Dynamic Anchor Selection and Real-Time Pose Prediction for Ultra-wideband Tagless Gate

📄 arXiv: 2402.17778v1 📥 PDF

作者: Junyoung Choi, Sagnik Bhattacharya, Joohyun Lee

分类: eess.SP, cs.AI, eess.SY

发布日期: 2024-02-22

备注: arXiv admin note: substantial text overlap with arXiv:2402.08399

💡 一句话要点

提出动态锚点选择与实时姿态预测以解决UWB无标签门禁问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 超宽带 无标签门禁 动态锚点选择 姿态预测 深度学习 实时定位 智能交通

📋 核心要点

  1. 现有UWB无标签门禁系统在移动设备定位精度上存在挑战，尤其是在不同姿态下的准确性不足。
  2. 本文提出动态锚点选择和DynaPose姿态预测方法，利用深度学习技术提高定位精度和实时性。
  3. 实验结果显示，DynaPose在LOS/NLOS分类和DL-TDoA定位精度上均有显著提升，实时姿态检测准确率达到0.961。

📝 摘要（中文）

超宽带（UWB）技术因其厘米级定位精度而成为实现接近服务的有前景解决方案，如无标签门禁（UTG）。UTG通过下行时差到达（DL-TDoA）和双向测距（DS-TWR）两种测距方法来计算移动设备（MD）的位置。本文提出了一种动态锚点选择方法以提高DL-TDoA定位精度，并引入DynaPose进行DS-TWR的姿态预测。DynaPose基于深度学习对视距（LOS）和非视距（NLOS）进行分类，利用UWB信道脉冲响应和智能手机内嵌的惯性测量单元进行锚点选择和姿态预测。实验结果表明，DynaPose在LOS/NLOS分类准确率达到0.984，DL-TDoA定位精度提高62%，并实时检测四种不同姿态，准确率为0.961。

🔬 方法详解

问题定义：本文旨在解决UWB无标签门禁系统中移动设备定位精度不足的问题，尤其是在不同姿态下的准确性挑战。现有方法在姿态变化时定位精度下降，影响用户体验。

核心思路：论文提出动态锚点选择和DynaPose姿态预测，利用深度学习对视距和非视距进行分类，从而提高定位精度。通过实时分析UWB信道脉冲响应和惯性测量单元数据，优化锚点选择和姿态识别。

技术框架：整体架构包括数据采集、深度学习模型训练、锚点选择和姿态预测四个主要模块。首先收集UWB信道数据和IMU数据，然后训练深度学习模型进行LOS/NLOS分类，最后进行动态锚点选择和姿态预测。

关键创新：DynaPose的最大创新在于结合了动态锚点选择与姿态预测，显著提高了DL-TDoA定位精度和实时姿态检测能力。这一方法在处理LOS和NLOS场景时表现出色，优于传统静态锚点选择方法。

关键设计：在模型设计中，采用了特定的损失函数来优化分类准确率，并使用卷积神经网络（CNN）结构来处理UWB信道数据。关键参数设置包括学习率、批量大小等，确保模型在训练过程中的收敛性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DynaPose在LOS/NLOS分类准确率达到0.984，DL-TDoA定位精度提高62%，实时姿态检测准确率为0.961。这些结果表明，DynaPose在复杂环境下的定位和姿态识别能力显著优于现有方法，具有较高的实用价值。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在智能交通、无接触门禁系统和室内定位服务等领域。通过提高定位精度和实时性，DynaPose能够改善用户体验，推动UWB技术的商业化应用，未来可能在智能家居和物联网设备中发挥重要作用。

📄 摘要（原文）

Ultra-wideband (UWB) is emerging as a promising solution that can realize proximity services, such as UWB tagless gate (UTG), thanks to centimeter-level localization accuracy based on two different ranging methods such as downlink time-difference of arrival (DL-TDoA) and double-sided two-way ranging (DS-TWR). The UTG is a UWB-based proximity service that provides a seamless gate pass system without requiring real-time mobile device (MD) tapping. The location of MD is calculated using DL-TDoA, and the MD communicates with the nearest UTG using DS-TWR to open the gate. Therefore, the knowledge about the exact location of MD is the main challenge of UTG, and hence we provide the solutions for both DL-TDoA and DS-TWR. In this paper, we propose dynamic anchor selection for extremely accurate DL-TDoA localization and pose prediction for DS-TWR, called DynaPose. The pose is defined as the actual location of MD on the human body, which affects the localization accuracy. DynaPose is based on line-of-sight (LOS) and non-LOS (NLOS) classification using deep learning for anchor selection and pose prediction. Deep learning models use the UWB channel impulse response and the inertial measurement unit embedded in the smartphone. DynaPose is implemented on Samsung Galaxy Note20 Ultra and Qorvo UWB board to show the feasibility and applicability. DynaPose achieves a LOS/NLOS classification accuracy of 0.984, 62% higher DL-TDoA localization accuracy, and ultimately detects four different poses with an accuracy of 0.961 in real-time.