Device-Free Localization Using Commercial UWB Transceivers

📄 arXiv: 2507.13938v1 📥 PDF

作者: Hyun Seok Lee

分类: eess.SP, eess.SY

发布日期: 2025-07-18

备注: 8 pages, 10 figures, preprint

💡 一句话要点

提出一种基于深度学习辅助粒子滤波的UWB设备无源定位方法，适用于IoT和汽车应用。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 设备无源定位 超宽带(UWB) 深度学习 粒子滤波 信道脉冲响应(CIR)

📋 核心要点

  1. 现有设备无源定位方法在低信噪比和复杂环境下难以精确定位目标，是主要挑战。
  2. 利用深度学习提取CIR方差中的目标反射分量，并结合粒子滤波进行位置估计，提升定位精度。
  3. 实验结果表明，该方法在物联网和汽车应用中表现出色，RMSE约为15厘米，处理时间仅为4毫秒。

📝 摘要（中文）

本文提出了一种基于商用超宽带（UWB）收发器的设备无源定位方法，该方法无需行人携带UWB设备即可追踪其位置。基于UWB的设备无源定位与现有基础设施兼容，并可重复使用，从而降低硬件部署成本。然而，由于低信噪比（SNR）和复杂环境，在实际场景中难以准确估计目标位置。本文提出了一种深度学习（DL）辅助的粒子滤波器来克服这些挑战。首先，分析信道脉冲响应（CIR）方差，以捕获目标运动引起的变异性。然后，使用基于深度学习的一维注意力U-Net来提取由目标引起的反射分量，并抑制CIR方差剖面内的噪声分量。最后，将多个预处理后的CIR方差剖面作为粒子滤波器的输入，以估计目标的位置。实验结果表明，该系统是一种实用且经济高效的物联网和汽车应用解决方案，均方根误差（RMSE）约为15厘米，平均处理时间为4毫秒。与现有最先进的方法相比，该方法在合理的计算成本下提供了最佳性能。

🔬 方法详解

问题定义：论文旨在解决使用商用UWB收发器进行设备无源定位时，由于低信噪比和复杂环境导致的定位精度问题。现有方法难以有效区分目标反射信号和噪声，导致定位误差较大。

核心思路：论文的核心思路是利用深度学习技术从信道脉冲响应（CIR）方差中提取与目标相关的反射分量，抑制噪声干扰，从而提高定位精度。然后，将提取的特征输入到粒子滤波器中，实现更准确的位置估计。

技术框架：整体框架包括以下几个主要阶段：1) CIR方差分析：计算CIR方差以捕获目标运动引起的变异性。2) 深度学习特征提取：使用一维注意力U-Net从CIR方差剖面中提取目标反射分量，抑制噪声。3) 粒子滤波定位：将多个预处理后的CIR方差剖面作为输入，利用粒子滤波器估计目标位置。

关键创新：该方法的主要创新在于将深度学习与粒子滤波相结合，利用深度学习强大的特征提取能力，有效区分目标反射信号和噪声，从而提高粒子滤波的定位精度。同时，使用一维注意力U-Net能够自适应地关注重要的特征，进一步提升性能。

关键设计：论文使用一维注意力U-Net作为特征提取器，该网络结构能够有效地处理时序数据，并利用注意力机制关注重要的特征。CIR方差的计算方式以及粒子滤波器的参数设置（如粒子数量、重采样策略等）也是关键的设计细节。损失函数的设计可能包括均方误差等，用于训练深度学习模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的方法在设备无源定位方面取得了显著的性能提升。该方法实现了约15厘米的均方根误差（RMSE），并且平均处理时间仅为4毫秒，满足实时性要求。与现有最先进的方法相比，该方法在定位精度和计算效率方面均表现出优势，证明了其在实际应用中的可行性和有效性。

🎯 应用场景

该研究成果可广泛应用于物联网和汽车领域。例如，在智能家居中，可以实现对老人或儿童的无感定位和安全监控；在智能汽车领域，可以用于车内乘客检测和姿态识别，提高驾驶安全性。此外，该技术还可应用于工业自动化、仓储物流等场景，具有广阔的应用前景和实际价值。

📄 摘要（原文）

Recently, commercial ultra-wideband (UWB) transceivers have enabled not only measuring device-to-device distance but also tracking the position of a pedestrian who does not carry a UWB device. UWB-based device-free localization that does not require dedicated radar equipment is compatible with existing anchor infrastructure and can be reused to reduce hardware deployment costs. However, it is difficult to estimate the target's position accurately in real-world scenarios due to the low signal-to-noise ratio (SNR) and the cluttered environment. In this paper, we propose a deep learning (DL)-assisted particle filter to overcome these challenges. First, the channel impulse response (CIR) variance is analyzed to capture the variability induced by the target's movement. Then, a DL-based one-dimensional attention U-Net is used to extract only the reflection components caused by the target and suppress the noise components within the CIR variance profile. Finally, multiple preprocessed CIR variance profiles are used as input to a particle filter to estimate the target's position. Experimental results demonstrate that the proposed system is a practical and cost-effective solution for IoT and automotive applications with a root mean square error (RMSE) of about 15 cm and an average processing time of 4 ms. Furthermore, comparisons with existing state-of-the-art methods show that the proposed method provides the best performance with reasonable computational costs.