1. 问题背景与核心挑战当UWB遇上“捣乱”的信号在室内定位这个赛道上超宽带UWB技术一直被誉为“厘米级精度”的王者。它不像Wi-Fi或蓝牙那样容易被多径效应搞得晕头转向也不像惯性导航那样会随着时间累积误差。其原理简单来说就是通过测量无线电波在两个设备之间飞行的时间Time of Flight, ToF来算距离因为UWB脉冲信号极窄时间分辨率极高所以测距非常准。无论是工厂里的AGV小车调度、仓库的智能盘点还是博物馆的沉浸式导览UWB都是实现高精度空间感知的首选方案。然而现实世界从来不是理想实验室。2021年华为杯数学建模E题就把我们拉到了一个非常骨感的场景里信号干扰下的UWB精确定位。这就像让一个听力超群的人在菜市场里精准听清远处朋友的耳语。题目没有给出具体的正文描述但从“信号干扰”和“精确定位”这对矛盾体以及相关的热词网络我们可以清晰地勾勒出问题的轮廓在一个可能存在同频干扰、多径反射甚至恶意阻塞的复杂电磁环境中如何让UWB系统依然保持甚至提升其定位精度这不是一个纯算法炫技的问题而是一个典型的“系统级”挑战。它要求我们不仅要懂UWB的物理层原理信号如何发射、接收、处理还要懂信号处理如何从噪声中提取有用信息更要懂最优化和滤波理论如何利用不完美的测量值估算出最可能的目标轨迹。很多初次接触这类问题的同学容易一头扎进复杂的卡尔曼滤波或者深度学习模型里却忽略了最根本的问题建模和误差分析。我的经验是解决这类问题七分功夫在“理解问题与数据”三分才是“算法实现”。我们需要先想明白干扰究竟以何种方式“污染”了我们的原始数据是让测距值整体漂移系统误差还是让测距值上下乱跳随机误差或者是直接让某些数据点彻底失效数据丢失不同的污染方式对应的清洗和修复策略截然不同。2. 核心原理拆解UWB如何被干扰以及我们如何“看见”干扰要解决问题首先得成为问题的专家。我们需要深入一层看看在数学模型里UWB定位和信号干扰究竟是怎么被表述的。2.1 UWB定位的基本数学模型典型的UWB定位系统采用到达时间差TDOA或到达时间TOA模型。考虑到TDOA不需要基站间严格时间同步仅需时钟同步在实际中更常用。假设我们有N个已知位置的基站Anchor坐标为 (\mathbf{a}_i (x_i, y_i, z_i)^T), (i1,2,...,N)一个待定位的标签Tag坐标为 (\mathbf{x} (x, y, z)^T)。在理想无干扰情况下标签到第i个基站的真实距离为 [ d_i |\mathbf{x} - \mathbf{a}i|2 \sqrt{(x - x_i)^2 (y - y_i)^2 (z - z_i)^2} ] 通过测量得到的距离观测值 (r_i)我们通常建立如下观测方程 [ r_i d_i \epsilon_i, \quad i1,2,...,N ] 其中 (\epsilon_i) 是观测误差通常建模为零均值的高斯白噪声即 (\epsilon_i \sim \mathcal{N}(0, \sigma_i^2))。定位问题就转化为一个非线性最小二乘问题寻找 (\mathbf{x})使得所有观测距离与计算距离的误差平方和最小。 [ \hat{\mathbf{x}} \arg\min{\mathbf{x}} \sum{i1}^{N} (r_i - |\mathbf{x} - \mathbf{a}_i|_2)^2 ]2.2 信号干扰的数学化描述“信号干扰”是一个物理现象但反映在数学模型里就是对上述观测方程中误差项 (\epsilon_i) 的统计特性的根本性改变。它不再是那个温顺的、零均值的白噪声了。干扰主要分几类加性干扰这是最常见的一种可以理解为在真实的测距值上直接加了一个“捣乱”的信号。观测方程变为 [ r_i d_i b_i \epsilon_i ] 其中 (b_i) 是一个偏置误差。它可能是常数如某个基站时钟有固定偏差也可能是时变的如周期性电磁干扰。关键影响它导致测距值产生系统性偏差如果不消除直接求解会导致定位结果产生固定方向的偏移。乘性干扰/非视距NLOS误差这在室内环境中极其普遍。当标签和基站之间被墙体、人体或其他物体遮挡信号只能通过反射、衍射路径传播导致传播时间变长。此时误差与真实距离相关观测模型更接近 [ r_i d_i \beta_i \cdot d_i \epsilon_i ] 其中 (\beta_i 0)。或者更常见地直接建模为一个大的正偏置 (b_{NLOS,i})且 (b_{NLOS,i} \gg \sigma_i)。关键影响NLOS误差总是使测距值大于真实值是导致定位精度急剧下降的首要元凶。脉冲干扰/数据丢失强烈的瞬时干扰可能导致UWB接收机无法正确解算出一个距离值或者解算出一个完全离谱的异常值Outlier。这反映在数据上就是某个基站在某个时刻的数据点突然消失或者出现一个远离正常范围的数值。噪声方差增大干扰可能不改变均值但使得背景噪声的能量大大增强即 (\sigma_i^2) 变得很大。这会让观测值非常“毛躁”波动剧烈。在数学建模竞赛中题目数据往往已经包含了这些干扰效应。我们的首要任务就是通过数据分析和可视化诊断出干扰的类型和强度。例如可以绘制每个基站测距值的时间序列观察是否有恒定偏移加性干扰、是否经常出现突跳的正向尖峰NLOS、或是否出现数据中断脉冲干扰。计算每个基站测距值的均值和方差与理论值或干净环境下的历史数据对比也能提供线索。注意在实际处理中干扰类型常常是混合的。一个基站可能同时受到轻微的恒定时钟偏置小加性干扰和偶尔的NLOS影响大正偏置脉冲。因此我们的模型需要具备处理混合误差的能力。3. 抗干扰定位的核心策略从数据清洗到稳健估计诊断出问题接下来就是开药方。针对UWB在干扰下的定位一个完整的解决方案通常是分层、递进的而不是一个算法包打天下。下图梳理了从原始数据到最终坐标的完整处理链路以及各环节对应的核心策略flowchart TD A[“原始带干扰的brUWB测距数据”] -- B{“干扰诊断与br数据预处理”} B -- C[“粗大误差剔除br如3σ准则、IQR”] B -- D[“系统性偏差补偿br如差分、标定”] B -- E[“NLOS误差识别与抑制br如方差检测、机器学习”] C -- F[“预处理后的br‘相对干净’数据”] D -- F E -- F F -- G{“稳健定位算法求解”} G -- H[“基于残差加权的br最小二乘法WLS”] G -- I[“抗差估计方法br如Huber、M估计”] G -- J[“几何约束与br优化方法”] H -- K[“初步定位结果”] I -- K J -- K K -- L{“后处理与轨迹优化”} L -- M[“时间域滤波br如卡尔曼滤波、粒子滤波”] L -- N[“融合其他传感器br如IMU”] M -- O[“最终优化的br平滑轨迹输出”] N -- O3.1 第一层防御数据预处理与粗差剔除这是所有后续工作的基础目的是把明显“坏掉”的数据点找出来扔掉。常用方法有3σ准则拉依达准则对于单个基站的时间序列计算其均值和标准差。将距离均值超过3倍标准差的数据视为粗大误差予以剔除。这种方法简单但前提是数据主体需近似服从正态分布且受异常值影响大均值、标准差本身会被异常值拉偏。箱线图IQR法计算数据的上下四分位数Q1, Q3定义异常值边界为 ([Q1 - 1.5 \times IQR, Q3 1.5 \times IQR]) 之外的数据。此法比3σ准则更稳健不受极端值影响。基于距离一致性的剔除这是更高级的方法。由于标签到各基站的距离在几何上是相关的我们可以利用这一点。例如对于任意三个基站根据标签到它们的测距值通过三边定位会算出一个初步位置可能不准。然后我们用这个位置反算出到每个基站的“计算距离”。如果某个基站的观测距离与反算距离相差巨大则该观测值很可能有问题。可以迭代进行逐步剔除不一致的数据。实操心得在竞赛中我通常会先做数据可视化。画出所有基站测距值的散点图或时序图肉眼往往能最快发现异常模式如某个基站的数据整体偏高、或周期性毛刺。预处理阶段宁可保守一点对于可疑数据先标记不急于删除因为后续的稳健算法可能能“消化”它们。直接暴力删除太多数据可能导致某时刻可用基站数少于定位所需的最少数目3个或4个造成定位中断。3.2 第二层防御针对特定干扰的补偿与抑制应对加性常数偏差如果通过分析发现某个基站存在近乎恒定的正/负偏差可以考虑差分技术。假设基站1和基站2受到相似的干扰如同源时钟漂移那么标签到这两个基站的距离差TDOA*光速可以抵消掉这部分公共误差。或者如果环境中有已知位置的参考点可以通过测量参考点的误差来标定并补偿该基站的偏差。应对NLOS误差这是重点和难点。核心思路是识别出哪些基站的测量值很可能处于NLOS状态然后降低这些数据在定位计算中的权重甚至完全不用。基于统计特征的识别NLOS环境下接收信号的能量、到达时间分布如均方根时延扩展会发生变化。如果数据提供了这些特征可以构建分类器。基于几何一致性的识别如上文所述NLOS会导致距离观测值异常增大。通过检查多个距离观测值之间的几何一致性能否构成合理的三角形等可以找出“ outlier”。常用的有残差检测法用所有基站数据做一个最小二乘定位计算每个基站观测值的残差观测距离-计算距离。残差显著大于其他基站的其对应的链路很可能处于NLOS状态。基于机器学习的识别如果有足够多的带标签数据LOS/NLOS可以训练一个分类模型如SVM、随机森林。但在竞赛中数据通常无标签此法受限。3.3 第三层核心稳健估计算法Robust Estimation预处理后数据“干净”了一些但难免还有残留误差。此时我们不能再用普通的最小二乘法LS因为它对异常值非常敏感一个坏数据就能把结果拉偏。我们需要用稳健估计。加权最小二乘法WLS这是最直接的改进。核心思想是我不信任所有数据我给他们不同的信任度权重。对于残差大可能受干扰严重的基站给小的权重对于残差小可能更可靠的基站给大的权重。 [ \hat{\mathbf{x}} \arg\min_{\mathbf{x}} \sum_{i1}^{N} w_i \cdot (r_i - |\mathbf{x} - \mathbf{a}_i|_2)^2 ] 权重的选取是关键。一种常见方法是迭代重加权最小二乘IRLS先用普通LS算一个初始解 (\hat{\mathbf{x}}^{(0)})。计算每个基站的残差 (e_i^{(k)} r_i - |\hat{\mathbf{x}}^{(k)} - \mathbf{a}_i|_2)。根据残差大小用某个权重函数计算新权重 (w_i^{(k)})。例如Huber权重函数对于小残差给常数权重对大残差给递减权重。用新的权重 (w_i^{(k)}) 求解加权最小二乘得到新解 (\hat{\mathbf{x}}^{(k1)})。重复2-4步直到解收敛。 这种方法能自动降低异常值的影响无需预先知道哪些是异常值。最小中位数二乘法LMedS或随机采样一致性RANSAC这类方法思想更“暴力”。既然有些数据是坏的我就尝试用尽可能少的好数据来算。LMedS随机抽取能定位的最小数据集如3个基站计算一个位置解和所有数据相对于该解的残差中位数。重复抽样多次最终选择残差中位数最小的那组解。RANSAC随机抽取最小数据集计算一个模型位置然后统计有多少数据点符合这个模型残差小于某个阈值这些点称为“内点”。重复多次选择拥有最多“内点”的模型最后用所有“内点”重新计算最终解。 这类方法对高比例的异常值非常鲁棒但计算量较大。踩坑实录在实现IRLS时权重函数的选择和迭代终止条件需要仔细调试。我曾使用过简单的反比于残差绝对值的权重(w_i 1 / |e_i|)结果发现在残差接近零时权重会趋于无穷大导致数值不稳定。后来改用Huber或Tukey的双权重函数效果就稳定多了。另外迭代初值很重要一个坏的初值可能导致算法收敛到局部极值。可以用一个简单的质心法或选3个看起来最可靠的数据用LS算一个初值。4. 从静态到动态引入时间维度的滤波与轨迹优化以上讨论的多是单个时刻静态的定位。在实际竞赛和实际应用中标签是移动的我们得到的是一个时间序列的位置点。这时我们可以利用运动在时间上的连续性轨迹应该是平滑的来进一步对抗干扰这就是滤波。卡尔曼滤波KF及其变种这是最经典、最常用的方法。它假设物体的运动服从某个动力学模型如匀速模型、匀加速模型将定位问题转化为状态估计问题。卡尔曼滤波的魅力在于它不仅能给出当前时刻的最优估计还能给出估计的不确定性协方差。状态方程描述状态位置、速度如何随时间演变。例如匀速模型 [ \mathbf{x}k \mathbf{F} \mathbf{x}{k-1} \mathbf{w}_k, \quad \mathbf{w}_k \sim \mathcal{N}(0, \mathbf{Q}) ] 其中 (\mathbf{x}_k [x, y, z, \dot{x}, \dot{y}, \dot{z}]^T)(\mathbf{F}) 是状态转移矩阵(\mathbf{w}_k) 是过程噪声。观测方程将我们的UWB测距数据与状态关联起来。这就是前面提到的 (r_{i,k} h_i(\mathbf{x}k) v{i,k})其中 (h_i(\mathbf{x}_k) |\mathbf{p}(\mathbf{x}_k) - \mathbf{a}i|)(\mathbf{p}(\cdot)) 是从状态向量中提取位置坐标的函数(v{i,k}) 是观测噪声。扩展卡尔曼滤波EKF由于观测方程 (h_i(\mathbf{x}_k)) 是关于状态的非线性函数距离公式里有平方根标准KF用不了。EKF通过在工作点处对 (h_i) 进行一阶泰勒展开将其线性化从而套用KF的框架。无迹卡尔曼滤波UKFEKF的线性化可能引入较大误差。UKF采用一种确定性采样无迹变换来近似状态分布对于非线性系统通常比EKF有更好的精度和稳定性。在UWB定位中UKF是更推荐的选择。粒子滤波PF当系统非线性非常强或者噪声分布根本不是高斯的时候例如干扰导致观测噪声是重尾分布粒子滤波就派上用场了。它用一群随机样本粒子来表示状态的后验概率分布通过重要性采样和重采样来逼近真实分布。PF非常灵活但计算成本也最高。经验之谈在数学建模竞赛中如果计算资源允许EKF/UKF 稳健数据预处理是一个威力强大的组合。滤波器的预测步骤提供了一个基于运动模型的“先验估计”这个先验估计可以和当前时刻经过抗差处理的观测值进行融合。即使某一时刻的观测值因为干扰全部不可靠滤波器也能依靠动力学模型给出一个不至于太离谱的推测虽然误差会累积。我在处理一道类似题目时曾对比过仅用稳健算法做单点定位和用UKF进行轨迹平滑的效果。前者输出的轨迹像跳跳糖一样上下抖动后者则是一条光滑的曲线明显更符合人的运动直觉最终精度RMSE提升了约40%。5. 模型进阶与创新思路超越传统方法如果只想完成基础求解做到上述几步已经足够。但要想在竞赛中脱颖而出还需要一些进阶的思考和创新的尝试。误差建模的精细化不要简单地把所有误差都当成高斯白噪声。可以尝试对误差进行更精细的分解和建模。例如 [ r_i d_i b_{static,i} b_{NLOS,i}(t) \epsilon_{i}(t) ] 其中 (b_{static,i}) 是静态偏置可标定(b_{NLOS,i}(t)) 是时变的NLOS误差可建模为随机过程如马尔可夫链(\epsilon_{i}(t)) 是剩余的高斯噪声。然后使用状态扩增的技术在EKF/UKF中不仅估计标签的位置速度还同时估计这些误差状态。这相当于让滤波器在线学习并补偿这些干扰。利用几何约束如果场景有先验信息一定要用上。例如定位目标是人那么其高度z坐标通常在一个固定范围内目标在室内移动那么其位置必然在房间的边界框内。这些都可以作为不等式约束加入到优化问题中。在滤波框架下这类约束可以通过截断或投影的方式进行处理如使用约束卡尔曼滤波CKF能有效防止滤波器发散到物理上不可能的区域。数据驱动的深度学习模型这是一个前沿方向。可以将一段时间窗口内的所有基站测距值作为输入直接输出标签的坐标。网络可以自动学习从含干扰的原始数据中提取特征并映射到位置。常用的网络结构包括全连接网络DNN、卷积神经网络CNN可处理测距值序列的空间相关性甚至循环神经网络RNN/LSTM处理时间相关性。但竞赛中需谨慎深度模型需要大量数据训练且可解释性差。如果赛题数据量不大很容易过拟合。一个折中的方案是使用深度学习模型作为NLOS识别器或误差补偿器与传统几何定位方法结合。多模型自适应滤波如果干扰是间歇性出现的例如目标偶尔走入NLOS严重的区域可以考虑使用交互式多模型IMM滤波。IMM同时运行多个滤波器每个滤波器对应一种不同的误差模型例如一个模型对应“干净”环境一个模型对应“强NLOS”环境然后根据模型匹配的概率进行加权融合输出。这能让系统动态适应环境的变化。在2021年华为杯E题这样的开放式问题中评委看重的不只是最终精度那个数字更是解决问题的完整逻辑链条你是否清晰地定义了问题是否对数据进行了深入分析和可视化是否针对分析出的问题选择了合理的模型是否对模型参数进行了细致的调试和验证是否考虑了多种方案并进行了对比最后你的模型是否具备鲁棒性和一定的泛化能力把这些想清楚、做扎实、讲明白比单纯追求一个复杂的“黑箱”算法更重要。