UWB Time-difference-of-arrival (TDOA) dataset

我们提供了一个基于Bitcraze的Loco定位系统收集的UWB时间差到达(TDOA)测量数据集。该数据集包括了从Crazyflie 2.0纳米四旋翼飞行器记录的TDOA测量数据，并与Vicon系统的地面真实数据同步，以计算TDOA测量偏差。训练数据集包含了从七个不同的UWB锚点星座收集的测量数据，用于捕捉和纠正TDOA测量偏差，以实现精确的状态估计。

We present a dataset of UWB Time Difference of Arrival (TDOA) measurements collected using the Bitcraze Loco Positioning System. This dataset includes TDOA measurements recorded from the Crazyflie 2.0 nano quadcopter, synchronized with ground truth data from the Vicon system to compute TDOA measurement biases. The training dataset comprises measurements gathered from seven different UWB anchor constellations, aimed at capturing and correcting TDOA measurement biases to achieve precise state estimation.

原始信息汇总

数据集概述

数据集名称

UWB Time-difference-of-arrival (TDOA) dataset

数据收集方法

• 使用Bitcraze的Loco Position System(LPS)的TDOA2模式收集UWB测量数据。
• 使用10个Vicon摄像头提供地面实况数据。
• 数据记录自Crazyflie 2.0 nano四旋翼飞行器。

数据集内容

• 训练数据：包含UWB TDOA测量和Vicon地面实况数据，存储路径为/training_csv/meas_data/#Date/#Trajectory和/training_csv/bias_data/#Data/#Trajectory。
• 测试数据：包含UWB TDOA测量和Vicon地面实况数据，存储路径为/testing_csv/meas_data/#Date/#Trajectory和/testing_csv/bias_data/#Data/#Trajectory。还包括UWB TDOA测量偏差数据，存储路径为/testing_csv/bias_data/#Data/#Trajectory/AnchorPos_#Date.npy和/testing_csv/bias_data/#Data/#Trajectory/AnchorQuat_#Date.npy。

数据格式

• 测量数据格式：包含6列，分别为x, y, z坐标，Vicon测量值，UWB TDOA测量值和时间。
• 偏差数据格式：包含16列，包括坐标偏差，相对角度和UWB TDOA偏差。

数据处理工具

• 使用Python 3.x及相关库（如matplotlib, numpy, panda, scipy, sklearn, joblib, pytorch）进行数据处理和可视化。
• 通过运行meas_visual.py和bias_visual.py脚本，可以可视化UWB测量和测量偏差及神经网络回归结果。

搜集汇总

数据集介绍

构建方式

该数据集通过使用Bitcraze的Loco Position System(LPS)在TDOA2模式下收集的超宽带(UWB)测量数据构建而成。数据采集过程中，利用了Crazyflie 2.0纳米四轴飞行器进行测量，并通过Vicon运动捕捉系统提供的10个摄像头获取地面真实数据。为确保测量精度，UWB TDOA测量数据与Vicon系统的地面真实数据进行了同步，从而计算出TDOA测量偏差。训练数据集由七个不同UWB锚点星座的测量数据组成，旨在通过神经网络捕捉并校正TDOA测量偏差，以实现精确的状态估计。

使用方法

使用该数据集时，用户需安装Python 3.x及其相关依赖库，如matplotlib、numpy、panda、scipy、sklearn、joblib、pytorch和tkinter。数据集分为训练和测试两部分，分别存储在/training_csv/和/testing_csv/目录下。用户可通过运行meas_visual.py和bias_visual.py脚本，选择相应的CSV文件来展示UWB测量数据和测量偏差。此外，通过设置'ShowNN'和'WithAn'参数，用户可以可视化神经网络回归结果，并选择是否包含锚点方向信息。

背景与挑战

背景概述

UWB Time-difference-of-arrival (TDOA)数据集由Bitcraze的Loco Position System(LPS)基于TDOA2模式收集而成，主要研究人员通过Crazyflie 2.0 nano quadcopter进行UWB测量，并使用Vicon系统的10个摄像头提供地面真实数据。该数据集的创建旨在解决UWB TDOA测量中的偏差问题，通过神经网络模型进行偏差校正，以提高状态估计的准确性。数据集包含了从七个不同UWB锚点星座收集的测量数据，这些数据与Vicon系统的地面真实数据同步，以便计算TDOA测量偏差。该数据集的发布对于UWB定位技术的研究具有重要意义，特别是在无人机和机器人定位领域。

当前挑战

UWB Time-difference-of-arrival (TDOA)数据集面临的主要挑战包括：首先，UWB信号在复杂环境中的多路径效应和信号衰减问题，这可能导致测量数据的偏差和不准确性。其次，数据集的构建过程中，需要精确同步UWB测量与Vicon系统的地面真实数据，这对数据采集和处理技术提出了高要求。此外，神经网络模型的训练和优化也是一个挑战，需要处理大量的数据并确保模型的泛化能力，以适应不同的UWB锚点配置和环境条件。最后，数据集的格式和存储方式需要标准化，以便于不同研究团队的使用和比较。

常用场景

经典使用场景

在超宽带（UWB）定位系统中，UWB Time-difference-of-arrival (TDOA) 数据集的经典使用场景主要集中在高精度室内定位与导航。通过利用UWB技术的时间差测量，该数据集能够精确捕捉无人机或移动设备的位置信息。结合Vicon运动捕捉系统的地面真实数据，研究人员可以训练神经网络模型，以校正UWB测量中的偏差，从而实现更为精准的状态估计。这种应用在无人机导航、室内机器人定位以及增强现实等领域具有广泛的前景。

解决学术问题

UWB Time-difference-of-arrival (TDOA) 数据集在学术研究中解决了高精度室内定位的关键问题。传统的定位方法在复杂环境中往往受到多路径效应和信号衰减的影响，导致定位精度下降。该数据集通过提供精确的UWB测量数据和同步的Vicon地面真实数据，使得研究人员能够开发和验证新的算法，以校正测量偏差，提高定位精度。这不仅推动了室内定位技术的发展，还为相关领域的研究提供了宝贵的数据支持。

实际应用

在实际应用中，UWB Time-difference-of-arrival (TDOA) 数据集被广泛用于高精度室内定位系统。例如，在物流仓储管理中，通过精确的UWB定位技术，可以实时监控货物的位置，提高仓库管理的效率和准确性。此外，在医疗环境中，该技术可用于追踪医疗设备和患者的位置，确保医疗资源的有效分配。在工业自动化领域，UWB定位技术也用于机器人的精确定位和路径规划，提升生产线的自动化水平。

数据集最近研究

最新研究方向

在超宽带（UWB）定位技术领域，UWB Time-difference-of-arrival (TDOA) 数据集的最新研究方向主要集中在利用神经网络进行TDOA测量偏差的校正。通过结合Loco Position System(LPS)和Vicon运动捕捉系统，研究者们能够精确地记录和分析UWB TDOA测量数据与实际位置之间的偏差。这一研究不仅提升了无人机等移动设备的位置估计精度，还为实时定位系统的发展提供了新的技术路径。此外，神经网络的应用使得系统能够自适应地调整和优化测量偏差，从而在复杂环境中实现更为可靠的定位服务。