UWB真值标注的深度学习BLE AoA多径抑制估角算法

TL;DR：本文介绍一种融合UWB高精度真值、深度学习与BLE AoA的多径抑制估角算法。该算法利用UWB提供厘米级位置真值，训练深度神经网络以抑制多径效应对BLE AoA的影响，显著提升室内角度估计的鲁棒性与精度，为低成本高精度室内定位提供新方案。

引言：室内定位的精度与成本困境

随着物联网与智能设备的普及，室内定位需求日益迫切。虽然超宽带（UWB）技术凭借其纳秒级脉冲与高时间分辨率，可实现厘米级定位（哈尔滨工业大学严嘉祺的硕士论文指出，UWB在室内环境定位精度可达2cm），但其高昂的硬件成本限制了大规模部署。相比之下，蓝牙低功耗（BLE）技术成本极低，但其基于到达角（AoA）的定位易受多径效应干扰，精度波动大。如何融合两者优势，成为领域研究热点。

屠晓东在其研究中指出，多径、非视距（NLOS）传播是导致TDOA、TOA、AOA等测量值出现较大误差的核心原因。本文提出一种创新思路：利用UWB提供的高精度位置作为“真值标签”，训练深度学习模型，实时校正BLE AoA测量中的多径干扰，实现高性价比的精准角度估计。

核心技术背景

UWB：高精度真值来源

UWB信号脉冲极窄（通常为纳秒级），带宽大（>500MHz），时间分辨率高。哈尔滨工业大学的严嘉祺在其硕士论文中详细分析了UWB的误差来源，包括非视距传播、多径效应与时钟漂移。但通过误差最小化算法或有偏卡尔曼滤波，UWB定位精度可稳定在厘米级。这使得UWB成为理想的“真值标注”工具——它能提供真实的物理位置，作为深度学习训练的监督信号。

BLE AoA：低成本但易受干扰

BLE 5.1标准引入了基于天线阵列的AoA测量。其原理是通过测量信号到达不同天线阵元的相位差计算角度。然而，室内环境中墙壁、家具等障碍物造成的多径反射，会使直达路径信号与反射信号叠加，导致相位测量值严重失真。屠晓东的研究表明，在IEEE802.15.4a信道模型下，多径效应会导致AOA测量误差显著增大。

深度学习的多径抑制能力

深度神经网络具有强大的非线性拟合能力。通过输入多天线阵列的原始I/Q数据或相位差序列，网络可以学习多径环境下的信号模式，将受污染的AoA测量值映射到真实角度。关键在于：训练需要大量“输入-真值”对。这正是UWB的用武之地。

算法架构：UWB真值标注的深度学习BLE AoA估角

本算法分为离线训练与在线推理两个阶段。

离线训练阶段

1. 数据采集：在室内部署多个BLE信标（配备天线阵列）与UWB定位基站。测试人员携带同时支持BLE与UWB的移动终端，在典型室内环境（如办公室、走廊）中移动。BLE接收机记录各信标的天线阵列I/Q数据，UWB系统同步记录厘米级位置真值。
2. 特征与标签构建：从BLE I/Q数据中提取相位差向量作为输入特征。根据UWB真值位置与BLE信标已知坐标，反向计算几何真实AoA，作为监督学习的标签。
3. 模型训练：设计深度神经网络（如卷积神经网络CNN或长短期记忆网络LSTM），输入为相位差序列，输出为估计AoA。损失函数为预测AoA与真实AoA的均方误差。通过大量数据训练，网络学会抑制多径模式。

在线推理阶段

1. BLE接收机实时获取天线阵列I/Q数据。
2. 提取相位差特征，输入已训练好的深度学习模型。
3. 模型输出经多径校正后的高精度AoA估计值。
4. 结合其他定位算法（如TDOA/AOA混合定位），实现最终位置解算。

性能分析与优势

根据屠晓东在《基于UWB信号的多基站与单基站定位算法的研究与性能分析》中的实验，单基站AOA精度在理想条件下可达1°。但在多径严重的室内环境中，传统方法误差可能超过10°。通过UWB真值标注的深度学习训练，仿真结果显示：