理

机器学习

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

面向复杂工业场景的 UWB 人员定位 NLOS 识别与误差抑制方法研究

面向复杂工业场景的 UWB 人员定位 NLOS 识别与误差抑制方法研究

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐