CN115052341A

CN115052341A - 移动靶点精准定位方法及车辆无感智能进入系统

Info

Publication number: CN115052341A
Application number: CN202210966857.3A
Authority: CN
Inventors: 林瑜杰; 李抢满
Original assignee: Yuanfeng Technology Co Ltd
Current assignee: Yuanfeng Technology Co Ltd
Priority date: 2022-08-12
Filing date: 2022-08-12
Publication date: 2022-09-13
Anticipated expiration: 2042-08-12
Also published as: CN115052341B

Abstract

发明公开了一种移动靶点精准定位方法及车辆无感智能进入系统，该定位方法包括：构建参考坐标系，并获取各个定位锚点的锚点坐标；接收各个定位锚点的返回数据，以获得包括各个定位锚点与靶点的直线距离的原始数据集；对原始数据集中的数据由小到大进行排序，取前三个数据，以获得特征数据集；通过第一处理模型对特征数据集进行处理，以获得第一坐标，通过第二处理模型对原始数据集进行处理，以获得第二坐标；通过拟合模型对预设时间窗口内累计获得的第一坐标和第二坐标进行拟合运算，以获得靶点当前位置的定位坐标；通过上述方法，可获得靶点相对目标物的定位坐标，而且得到的定位坐标的准确性和精度更高，对环境适应性更好。

Description

移动靶点精准定位方法及车辆无感智能进入系统

技术领域

本发明涉及UWB测距定位技术领域，尤其涉及一种移动靶点精准定位方法及车辆无感智能进入系统。

背景技术

随着汽车智能化的发展，对PEPS（无钥匙系统、智能钥匙）无感进入功能的体验要求越来越高。目前，一般采用BLE定位技术对数字钥匙终端进行定位，但是，BLE定位系统需要针对不同的钥匙终端进行标定，这使得车辆出厂前，需要做大量的标定工作。而且，传统BLE定位具有定位精度不够、反应不及时等问题。

UWB定位系统，是基于TOF原理实现的高精度的精准定位的系统，可实现中短距离的实时定位跟踪，实时显示定位目标在空间位置的变化情况，针对特殊应用能做到更加精细化的管控。但是，目前车辆所使用的基于UWB的定位算法中，一般仅给出UWB定位锚点反馈的直线距离，而不能给出电子车钥匙的相对车辆的具体坐标位置，而且由于计算模型单一，在一些环境条件不好的情况下定位精度不够理想。

发明内容

本发明的目的是提供一种通过多种坐标计算模型对传感器测得的基础数据进行处理并拟合出靶点位置坐标从而有效提升定位精度的移动靶点精准定位方法及车辆无感智能进入系统。

为了实现上述目的，本发明公开了一种移动靶点精准定位方法，用于确认接近目标物的靶点的定位坐标，所述目标物上设置有至少三个基于UWB架构的定位锚点，所述靶点上设置有用于与所述定位锚点相适配的定位标签，所述定位方法包括：

构建参考坐标系，并获取各个所述定位锚点在所述参考坐标系中的锚点坐标；

所述定位标签与各个所述定位锚点建立通信连接后，接收各个所述定位锚点的返回数据，以获得包括各个定位锚点与所述靶点的直线距离的原始数据集；

对所述原始数据集中的数据由小到大进行排序，取前三个数据，以获得特征数据集；

以所述特征数据集中的数据及其对应的锚点坐标为基础数据，采用第一处理模型进行计算处理，以获得第一坐标；

以所述原始数据集中的数据及其对应的锚点坐标为基础数据，采用第二处理模型进行处理，以获得第二坐标；

通过拟合模型对预设时间窗口内累计获得的所述第一坐标和所述第二坐标进行拟合运算，以获得所述靶点当前位置的定位坐标。

较佳地，所述第一处理模型基于三边定位算法对所述基础数据进行处理，以获得所述第一坐标。

较佳地，还包括对所述特征数据集的优化方法：

将当前生成的特征数据集与上一采集周期生成的特征数据集进行比对，判断当前特征数据集中的各个数据是否处于预设变动范围内，如果否，则根据上一特征数据集中的数据和预设变动范围对当前特征数据集进行修订。

较佳地，所述第二处理模型采用基于矩阵运算的二元算法对相应的基础数据进行处理，以获得所述第二坐标。

较佳地，所述第二处理模型处理数据的方法包括：

以所述原始数据集中的数据及其对应的锚点坐标为基础数据构建一m*2阶的初始矩阵，m为所述原始数据集中数据元素的个数，所述初始矩阵的每一行包括一数组[a，b]，其中，a为锚点坐标，b为所述原始数据集中与该锚点坐标相对应的直线距离；

对于所述原始数据集中的任一数据元素：取最近连续采集的n个相同点位的数据，构成一数据组，并计算该数据组的方差；

以此计算所述原始数据集中的每一数据元素所对应的方差，以获得方差数据集；

根据所述初始矩阵和所述方差数据集，并基于下述计算公式，循环计算第一参数PU和第二参数PR，

PU_i =PU_i-1 + UX_i* W_i * (X[i+1].b_i+1 – X[i].b_i + UX_i.dot(X[i].a_i+X[i+1].a_i+1 ) / 2；

其中，1≤i≤m-1，PU₀=0，X[i].b_i为初始矩阵X的第i行数组中的数据b，X[i].a_i为初始矩阵X的第i行数组中的数据a，dot()为矩阵点乘函数；

W_i = 1/ (V[i].V_i + V[i+1].V_i+1 +C)，V[i].V_i为方差数据集中的第i个数据，C为常数；

UX_i= X[i].a_i– X[i+1].a_i+1；

PR_i =PR_i-1+ W_i * M_i.dot(M_i.transpose()) ，其中，PR₀=0，transpose()为转置函数；

M_i= reshape(UX_i, (3,1)) ，其中，reshape()为矩阵变换函数；

循环计算m-1次后，根据下述公式计算所述第二坐标P，

P=numpy.linalg.inv(PR).dot(PU)，numpy.linalg.inv()为逆矩阵函数。

本发明还公开一种车辆无感智能进入系统，其包括处理终端、至少三个基于UWB框架的定位锚点以及可移动地钥匙终端；所述处理终端位于车内，若干所述定位锚点位于分布位于车辆的不同位置，所述钥匙终端上设置有用于与若干所述定位锚点相适配的定位标签，所述处理终端基于如上所述的移动靶点精准定位方法生成代表所述钥匙终端位置的定位坐标。

较佳地，所述车辆上的若干所述定位锚点呈星型网络结构排列，且车身的任一侧均有至少三个所述定位锚点正对位于所在侧的所述定位标签。

较佳地，所述车辆上的若干所述定位锚点位于不同的高度面上，且自下向上高度面上的所述定位锚点的个数递减，以使得所述车辆上的若干所述定位锚点呈金字塔网络结构。

本发明还公开另一种车辆无感智能进入系统，其包括：

一个或多个处理器；

存储器；

以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的移动靶点精准定位方法的指令。

本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的基于UWB的移动靶点精准定位方法。

与现有技术相比，本发明上述技术方案，由于为各个定位锚点配置有参考坐标系和锚点坐标，这样，当通过基于UWB架构的多个定位锚点获得基础数据后，通过处理模型，可获得靶点相对目标物的参考坐标；另外，通过第一处理模型和第二处理模型分别对部分特征数据和全部数据进行处理，以分别获得代表靶点位置的第一坐标和第二坐标，并通过拟合模型对连续获得的多个第一坐标和第二组坐标拟合，最终获得靶点的相对目标物的定位坐标，从而避免了通过单一处理模型对数据处理的局限性，使得最终得到的定位坐标的准确性和精度更高，对环境适应性更好。

附图说明

图1为本发明实施例中移动靶点精准定位方法流程图。

图2为本发明实施例中车辆无感智能进入系统的原理结构图。

图3为本发明其中一实施例中定位锚点的布置结构示意图。

图4为本发明另一实施例中定位锚点的布置结构示意图。

图5为图4中车辆的俯视图。

图6为发明另一实施例中定位锚点的布置结构示意图。

图7为发明另一实施例中定位锚点的布置结构示意图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本实施例公开了一种移动靶点精准定位方法，以用于确认接近目标物（如车辆）的靶点（如带有电子钥匙的可移动钥匙终端）的相对该目标物的定位坐标，从而精确判断出靶点相对目标物的位置。在本实施例中，基于UWB技术进行数据采集，即，目标物上设置有至少三个基于UWB架构的定位锚点，所述靶点上设置有用于与所述定位锚点相适配的定位标签。定位锚点即为用于发出由UWB调制系统输出的通信波的天线，当定位标签进入定位锚点的通信范围内时，基于定位锚点返回的数据，并采用飞行时间法，即可算出定位锚点和定位标签之间的直线距离r，对于直线距离r的具体计算过程属于本领域的成熟技术，在此不再赘述。

基于上述配置，如图1，本实施例中的定位方法包括如下步骤：

S1：以目标物上的任一点为原点构建参考坐标系，为简化运算，本实施例中的参考坐标系以其中一定位锚点为原点，通过测量获取各个所述定位锚点在所述参考坐标系中的锚点坐标。例如，目标物上有五个定位锚点，参考坐标系为U，那么该五个定位锚点的锚点坐标分别为U1(x1,y1,z1)、U2(x2,y2,z2)、U3(x3,y3,z3)、U4(x4,y4,z4)、U5(x5,y5,z5)。当然，如果仅关注靶点的平面坐标，无需对定位锚点的z坐标进行配置，下述实施例中，均以平面坐标为例。

S2：所述定位标签与各个所述定位锚点建立通信连接后，位于目标物内的处理终端接收各个所述定位锚点的返回数据，通过计算获得包括各个定位锚点与所述靶点的直线距离r的原始数据集，将原始数据集以数组的形式存储，即为S[r1,r2,r3,r4,r5]。

S3：对所述原始数据集中的数据由小到大进行排序，取前三个数据，以获得特征数据集。在本实施例中，如果r5＞r4＞r3＞r2＞r1，则取r1、r2、r3作为特征数据集，将该特征数据集以数组的形式存储，即为T[r1,r2,r3]。

S4：以所述特征数据集中的数据及其对应的锚点坐标为基础数据，采用第一处理模型进行计算处理，以获得第一坐标。也即，采用数组T[r1,r2,r3]及该数组T中各个数据对应的锚点坐标U1、U2、U3为基础数据A，通过第一处理模型算出代表靶点当前位置的第一坐标。

S5：以所述原始数据集中的数据及其对应的锚点坐标为基础数据，采用第二处理模型进行处理，以获得第二坐标。也即，采用数据组S[r1,r2,r3,r4,r5]及该数据组S中各个数据对应的锚点坐标U1、U2、U3、U4、U5为基础数据B，通过第二处理模型算出代表靶点当前位置的第二坐标。需要说明的是，第一坐标和第二坐标均为相对目标物的参考坐标，而非实际经纬度坐标。

S6：基于上述步骤S2~S5，根据每一数据采集周期（一毫秒或若干毫秒）采集的数据进行连续计算，从而获得一系列第一坐标和第二坐标，然后，通过拟合模型对预设时间窗口（如1秒）内累计获得的第一坐标和第二坐标进行拟合运算，以获得所述靶点当前位置的定位坐标，从而避免由于某一采集数据的随机偏差造成结果不准确。

在获得原始数据集后，可采样滤波算法，如卡尔曼滤波法对该原始数据集进行滤波，以滤除干扰数据。

可选地，所述第一处理模型基于三边定位算法对所述基础数据（也即特征数据集中的数据及其对应的锚点坐标）进行处理，以获得所述第一坐标。本实施例中，由于三边定位算法的具体过程属于本领域的常规技术，在此不再赘述。

进一步地，对于第一处理模型，由于仅从原始数据集中取三个特征数据（构成特征数据集）进行运算，任一特征数据存在较大偏差时，都会对结果造成较大影响，因此，本实施例还提供有对所述特征数据集的优化方法：

将当前生成的特征数据集与上一采集周期生成的特征数据集进行比对，判断当前特征数据集中的各个数据是否处于预设变动范围内，如果否，则根据上一特征数据集中的数据和预设变动范围对当前特征数据集进行修订。以靶点靠近目标物为例，当前特征数据集形成一数组T1[r1,r2,r3]，上一数据采集周期生成的特征数据集形成一数组T2[r1’,r2’,r3’]，如果r2’与r2的差值明显大于预设值δr，则，采用r2’与δr的差值来代替数组T1中的r2。

另外，在采用三边定位算法对数据进行处理时，对于三边不能交于一点的情况，还可采用最小二乘求进行最优求解，从而获得第一坐标。

进一步地，所述第二处理模型采用基于矩阵运算的二元算法对相应的基础数据进行处理，以获得所述第二坐标。

具体地，第二处理模型处理数据的方法包括：

首先，以所述原始数据集中的数据及其对应的锚点坐标为基础数据构建一m*2阶的初始矩阵，m为所述原始数据集中数据元素的个数，所述初始矩阵的每一行包括一数组[a，b]，其中，a为锚点坐标，b为所述原始数据集中与该锚点坐标相对应的直线距离r。具体地，本实施例中的初始矩阵X如下。

然后，对于所述原始数据集中的任一数据元素，取最近连续采集的n个相同点位的数据，构成一数据组，并计算该数据组的方差。例如，对于与锚点坐标为U1的定位锚点相对应的数据r1，取最近连续六个通过该定位锚点获取到的直线距离，以获得数据组R1[r11，r12，r13，r14，r15，r16]，然后，对该数据组R1求方差，得方差v1。

接着，以此计算所述原始数据集中的每一数据元素所对应的方差，以获得方差数据集。本实施例中，方差数据集形成的数组为V[v1,v2,v3,v4,v5]。

然后，根据所述初始矩阵X和所述方差数据集也即数组V，并基于下述计算公式，循环计算第一参数PU和第二参数PR。

其中，1≤i≤m-1，PU₀=0，X[i].b_i为初始矩阵X的第i行数组中的数据b，X[i].a_i为初始矩阵X的第i行数组中的数据a，dot()为矩阵点乘函数；另外需要说明的是，要确保X[i].b_i和(X[i+1].b_i+1均大于零，否则，跳过当前计算周期；

W_i = 1/ (V[i].V_i + V[i+1].V_i+1 +C)，V[i].V_i为方差数据集中的第i个数据，C为常数，本实施例中，C为0.01；

UX_i= X[i].a_i– X[i+1].a_i+1；

PR_i =PR_i-1+ W_i * M_i.dot(M_i.transpose()) ，其中，PR₀=0，transpose()为转置函数。

M_i= reshape(UX_i, (3,1)) ，其中，reshape()为矩阵变换函数。

循环计算m-1次后，根据下述公式计算所述第二坐标P，

P=numpy.linalg.inv(PR).dot(PU)，numpy.linalg.inv()为逆矩阵函数。

本实施例中，m=5，因此，需要对第一参数PU和第二参数PR进行循环计算四次。具体地：

第一次为：PU₁ =0+ UX₁* W₁ * (r2 – r1 + UX₁.dot(（x1,y1）+（x2,y2） ) / 2，

W₁= 1/ (v1+ v2+0.01)，

UX₁=（x1,y1）-（x2,y2），

PR₁=0+ W₁ * M₁.dot(M₁.transpose())，

M₁= reshape(UX₁, (3,1)) ；

第二次为：PU₂=PU₁+ UX₂* W₂ * (r3 – r2 + UX₁.dot(（x2,y2）+（x3,y3） ) / 2，

W₂= 1/ (v2+ v3+0.01)，

UX₂=（x2,y2）-（x3,y3），

PR₂= PR₁+ W₂ * M₂.dot(M₂.transpose())，

M₂= reshape(UX₂, (3,1)) ；

以此类推，直至循环计算四次，获得PU₄和 PR₄。

因此，第二坐标P=numpy.linalg.inv(PR₄).dot(PU₄)。

进一步地，所述拟合模型基于下述公式进行数据拟合处理，以获得所述靶点当前位置的定位坐标D(x,y)，

其中，x_an为在当前时间窗口内第n个第一坐标的横坐标，y_an为在当前时间窗口内第n个第一坐标的纵坐标。x_bn为在当前时间窗口内第n个第二坐标的横坐标，y_bn为在当前时间窗口内第n个第二坐标的纵坐标。

具体地，在当前时间窗口内生成有三组第一坐标{（x_a1、y_a1）、（x_a2、y_a2）、（x_a3、y_a3）}和第二坐标{（x_b1、y_b1）、（x_b2、y_b2）、（x_b3、y_b3）}，根据上述拟合公式，所得定位坐标D(x,y)如下。

,

上述拟合模型，基于分布均方原理，对时间窗口内由第一处理模型和第二处理模型生成的若干组第一坐标和第二坐标进行拟合运算，以使得最终获得的定位坐标的准确性和一致性得到有效提升。

本发明另一较佳实施例中，还公开一种车辆无感智能进入系统，如图2，其包括处理终端、至少三个基于UWB框架的定位锚点以及可移动地钥匙终端。所述处理终端位于车内，若干所述定位锚点位于分布位于车辆的不同位置，所述钥匙终端上设置有用于与若干所述定位锚点相适配的定位标签，钥匙终端通过蓝牙与车辆上的处理终端进行身份认证，当经过身份认证的钥匙终端靠近车辆时，定位标签与车辆上的定位锚点发生通信，处理终端通过这些定位锚点返回的信号计算出当前钥匙终端相对车辆的定位坐标。本实施例中，处理终端基于上述实施例中公开的移动靶点精准定位方法生成代表所述钥匙终端位置的定位坐标。

进一步地，对于车辆上的若干定位锚点，优选为如下几种矩阵排列结构。

1.如图3，车辆上的若干定位锚点呈星型网络结构排列，且车身的任一侧均有至少三个定位锚点正对位于所在侧的定位标签。在本实施例中，当钥匙终端位于车身的前、后、左、右任一端时，均有三个定位锚点与之正对。对于本实施例中的星型网络结构排列的定位锚点，钥匙终端在车辆的任一侧均可有更多的定位锚点与之进行直接定位通讯，有效排除干扰信号的影响，提高定位精度。

2.如图4和图5，车辆上的若干定位锚点位于不同的高度面上，且自下向上高度面上的定位锚点的个数递减，以使得车辆上的若干定位锚点呈金字塔网络结构。本实施例中，在车身四周的较低平面的四角布置四个定位锚点，在车身中心部位较高位置布置一个定位锚点。该布置网络利用车身中心的定位锚点与四周平面的定位锚点的相对高度差，可以计算出钥匙终端相对于车辆的立体空间坐标点，对于立体的定位效果较好，并且兼顾到了四周方向的定位通讯，对于有立体定位需求的车辆有很好地效果，很好的实现车身的全面覆盖。

3.如图6，车辆上的若干定位锚点呈菱形。本实施例中，在车身同一平面上的车头与车尾，以及左右B柱位置各布置一个定位锚点，相对兼顾了车辆四周方位需求与成本控制，极大的减少定位盲点并能实现车身的覆盖。

4.如图7，车辆上的若干定位锚点呈T型。本实施例中，在车身左右后视镜位置处安装两个定位锚点，以及在车身后方安装一个定位锚点，总共在车辆上设置三个定位锚点，以最小三边的组合结构实现最低配置的三边定位计算，极大的优化了成本，并且兼顾了对于重点区域如主驾门、副驾门以及后尾箱门的覆盖。

由此可知，本实施例采用相应地排列矩阵将定位锚点布置在车身的不同位置，以大幅提高定位精度，最高可达毫米级。

综上，本发明上述实施例公开了一种移动靶点精准定位方法及应用该移动靶点精准定位方法的车辆无感智能进入系统。在该定位方法中，由于为各个定位锚点配置有参考坐标系和锚点坐标，这样，当通过基于UWB架构的多个定位锚点获得基础数据后，通过处理模型，可获得钥匙终端相对车辆的参考坐标。另外，通过第一处理模型和第二处理模型分别对部分特征数据和全部数据进行处理，以分别获得代表钥匙终端位置的第一坐标和第二坐标，并通过拟合模型对连续获得的多个第一坐标和第二组坐标拟合，最终获得钥匙终端的相对车辆的定位坐标，从而避免了通过单一处理模型对数据处理的局限性，使得最终得到的定位坐标的准确性和精度更高，对环境适应性更好。

本发明还公开另一种车辆无感智能进入系统，其包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的移动靶点精准定位方法的指令。处理器可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的车辆无感智能进入系统所需执行的功能，或者执行本申请方法实施例的移动靶点精准定位方法。

本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的移动靶点精准定位方法。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存取存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solidstate disk，SSD)等。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述移动靶点精准定位方法。

以上所披露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims

1.一种移动靶点精准定位方法，用于确认接近目标物的靶点的定位坐标，所述目标物上设置有至少三个基于UWB架构的定位锚点，所述靶点上设置有用于与所述定位锚点相适配的定位标签，其特征在于，所述定位方法包括：

2.根据权利要求1所述的移动靶点精准定位方法，其特征在于，所述第一处理模型基于三边定位算法对所述基础数据进行处理，以获得所述第一坐标。

3.根据权利要求2所述的移动靶点精准定位方法，其特征在于，还包括对所述特征数据集的优化方法：

4.根据权利要求1所述的移动靶点精准定位方法，其特征在于，所述第二处理模型采用基于矩阵运算的二元算法对相应的基础数据进行处理，以获得所述第二坐标。

5.根据权利要求4所述的移动靶点精准定位方法，其特征在于，所述第二处理模型处理数据的方法包括：

PU_i =PU_i-1 + UX_i* W_i * (X[i+1].b_i+1– X[i].b_i + UX_i.dot(X[i].a_i+X[i+1].a_i+1 ) / 2；

UX_i= X[i].a_i– X[i+1].a_i+1；

M_i= reshape(UX_i, (3,1)) ，其中，reshape()为矩阵变换函数；

循环计算m-1次后，根据下述公式计算所述第二坐标P，

P=numpy.linalg.inv(PR).dot(PU)，numpy.linalg.inv()为逆矩阵函数。

6.一种车辆无感智能进入系统，其特征在于，包括处理终端、至少三个基于UWB框架的定位锚点以及可移动地钥匙终端；所述处理终端位于车内，若干所述定位锚点位于分布位于车辆的不同位置，所述钥匙终端上设置有用于与若干所述定位锚点相适配的定位标签，所述处理终端基于如权利要求1至5任一项所述的移动靶点精准定位方法生成代表所述钥匙终端位置的定位坐标。

7.根据权利要求6所述的车辆无感智能进入系统，其特征在于，所述车辆上的若干所述定位锚点呈星型网络结构排列，且车身的任一侧均有至少三个所述定位锚点正对位于所在侧的所述定位标签。

8.根据权利要求6所述的车辆无感智能进入系统，其特征在于，所述车辆上的若干所述定位锚点位于不同的高度面上，且自下向上高度面上的所述定位锚点的个数递减，以使得所述车辆上的若干所述定位锚点呈金字塔网络结构。

9.一种车辆无感智能进入系统，其特征在于，包括：

一个或多个处理器；

存储器；

以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1至5任一项所述的移动靶点精准定位方法的指令。

10.一种计算机可读存储介质，其特征在于，包括计算机程序，所述计算机程序可被处理器执行以完成如权利要求1至5任一项所述的基于UWB的移动靶点精准定位方法。