Removing the need for ground truth UWB data collection: self-supervised ranging error correction using deep reinforcement learning

使用超宽带技术进行室内定位因其具有厘米级精度潜力而受到关注。然而，多路径效应和非直视条件会导致基站和标签之间的测距误差。现有的缓解这些测距误差的方法依赖于收集大量标记数据集，这使得它们在实际部署中不切实际。本文提出了一种新颖的自监督深度强化学习方法，不需要标记的地面真实数据。强化学习代理使用信道脉冲响应作为状态，并预测纠正值以最小化纠正和估计距离之间的误差。代理通过结合轨迹的可预测性、滤波和平滑生成纠正值来进行自监督学习。在真实世界的超宽带测量实验中，该方法表现与最先进的监督方法相当，克服了数据依赖性和泛化性不足的限制。这使得自监督深度强化学习成为实际和可扩展的超宽带测距误差校正的有前途的解决方案。

本论文旨在解决UWB技术中的多径效应和非直视条件导致的锚点和标签之间的测距误差问题，同时避免依赖大量标记数据的限制。

论文提出了一种新颖的自监督深度强化学习方法，使用通道脉冲响应作为状态，预测修正值以最小化纠正和估计距离之间的误差。

论文的实验结果表明，该方法在真实世界的UWB测量中表现出与最先进的监督方法相当的性能，同时克服了数据依赖性和缺乏通用性的限制。论文方法的自监督学习使其成为解决UWB定位中实际且可扩展的测距误差校正的有前途的解决方案。

最近的相关研究包括：1.《UWB测距误差校正的监督学习方法》；2.《使用卷积神经网络进行UWB测距误差校正》；3.《基于UWB的室内定位技术：现状和未来发展》。