基于TDOA的室内定位
项目背景
在日常生活中，我们时常需要对物件或者人进行定位查询。但是建筑物内往往因为结构复杂，干扰物多，空间狭小等因素，难以通过摄像头，传感器等检测装置来确定。并且在某些情况下需要对检测物体或者人进行持续的定位查询。
我们的工作主要是利用基于UWB（Ultra-wideband，超宽带）的TDOA（Time Difference of Arrival，到达时间差）信号进行定位，TDOA信号使用到达信号差，避免了难以获得精确的绝对时间这一问题。
关键技术
传统算法：TDOA信号定位问题在二维空间可以看做是多条双曲线共同求交点，我们使用Chan和Taylor结合的方法，Chan方法进行初步解算，得到的初步结果进行Taylor迭代得到精确值，针对在现实场景中表现出的一系列问题，我们对我们的算法进行优化，加入了滤波等改良因素，让整个算法能适应比较复杂的现实场景。
深度学习算法： 传统方法虽然能够解算出比较精确的值，但也伴随诸多问题。首先解算过程由迭代算法实现，较为耗时。其次在解算出坐标后还需要进行滤波操作，进一步增加了时间消耗。并且，数值计算方法在特定的扰动下可能会产生极大偏差的结果。因此，我们研发了一种端到端的深度学习方法，利用循环神经网络结构直接一步完成从TDOA数据到坐标，再对轨迹进行平滑滤波的操作。在离线训练完成后，在线使用时系统只需要将输入数据进行一系列的线性运算便能输出结果。视具体参数不同，解算速度提升了5至100倍，而实际效果接近或更好。
效果展示
传统算法：
深度学习：
