介绍
在各种室内定位技术中，超宽带(Ultra-wideband.UWB)由于其极短脉冲的特性，提供了良好的时间分辨率，因此可以实现高精度室内定位。然而，当NLoS信号出现时，UWB IPS的精度可能会受到显著影响。当收发器之间的信号被障碍物反射或阻挡时，就存在NLoS条件。在这种情况下，会发生信号传播延迟，导致更长的飞行时间(TOF)和发射机与接收机之间的估计距离误差。因此，大大降低了IPS的精度。
通过识别信号是否具有LoS或NLOS成分来提高UWB IPS精度的研究工作。NToS识别的方法可以大致概括为两种举型使用上下文信息的非基于特征的NLOS信号分类和)依于UWB波形的基于特征的NLoS识别。使用改进的卡尔曼滤波器根据距离测量的贝叶斯序列对LOS、NLOS条件进行分类。一种实时的无训练阶段和环境先验知识的基于接收信号强度的NLOS识别方法。将NLOS建模为确定性加性项并基于距离测量的统计特征识别NLOS。将惯性导航系统(NS)等融合技术与超宽带相结合，用于行人跟踪。将楼面图禁令与INS和UWB结合使用来预测状态，然后确定和识别NLoS信号。
相比之下，在基于特征的NLoS识别中，LoS下的UWB波形信号与NLOS条件下的波形信号不同。通过采田机器学习ML)算法，可以MUWB信号中提取这些特征来识别NLOS条件。在UWB中，早期基于ml的NLOS识别方法之一是在支持向量机(SVM)算法作为分类器。LoS和NLoS信号的识别被认为是一个二元分类问题。结果证明，ML方法可以通过识别NLOS信号来提高UWB IPS的精度还研究了不同的ML技术，如朴素贝叶斯(NB)、提升决策树(BDT)等。基于深度学习的方法，如卷积神经网络(CNN)。此外，提出了一种使用自编码器的基于半监督的ML方法其精度比最先进的深度神经网络算法高29%。然而，上述基于特征的方法存在缺点，特别是当数据不平衡且存在少量N