基于图神经网络的超宽带(UWB)矿井定位算法

《Applied Sciences》:A UWB Underground Mine Positioning Algorithm Based on Graph Neural Network

【字体: 大 中 小 】 时间:2026年07月16日 来源:Applied Sciences 2.5

编辑推荐:

  超宽带(Ultra-Wideband, UWB)定位是一种有前景的矿井定位技术,但其精度受到复杂隧道拓扑、多径传播和非视距(Non-Line-of-Sight, NLOS)测距误差的强烈影响。为了解决这些挑战,本文提出了一种基于多头注意力特征融合图神经网络(M

  
超宽带(Ultra-Wideband, UWB)定位是一种有前景的矿井定位技术,但其精度受到复杂隧道拓扑、多径传播和非视距(Non-Line-of-Sight, NLOS)测距误差的强烈影响。为了解决这些挑战,本文提出了一种基于多头注意力特征融合图神经网络(Multi-head Attention Feature Fusion Graph Neural Network, MAFF-GNN)的三维UWB定位算法。定位问题被表述为基于图的节点位置回归任务,其中锚点和标签被表示为节点,UWB测距链路被表示为边。所提出的模型整合了图消息传递、基于多头注意力的特征融合、全局跳跃连接和几何约束正则化,以从含噪测距测量中学习具有可靠性意识的空间表示。研究人员构建了一个物理引导的模拟矿井环境,考虑了隧道几何形状、墙壁粗糙度、煤尘浓度、湿度衰减和受控的NLOS条件。生成了三种类似矿井的走廊拓扑,总共包含10,500个定位样本。在受控模拟条件下的实验结果表明,MAFF-GNN实现了0.323 ± 0.093 m的均方根误差(Root Mean Square Error, RMSE)、0.274 ± 0.024 m的平均绝对误差(Mean Absolute Error, MAE)和0.480 ± 0.038 m的P90误差。与加权最小二乘和支持向量回归相比,所提出的方法分别将RMSE降低了74.16%和40.30%。在不同模拟NLOS比率下的鲁棒性测试进一步表明,所提出的图注意力框架随着NLOS严重程度的增加保持了渐进的误差增长趋势。这些结果揭示了注意力增强图学习在具有挑战性的矿井类似环境中进行UWB定位的潜力。
## 论文解读:基于图神经网络的超宽带(UWB)矿井定位算法

### 研究背景与问题
矿井作业环境复杂且危险,人员定位系统对保障矿工安全和提升紧急救援效率至关重要。传统定位技术如射频识别(RFID)、WiFi和ZigBee因定位精度低、抗干扰能力弱而难以满足安全生产需求。超宽带(UWB)技术具备厘米级测距精度、强穿透力和低功耗,被视为矿井定位的理想方案。然而,矿井隧道狭窄弯曲,存在金属支架、设备等障碍物,导致严重的多径传播和非视距(NLOS)测距误差,极大地制约了UWB定位精度。现有学习方法多聚焦于信道分类或测距校正,未能直接建模锚点与标签之间的拓扑关系。图神经网络(GNN)在处理非欧几里得数据方面具有独特优势,但针对矿井特殊传播因素(如隧道粗糙度、煤尘、湿度、高NLOS比)的研究尚不充分。因此,本文研究能否将图结构UWB测距信息与基于注意力的可靠性加权及几何约束正则化相结合,以在模拟严重的矿井NLOS和多径条件下提升三维定位精度。论文发表在《Applied Sciences》。

### 主要研究内容与结论
研究人员提出了一种基于多头注意力特征融合图神经网络(MAFF-GNN)的矿井三维UWB定位算法。该算法将定位问题转换为图上节点位置回归任务,以锚点与标签为节点、UWB测距链路为边,融合图消息传递、多头注意力特征融合、全局跳跃连接和几何约束正则化,从含噪测距数据中学习可靠性感知的空间表示。同时,研究人员构建了物理引导的模拟矿井环境,涵盖隧道几何、壁面粗糙度、煤尘浓度、湿度衰减及受控NLOS条件,生成三种矿井走廊布局(环形、交叉、密集多单元),共10,500个定位样本。实验表明,MAFF-GNN在模拟环境下取得最优性能,均方根误差(RMSE)为0.323±0.093 m,平均绝对误差(MAE)为0.274±0.024 m,P90误差为0.480±0.038 m,相比加权最小二乘(WLS)和支撑向量回归(SVR)分别降低RMSE 74.16%和40.30%。这一结果证明了注意力增强图学习在抑制NLOS干扰、保留几何约束方面的有效性,为矿井复杂环境下的鲁棒UWB定位提供了新范式。

### 关键技术方法(不超过250字)
主要关键技术方法包括:(1)将定位问题建模为图节点回归任务,锚点与标签为节点,测距链路为边,构建节点特征(类型、坐标、至原点距离)和边特征(测量距离、NLOS指标、信噪比);(2)采用多头注意力特征融合图神经网络(MAFF-GNN),通过堆叠的图消息传递与多头注意力编码器提取拓扑特征,并引入全局跳跃连接缓解过平滑;(3)设计几何约束正则化损失函数,融合预测位置与测距一致性(基于注意力权重的软约束)及余弦定理角度约束;(4)基于物理模型构建模拟矿井环境,考虑反射衰减、粗糙面散射、倾斜损耗、煤尘吸收、湿度衰减及NLOS条件,生成三种走廊拓扑(环形、交叉、密集多单元)共10,500个样本(样本来源为模拟生成)。

### 研究结果
#### 定位可视化
通过在三类模拟拓扑(环形走廊、交叉走廊、密集多单元走廊)中可视化真实与预测标签位置,发现大多数预测点靠近真实位置,较大偏差主要集中在障碍物附近、走廊交叉口及狭窄通道处,表明模型在不同拓扑下保持稳定,能应对NLOS与多径效应密集区域。

#### 整体性能比较
在场景分层测试集(共1,500样本)上,MAFF-GNN取得最佳定位性能:RMSE 0.323±0.093 m、MAE 0.274±0.024 m、P90误差0.480±0.038 m。相比SVR,RMSE、MAE和P90分别降低40.30%、44.42%和19.46%;相对于WLS,RMSE降低74.16%。证实MAFF-GNN在模拟矿井环境中全面优于传统及学习基线方法。

#### 误差累积分布(CDF)曲线
在三个场景下,MAFF-GNN的CDF曲线均向左偏移,表示更大比例样本处于较小误差阈值内,表明注意力融合机制有效抑制了由NLOS和多径引起的大误差尾部分布,提升了定位可靠性。

#### 深度敏感性分析
通过将编码器层数从2变化至10,发现RMSE随深度从2层(0.54 m)降至8层(0.32 m),再增至10层(0.44 m)。说明更深层特征提取可改善空间表示,但过深(10层)导致过平滑或过拟合。因此,默认采用8层编码器以平衡精度与深度。

#### 非视距(NLOS)鲁棒性测试
在测试数据中设定不同NLOS比率(30%、50%、60%、70%、90%),MAFF-GNN的误差随NLOS增加而缓慢上升(平均RMSE从0.227 m增至0.468 m)。在60% NLOS时平均RMSE为0.323 m,且环形场景(场景A)误差最低,密集多单元场景(场景C)最高。表明该框架对NLOS具有良好鲁棒性,但极端90% NLOS仍具挑战。

### 讨论与结论
讨论部分指出,本研究基于物理模拟而非实际矿井测量,故报告精度仅代表受控模拟证据。实际矿井可能涉及金属设备、动态遮挡、隧道不规则变形、时变湿度及硬件同步误差等额外不确定性。在极稀疏锚点、快速标签运动或频繁LOS/NLOS切换等超出训练分布情况下,模型性能可能下降。未来工作将聚焦实际矿井数据采集、模拟与实测误差校准、嵌入式设备推理测试及动态NLOS条件下的在线自适应。

结论部分翻译:本研究探究了图结构UWB测距信息能否用于改善模拟严重NLOS和多径条件下的矿井隧道三维定位。结果表明,此类环境中的UWB定位可更有效地视为关系感知图推理问题,而非独立距离拟合问题。通过将锚点和标签表示为节点、测距链路表示为边,所提出的MAFF-GNN框架同时利用空间拓扑与测量可靠性,为抗NLOS矿井定位提供了结构化学习范式。这些发现的科学意义在于,注意力增强图学习可作为抑制不可靠测距链路并保留有用几何约束的数据驱动机制。与传统的基于阈值或纯回归方法相比,该框架不依赖人工定义的NLOS拒绝规则,而是从含噪测距关系中学习可靠性感知表示,尤其适用于多径、壁面粗糙度、煤尘、湿度和NLOS共同作用的狭长隧道环境。在受控模拟设置下,MAFF-GNN实现了RMSE 0.323±0.093 m、MAE 0.274±0.024 m和P90误差0.480±0.038 m。这些结果表明,结合图消息传递、多头注意力、全局跳跃连接和几何约束正则化可提升不同模拟矿井拓扑和NLOS比率下的定位鲁棒性。更广泛而言,本研究为拓扑感知学习作为地下智能采矿系统中鲁棒UWB定位的有前景方向提供了证据。然而,当前结论基于物理引导模拟而非实际矿井测量,故报告性能应理解为受控模拟证据而非部署验证精度。未来工作将集中于收集实际矿井UWB数据集、校准模拟模型、评估跨场景泛化能力,以及测试嵌入式部署和动态LOS/NLOS转换下的在线适应。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号