CN109884586A - 基于超带宽的无人机定位方法、装置、系统及存储介质 - Google Patents

Abstract

本发明公开了一种基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质，该方法包括获取UWB设备输出的标签与每个基站对应的各个原始测距值；依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。本申请中通过对获取到的各个原始测距值进行校准，能够得到更加准确的距离值，并且采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，相比于现有技术中的方法能够提高对标签的定位精度，并且输出频率高、抗干扰能力强，有利于实现对高速运动的标签的定位。

Description

基于超带宽的无人机定位方法、装置、系统及存储介质

技术领域

本发明实施例涉及无人机定位技术领域，特别是涉及一种基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质。

背景技术

随着时代的发展以及行业的需求，无人机被应用在越来越多的领域。因其体型小巧，灵活性高，成本低、易维护等特点受到关注，它能在各类受限环境中工作，无论是丛林，地底或室内环境，因此在如：电力、石油管道、光伏、仓储等场景进行巡检任务、搜捕逃犯、安保任务、侦测地形、应急救援、森林防火、环保监测等各个领域都能见到无人机的身影。

无人机在室外通常依赖GPS为其提供定位信息，但当无人机在森林，隧道，室内等弱GPS或无GPS信号的场景工作时，将无法获取自身定位信息。因此需要借助其他定位系统定位，目前，通常使用基于超宽带(Ultra-wideband，UWB)通信技术的定位系统对无人机在GPS信号弱的环境下进行定位，其中，在基于超带宽定位技术的定位系统通常采用TOF(Timeof Flight，飞行时间)定位算法实现对目标的定位，TOF法使用定位标签与每个定位基站发起测距，测距完后进行定位计算，现有技术中在进行定位计算时采用三边定位法根据UWB设备输出的测距值计算出标签坐标位置，以单标签四基站定位系统为例，在进行测距后，已知给定空间的中四个基站的具体坐标，和一个未知标签到四个基站的距离，即可进行计算，以四个已知点和测距距离为半径作四个球形，如球形相交于一点则该点为标签坐标位置，在实际情况中因测量精度有限与环境干扰，常常不能使球体相交于一点，因此需要使用三角形求质心或最小二乘法等方法进一步估计出标签在球体相交区域内的精确位置，以得到标签的最终位置。但是，一方面由于存在环境干扰，导致基于TOF算法的UWB设备输出的测距值不稳定，另一方面由于三边定位法定位精度低，定位值跳动较大，易受环境干扰、鲁棒性差，并且不能实现对高速运动的标签的定位，所以现有的无人机定位方法的定位精度较低，适用范围受限。

鉴于此，如何提供一种解决上述技术问题的基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。

发明内容

本发明实施例的目的是提供一种基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质，在使用过程中能够提高对标签的定位精度，并且输出频率高、抗干扰能力强，有利于实现对高速运动的标签的定位。

为解决上述技术问题，本发明实施例提供了一种基于超带宽的无人机定位方法，包括：

获取UWB设备输出的标签与每个基站对应的各个原始测距值；

依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；

采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息。

可选的，在所述采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理之前，还包括：

采用卡尔曼滤波法对各个所述实际距离值进行滤波处理，得到滤波后的各个实际距离值；

对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

则，所述采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息的过程为：

采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述目标实际距离值进行处理，得到所述标签的定位信息。

可选的，所述对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值的过程为：

采用马氏距离计算关系式计算出与滤波后的每个所述实际距离值一一对应的马氏距离，其中，所述马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

当所述马氏距离大于预设阈值时，确定出与所述马氏距离对应的实际距离值为异常距离值，并将所述异常距离值从滤波后的各个实际距离值中剔除。

可选的，所述预设校准方法为基于第一校准关系式建立的，所述第一预设关系式为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，所述和所述为依据最小二乘法对多个历史原始测距值和多个历史实际测距值进行处理得到的。

本发明实施例相应的提供了一种基于超带宽的无人机定位装置，包括：

获取模块，用于获取UWB设备输出的标签与每个基站对应的各个原始测距值；

校准模块，用于依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；

处理模块，用于采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息。

可选的，还包括：

滤波模块，用于采用卡尔曼滤波法对各个所述实际距离值进行滤波处理，得到滤波后的各个实际距离值；

检测模块，用于对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

所述处理模块，具体用于采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述目标实际距离值进行处理，得到所述标签的定位信息。

可选的，所述检测模块，包括：

计算单元，用于采用马氏距离计算关系式计算出与滤波后的每个所述实际距离值一一对应的马氏距离，其中，所述马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

判断单元，用于当所述马氏距离大于预设阈值时，确定出与所述马氏距离对应的实际距离值为异常距离值，并将所述异常距离值从滤波后的各个实际距离值中剔除。

可选的，校准模块，具体用于依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；其中，所述预设校准方法为基于第一校准关系式建立的，所述第一预设关系式为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，所述和所述为依据最小二乘法对多个历史测距值和多个历史实际测距值进行处理得到的。

本发明实施例还提供了一种基于超带宽的无人机定位系统，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述所述基于超带宽的无人机定位方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述基于超带宽的无人机定位方法的步骤。

本发明实施例提供了一种基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质，该方法包括：获取UWB设备输出的标签与每个基站对应的各个原始测距值；依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。可见，本申请中通过对获取到的各个原始测距值进行校准，能够得到更加准确的距离值，并且采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，相比于现有技术中的方法能够提高对标签的定位精度，并且输出频率高、抗干扰能力强，有利于实现对高速运动的标签的定位。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于超带宽的无人机定位方法的流程示意图；

图2为双路测距法的原理示意图；

图3为本发明实施例提供的一种基于超带宽的无人机定位装置的结构示意图。

具体实施方式

本发明实施例提供了一种基于超带宽的无人机定位方法、装置、系统及计算机可读存储介质，在使用过程中能够提高对标签的定位精度，并且输出频率高、抗干扰能力强，有利于实现对高速运动的标签的定位。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1，图1为本发明实施例提供的一种基于超带宽的无人机定位方法的流程示意图。该方法包括：

S110：获取UWB设备输出的标签与每个基站对应的各个原始测距值；

具体的，本实施例中的UWB设备采用TOF法通过双边的双路测距法(Double-sidedTwo-way ranging)获取单次信号传输时间，通信方式如图2所示，其中，双路测距法采用第一计算公式能够计算出本次信号传输时间，并采用第二计算公式计算出测距值，其中，第一计算公式为：

其中，T_round1表示设备A与设备B完成一次通信的时间，T_round2表示设备B与设备A完成一次通信的时间，T_reply1表示设备B收到设备A信号后处理响应时间，T_reply2表示设备A收到设备B信号后响应时间。

第二计算公式为：Distance＝V×T_prop，V表示电磁波传输速度，其约为299792.458km/s。

本实施例中的UWB设备通过上述方法能够计算出标签与每个基站对应的各个原始测距值，并将各个原始测距值进行输出，其中，在一个时间点，标签与每个基站分别对应一个原始测距值，多个时间点标签与某个基站对应多个原始测距值。

S120：依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；

需要说明的是，由于各地环境差异，受到温湿度等因素影响，UWB设备计算出的原始测距值与实际距离值(也即真实测距值)往往存在一定差异，因此，本实施例中采用预设校准方法对每个原始测距值进行校准，进而得到与原始测距值对应的实际距离值。

具体的，本实施例中的预设校准方法可以为基于第一校准关系式建立的，其中，第一预设关系式具体可以为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，和为依据最小二乘法对多个历史测距值和多个历史实际测距值进行处理得到的。

其中，和具体可以通过公式和得出，其中，r_j(j＝1...n)表示n个历史原始测距值，d_j(j＝1...n)表示n个历史实际测距值，r_j与d_j对应，这些历史数据可以通过实验预先得出；表示历史原始测距值的平均值，表示历史实际测距值的平均值。

S130：采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。

具体的，本实施例中可以采用扩展卡尔曼滤波法(Extended Kalman filter)对上述校准后的、与每个基站对应的各个实际距离值进行分析处理，进而得到标签(例如无人机)的定位信息，一方面由于是对各个实际距离值进行分析处理，所以得到的定位信息会更加精确，另一方面，由于本系统为非线性系统，且系统存在零均值高斯白噪声，而卡尔曼滤波只适用于线性系统，且使用EKF可以融合无人机已有传感器如陀螺仪、加速度计、磁力计等输出的信息，可以进一步提高定位定位精度，因此本实施例选择使用EKF求取标签的定位坐标，能够进一步提高定位精度和输出频率、且抗干扰能力强，更有利于实现对高速运动的标签的定位，从而实现对无人机在森林，隧道，室内等弱GPS或无GPS信号的场景工作时的精确定位。

进一步的，在上述S130中采用扩展卡尔曼滤波法对与每个基站对应的各个实际距离值进行处理之前，该方法还可以包括：

采用卡尔曼滤波法对各个实际距离值进行滤波处理，得到滤波后的各个实际距离值；

对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

需要说明的是，由于存在噪声干扰，所以校准后的各个实际距离值中仍存在干扰数据，所以可以采用卡尔曼滤波法对校准后得到的各个实际距离值进行滤波处理，使滤波后的数据更加稳定，不易受干扰。

另外，当受到环境影响或自身信号不稳定时，UWB设备输出的原始测距值中会存在跳变异常值，而卡尔曼滤波难以过滤这部分信号，因此需要对滤波后的各个实际距离值进行异常值检测，并将异常值剔除，使得到的各个目标实际距离值更加准确，有利于进一步提高定位精确度。进一步的，上述对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值的过程，具体可以为：

采用马氏距离计算关系式计算出与滤波后的每个实际距离值一一对应的马氏距离，其中，马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

当马氏距离大于预设阈值时，确定出与马氏距离对应的实际距离值为异常距离值，并将异常距离值从滤波后的各个实际距离值中剔除。

具体的，本实施例中采用马氏距离能够综合考虑UWB设备的误差相关性，并且与UWB设备输出值单位尺度无关，在无人机定位系统中能综合考虑标签与各基站间的测距信息，同时也能进行扩展，使用无人机自带的陀螺仪加速度计等传感器信息综合进行判断，进而能够根据马氏距离与预设阈值之间的关系，确定出异常值距离值，并将其剔除，从而得到更加精确的标签与各个基站的实际距离值，也即得到各个目标实际距离值。

相应的，上述S130中采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息的过程，具体为：

采用扩展卡尔曼滤波法对标签与每个基站对应的各个目标实际距离值进行处理，得到标签的定位信息。

需要说明的是，本实施例中在采用扩展卡尔曼滤波法对与每个基站对应的各个目标实际距离值进行处理时，可以分为两个部分，一部分为根据系统模型(标签运动模型)对标签的定位信息进行预测得到定位预测值，另一部分为根据UWB设备获取的标签到各个基站的各个目标实际距离对定位预测值进行校正，进一步得到标签的定位信息。

具体的，假设在[t_k-1,t_k]时刻间，标签加速度a保持不变，则标签运动模型(也即系统模型)可设为：

其中，x_k-1和x_k表示标签在t_k-1和t_k时刻的状态，标签状态包含标签位置和速度，标签坐标和速度分别用p和v表示，a_k-1表示标签在t_k-1时刻的加速度，A_k-1表示系统状态在t_k-1时刻的转移矩阵，μ_k-1表示t_k-1时刻的系统噪声，I表示单位矩阵。因定位系统UWB设备的工作频率较高，Δt_k-1时间间隔内加速度变化较小，所有可将加速度部分视为模型噪声。

基站与标签之间的距离值与标签坐标位置有如下关系：d_k＝||p_k-p_a||+η_k，其中，d_k为t_k时刻各个基站与标签之间经校正和剔除异常值后获得的目标实际距离值，p_k为t_k时刻标签坐标，p_a为各个基站坐标，η_k为UWB设备的测量噪声。

具体的，EKF模型预测部分为从上一时刻系统状态根据模型对当前时刻系统状态预测：

其中，表示t_k-1时刻系统模型后验估计状态，表示t_k时刻系统模型先验估计状态，包含和 表示t_k时刻标签的先验坐标，表示t_k时刻标签的先验速度，P_k-1表示系统在t_k-1时刻的系统误差协方差矩阵，表示系统在t_k时刻的先验误差协方差矩阵，Q_k-1表示系统噪声协方差矩阵，其中，和均为模型预测值。

进一步的，根据UWB设备获取的标签到各个基站的各个目标实际距离对定位预测值进行校正，综合考虑模型预测值与UWB传感器测距值两部分，融合后得到当前时刻(也即t_k时刻)的定位值：

其中，p^a为t_k时刻基站坐标，为通过先验估计获得在t_k时刻基站与标签测距值的估计值，H_k为系统观测空间到状态空间的映射矩阵，K_k为卡尔曼增益，为结合UWB设备测距信息后，更新得到t_k时刻系统后验状态；P_k为结合UWB设备测距信息后，更新得到t_k时刻系统后验误差协方差矩阵。也即，通过上述公式可得到标签在t_k时刻的定位信息

还需要说明的是，本实施例中需要现获取系统模型的初始状态和标签的初始位置后，通过上述EKF结合标签运动模型信息与UWB设备测距值对标签的定位值进行预测与更新，最终输出精确的标签定位信息用于无人机导航。

其中，在获取系统模型的初始状态和标签的初始位置时，本实施例可以采用高斯牛顿法进行求解，其中，已知系统中基站与标签距离和基站与标签位置存在以下关系：

其中，p_i＝(x,y,z)为第i个标签坐标，为第i个基站坐标，d_i为第i个基站与标签之间的距离。

通过高斯牛顿法最小化目标函数，即可解得标签坐标，作为系统初值，其中，高斯牛顿法最小化目标函数为：

具体的，本实施例中使用高斯牛顿法相较于牛顿法考虑到了目标函数的特殊结构，因此迭代求解速度更快、结果更稳定准确。

本发明实施例提供了一种基于超带宽的无人机定位方法，该方法包括：获取UWB设备输出的标签与每个基站对应的各个原始测距值；依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。可见，本申请中通过对获取到的各个原始测距值进行校准，能够得到更加准确的距离值，并且采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，相比于现有技术中的方法能够提高对标签的定位精度，并且输出频率高、抗干扰能力强，有利于实现对高速运动的标签的定位。

在上述实施例的基础上，本发明实施例相应的提供了一种基于超带宽的无人机定位装置，具体请参照图2，该装置包括：

获取模块21，用于获取UWB设备输出的标签与每个基站对应的各个原始测距值；

校准模块22，用于依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；

处理模块23，用于采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。

进一步的，该装置还包括：

滤波模块，用于采用卡尔曼滤波法对各个实际距离值进行滤波处理，得到滤波后的各个实际距离值；

检测模块，用于对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

处理模块23，具体用于采用扩展卡尔曼滤波法对标签与每个基站对应的各个目标实际距离值进行处理，得到标签的定位信息。

更进一步的，检测模块包括：

计算单元，用于采用马氏距离计算关系式计算出与滤波后的每个实际距离值一一对应的马氏距离，其中，马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

判断单元，用于当马氏距离大于预设阈值时，确定出与马氏距离对应的实际距离值为异常距离值，并将异常距离值从滤波后的各个实际距离值中剔除。

进一步的，校准模块22，具体用于依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；其中，预设校准方法为基于第一校准关系式建立的，第一预设关系式为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，和为依据最小二乘法对多个历史原始测距值和多个历史实际测距值进行处理得到的。

需要说明的是，本发明实施例中所提供的基于超带宽的无人机定位装置具有与上述实施例中提供的基于超带宽的无人机定位方法相同的有益效果，并且对于本实施例中所涉及到的基于超带宽的无人机定位方法的具体介绍请参照上述实施例，本申请在此不再赘述。

在上述实施例的基础上，本发明实施例还提供了一种基于超带宽的无人机定位系统，该系统包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述基于超带宽的无人机定位方法的步骤。

例如，本实施例中的处理器用于实现获取UWB设备输出的标签与每个基站对应的各个原始测距值；依据预设校准方法对各个原始测距值进行校准处理，得到与每个原始测距值一一对应的实际距离值；采用扩展卡尔曼滤波法对标签与每个基站对应的各个实际距离值进行处理，得到标签的定位信息。

在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述基于超带宽的无人机定位方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于超带宽的无人机定位方法，其特征在于，包括：

获取UWB设备输出的标签与每个基站对应的各个原始测距值；

依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；

采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息。

2.根据权利要求1所述的基于超带宽的无人机定位方法，其特征在于，在所述采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理之前，还包括：

采用卡尔曼滤波法对各个所述实际距离值进行滤波处理，得到滤波后的各个实际距离值；

对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

则，所述采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息的过程为：

采用扩展卡尔曼滤波法对标签与每个所述基站对应的各个所述目标实际距离值进行处理，得到标签的定位信息。

3.根据权利要求2所述的基于超带宽的无人机定位方法，其特征在于，所述对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值的过程为：

采用马氏距离计算关系式计算出与滤波后的每个所述实际距离值一一对应的马氏距离，其中，所述马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

当所述马氏距离大于预设阈值时，确定出与所述马氏距离对应的实际距离值为异常距离值，并将所述异常距离值从滤波后的各个实际距离值中剔除。

4.根据权利要求1-3任意一项所述的基于超带宽的无人机定位方法，其特征在于，所述预设校准方法为基于第一校准关系式建立的，所述第一预设关系式为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，所述和所述为依据最小二乘法对多个历史原始测距值和多个历史实际测距值进行处理得到的。

5.一种基于超带宽的无人机定位装置，其特征在于，包括：

获取模块，用于获取UWB设备输出的标签与每个基站对应的各个原始测距值；

校准模块，用于依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；

处理模块，用于采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述实际距离值进行处理，得到所述标签的定位信息。

6.根据权利要求5所述的基于超带宽的无人机定位装置，其特征在于，还包括：

滤波模块，用于采用卡尔曼滤波法对各个所述实际距离值进行滤波处理，得到滤波后的各个实际距离值；

检测模块，用于对滤波后的各个实际距离值进行异常值检测，确定并剔除异常距离值，得到与相应基站对应的各个目标实际距离值；

所述处理模块，具体用于采用扩展卡尔曼滤波法对所述标签与每个所述基站对应的各个所述目标实际距离值进行处理，得到所述标签的定位信息。

7.根据权利要求6所述的基于超带宽的无人机定位装置，其特征在于，所述检测模块，包括：

计算单元，用于采用马氏距离计算关系式计算出与滤波后的每个所述实际距离值一一对应的马氏距离，其中，所述马氏距离计算关系式为：

d_k表示k时刻滤波后的实际距离值，表示k时刻相应基站与标签之间的先验距离，Σ表示测量误差的协方差矩阵，D_k表示马氏距离；

判断单元，用于当所述马氏距离大于预设阈值时，确定出与所述马氏距离对应的实际距离值为异常距离值，并将所述异常距离值从滤波后的各个实际距离值中剔除。

8.根据权利要求5-7任意一项所述的基于超带宽的无人机定位装置，其特征在于，校准模块，具体用于依据预设校准方法对各个所述原始测距值进行校准处理，得到与每个所述原始测距值一一对应的实际距离值；其中，所述预设校准方法为基于第一校准关系式建立的，所述第一预设关系式为：

其中，r表示原始测距值，d表示实际测距值，∈表示零均值噪声，和为参数，所述和所述为依据最小二乘法对多个历史原始测距值和多个历史实际测距值进行处理得到的。

9.一种基于超带宽的无人机定位系统，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任意一项所述基于超带宽的无人机定位方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述基于超带宽的无人机定位方法的步骤。