基于深度学习的UWB门禁检测

关注

VIP免费原创最新推荐文章于 2026-09-20 16:47:10 发布 2k 阅读 AI 写同款· GEO 优化 ›

【室内定位】UWB TDOA定位，PDOA定位介绍当前室内应用场景，最大的难点是没有基础设施，目前应用的场景中，都是基于用户的需求，或采用 UWB 技术，或采用蓝牙技术，并根据不同的室内环境来定制化的定制化的布设定位网络，并借助同技术的UWB定位标签，蓝牙定位标签，结合室内定制化地图及定位引擎算法，继而实现基于精准室内位置的室内定位，导航，电子围栏等。阅读详情

1 序

在很多工业生产场所入口都会安装智能门禁管理系统，用于对进入人员进行身份识别。当前通常采用UWB技术，根据双向测距TWR(Two Way Ranging)结果作为距离判断依据。
由于卡片在人体携带位置有差异，或者人员走向门禁角度不同，卡片信息可能被遮挡，单纯采用TWR测距结果可能会有误差，导致门禁产生不合理动作。为了适应复杂的现场状况，在这里分析如何采用基于深度学习的方法，对不同的场景进行分类，并通过对TWR测距数据、TWR监听数据、到达角度差(PDOA)、信道脉冲响应(CIR)等数据维度进行深度学习，利用 TensorFlow建立相应的推导模型。训练完成以后将其迁移到现场设备端，现场设备运行轻量化以后的模型，根据接收的信息进行综合推导，可以对卡片姿态进行更加精准可靠的检测，从而更好完成闸机联动开合控制。

2 数据维度

2.1 判断结果

通常情况下，当携带卡片人员足够靠近门禁时，门禁必须自动打开。即便是由于类似于阻塞、信号衰减和多路径等原因，导致测距不准，也应该经过补偿修正，正确将门开启；反之，如果距离较远，也不应该由于误差存在而过早开启。简化来看，作为判断输出的结果，仅有门禁开和关两种。
在这里插入图片描述

2.2 判断来源

补偿修正所依赖的数据来源，应该考虑测距结果本身、人员行进方向，非视距等综合因素，尽量采集更多的特征信息，以进行综合比对。在这里，我们采用三种数据来源。

TWR
双边双向测距(DS-TWR, Double Side - Two Way Ranging）是比较常用且稳定可靠的测距方式，卡片通常采用这种方式与读卡器进行测距通讯，并视为携卡人员与门禁之间的距离。
在非视距情况下，TWR方式难以避免的有一定的偏差，有时会接近米级，在门禁这种应用场合是难以接受的。为了更加全面地表达当前的状态，需要采用另外一个天线的对整个测距过程进行监听，并将监听数据也纳入到考察范围中。
PDOA
PDOA，英文全称是Phase-Difference-of-Arrival，信号到达相位差。由于读卡器两个天线位置一定，在不同的位置，卡片发出信息到达两个天线的相位是不同的。和常规的PDOA应用不同，在这里我们并不需要将两个天线靠得很近，因为就算是天线之间的距离是N倍波长也没有关系，因为我们只关心相位偏差，这个偏差能够大体反映人员走向门禁的角度，并以此作为判断的数据源。
CIR
CIR数据常用于研究非视距（NLOS）信号的识别，并且具有较好的效果，一些时域和频域特征可以通过CIR数据计算得到，所以CIR数据作为数据源是针对非视距情况的有效补充。

3 环境需求

在此，我们采用TensorFlow进行深度学习建立推导模型，以及实现现场的部署。

3.1 软件

TensorFlow是一个由Google开发的开源机器学习框架，TensorFlow提供了丰富的API和工具，可以用于各种机器学习和深度学习任务。
TensorFlow Lite（通常简称TFLite）是一个移动端库，可用于在移动设备、微控制器和其他边缘设备上部署模型。TensorFlow学习完成以后，可以使用 TensorFlow Lite Converter 将 TensorFlow 模型转换为TensorFlow Lite 模型。在转换过程中，应用量化等优化措施，以缩减模型大小和缩短延时，并最大限度降低或完全避免准确率损失。

3.2 读卡硬件

为了执行TWR测距和监听操作，读卡装置至少需要两个UWB模块(命名为AM和BM)，并且均有天线引出,，两个天线至少拉开1米距离，以形成距离和角度的差异。AM负责与卡片测距，BM负责监听AM与卡片的测距过程。
另外，由于需要进行PDOA操作，所以两个UWB模块的时钟必须是同一晶振作为时钟源。以常用的DW1000为例，需要注意芯片时钟控制引脚 SYNC（时钟同步）和EXTCLK（外部时钟输入），为了减小温度等因素对晶振输出频率的影响，需采用温补晶振（TCXO）作为时钟源。

3.3 TensorFlow现场设备

       TFLite支持多种平台，涵盖 Android 和 iOS 设备、嵌入式 Linux ，TFLite其实是TensorFlow团队为了将模型部署到移动设备而开发的一套解决方案，可以简单理解为TensorFlow的手机版。对于嵌入式 Linux ，主要是Raspberry Pi 风格系统，这个移植量要小一些，硬件上也是丰富多样。
       对于微控制器，还有一个TensorFlow Lite for Microcontrollers（TFLM)版本，这个可以运行在诸多的MCU上面，比如可以看到Arduino、STM32F746、 ESP32等老朋友的身影，不过其具有实验性质，实用时需要一定的法力和时间。
       具体选用什么样的操作系统，要看自已的熟悉程度。