基于深度学习的UWB/INS自适应定位方法及系统

本发明公开基于深度学习的UWB/INS自适应定位方法及系统，包括：S1：在LOS条件下，通过IMU传感器，得到INS的姿态、速度、位置，计算INS漂移累计误差，通过UWB设备获得UWB测量量；S2：使用卡尔曼滤波器对UWB/INS进行先验状态估计并融合；S3：构建基于注意力机制的LSTM，预测UWB增量；S4：将预测出的UWB增量与实际观测值进行比较，计算损失函数并更新基于注意力机制的LSTM；S5：在NLOS条件下，使用训练好的基于注意力机制的LSTM对卡尔曼滤波器更新，以实现定位的精度。本发明将深度学习和卡尔曼滤波器结合，弥补UWB测量缺失或受损的不足，从而在复杂场景中保持较高的定位精度与稳定性。