Semi-Supervised Novelty Detection for Precise Ultra-Wideband Error Signal Prediction

超宽带（UWB）技术是一种新兴的低成本定位方案，适用于通用环境。然而，UWB信号可能会受到锚点之间的信号反射和非视距（NLoS）条件的影响；因此，从更广泛的意义上讲，环境的具体几何形状和阻挡元素的位置可能会严重影响UWB精确定位的可靠性。本研究旨在通过使用指纹半监督新颖性检测方法学习UWB质量信号的地图特定特征来缓解这个问题。无监督的自编码神经网络在标准UWB地图条件下进行训练，然后用于预测由于环境中引入干扰新颖性而产生的误差。这项工作在理解UWB定位及其在不断变化的环境条件下的可靠性方面迈出了一大步。所提出的方法的结果性能通过使用视觉跟踪地面真实性进行了细粒度实验证明。

本文旨在通过使用指纹半监督新颖性检测方法来学习UWB质量信号的地图特定特征，从而解决UWB在复杂环境下的可靠性问题。

使用无监督的自编码器神经网络对UWB地图进行训练，然后将其用于预测由环境中干扰因素引起的误差，从而实现对UWB定位的精确性和可靠性的提高。

本文采用了视觉跟踪地面真实数据集进行了精细的实验，验证了所提出方法的有效性。此外，本文还开源了相关代码，为后续研究提供了便利。

最近在该领域中的相关研究包括：‘A Survey of Wireless Indoor Localization from the Device Perspective’，‘A Low-Complexity UWB/AoA-Based Indoor Localization System with a Single Antenna’，‘Ultra-Wideband Indoor Positioning Systems: A Survey’等。