Transformer-EKF for UWB Positioning: A Benchmark Against CNN and BiLSTM Models
Notice bibliographique
Résumé
Ultra-Wideband (UWB) indoor positioning systems suffer significant accuracy degradation in Non-Line-of-Sight (NLoS) conditions, where multipath distortions in the Channel Impulse Response (CIR) lead to biased range estimates. While deep learning (DL) models have shown potential in predicting such errors from CIR data, most prior studies focus on isolated architectures and static pipelines, without evaluating their broader integration into full positioning systems. This work presents a comparative study of three DL models—Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory networks (BiLSTM), and Transformer—for CIR-based range error prediction, integrated into both Weighted Least Squares (WLS) and Extended Kalman Filter (EKF) frameworks. In WLS, predicted errors are used as adaptive weights to suppress unreliable measurements; in EKF, they dynamically scale the measurement noise covariance for more accurate filtering. We evaluate all models across four realistic indoor environments using a public UWB dataset. Our results show that Transformer-EKF achieves the best performance, reducing mean positioning error to 0.59m in Environment 2 (severe NLoS/multipath) while maintaining real-time inference at 0.059 milliseconds per position. These findings establish a comprehensive benchmark for learning-based UWB positioning and demonstrate the value of fusing data-driven range correction with model-based tracking.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».