Určování polohy pomocí vícecestného šíření s využitím strojového učení

Abstract

Vícecestné šíření rádiového signálu bývalo považováno za problém pro určování polohy, který bylo nutné potlačit. Avšak převratný nový přístup určování polohy s využitím vícecestného šíření způsobil posun paradigmatu, kdy vícecestné šíření vylepšuje přesnost určování polohy. Algoritmus určování polohy s využitím vícecestného šíření nazvaný Channel-SLAM navíc ukazuje možnost použití jediného fyzického vysílače v prostředí s vícecestným šířením pro určování polohy. V této práci otevírám diskusi k některým problémům, které mají zásadní význam pro algoritmy určování polohy s využitím vícecestného šíření se zaměřením na určování polohy chodců. S využitím myšlenky určování polohy pomocí vícecestného šíření předkládám algoritmus určování polohy v jednofrekvenční síti. Navržený algoritmus určování polohy v jednofrekvenční síti jsem vyhodnotil v reálném případě s využitím pozemního digitálního vysílání televize. Dále v práci navrhuji pohybový model pro chodce využívající inerciální měření z příruční inerciální jednotky. Navržený pohybový model pro chodce vylepšuje přesnost a spolehlivost určování polohy pomocí Channel-SLAM. Poskytnuté porovnání s Riceho pohybovým modelem používaným v Channel-SLAM kvantifikuje zlepšení přesnosti navrženým pohybovým modelem. Tato práce navrhuje asociaci dat založenou na sdružené hustotě pravděpodobnosti, která překonává silnou závislost Channel-SLAM na algoritmu pro odhad a sledování parametrů rádiového kanálu. Asociace dat založená na sdružené hustotě pravděpodobnosti umožňuje opětovné využití dříve pozorovaných virtuálních vysílačů po výpadku sledování komponent vícecestného šíření. Vyhodnocení experimentu reálné chůze chodců ukazuje, že algoritmus asociace dat na bázi sdružené hustoty pravděpodobnosti překonává předchozí metodu. Odhad polohy virtuálních vysílačů představuje extrémní výpočetní zátěž v Channel-SLAM. Proto navrhuji metodu, která modeluje virtuální vysílač jako směs Gaussovských distribucí a zároveň se učí její parametry. Vyhodnocení ukazuje, že navržená metoda přesností překonává předchozí přístup a zároveň snižuje výpočetní zátěž. Současné metody pro odhad parametrů rádiového kanálu také představují značnou výpočetní zátěž znemožňující nasazení v reálném čase. Proto tato práce zkoumá možnost využití umělých neuronových sítí k odhadu počtu komponent vícecestného šíření a jejich odpovídajících časových zpoždění při měření impulsní odezvy komunikačního kanálu s vícecestným šířením a rádiovým šumem. Odhad zpoždění založený na umělých neuronových sítích poskytuje rozlišení překonávající Rayleighův limit, tzv. super-rozlišení, a je rychlejší než klasické metody. Přesnost odhadu pomocí natrénované umělé neuronové sítě je porovnána s teoretickým limitem, daným Cramer-Rao dolní mezí, a klasickými algoritmy odhadu parametrů komunikačního kanálu.

The multipath propagation of the radio signal was considered a problem for positioning systems that had to be eliminated. However, a groundbreaking new approach called multipath assisted positioning caused a paradigm shift, where multipath propagation improves the positioning performance. Moreover, the multipath assisted positioning algorithm called Channel-SLAM shows the possibility of using a single physical transmitter in a multipath environment for positioning. In this thesis, I open a discussion on some problems that have vital importance for multipath assisted positioning algorithms with a focus on pedestrian positioning. Using the idea of multipath assisted positioning, I present a single frequency network positioning algorithm. I evaluated the single frequency network-based positioning algorithm for positioning in a real scenario using a terrestrial digital video broadcasting transmission. I propose a novel pedestrian transition model utilizing the inertial measurements from a handheld inertial measurement unit. The proposed pedestrian transition model improves the precision and reliability of the Channel-SLAM. Comparing the proposed transition model with the Rician transition model previously used in Channel-SLAM quantifies the performance improvement. This thesis proposes a joint data association technique that overcomes the strong dependence on the radio channel estimation algorithm used in Channel-SLAM. The joint data association allows reusing the previously observed virtual transmitters after an outage of multipath component tracking. The evaluation based on the walking pedestrian scenario shows that the joint data association algorithm provides superior positioning precision. The virtual transmitter position estimation yields a significant computational load in Channel-SLAM. I propose a method that represents the virtual transmitter by a Gaussian mixture model and learns its parameters. The evaluation shows that the proposed method outperforms the previous approach while decreasing the computational load. Also, the current methods for radio channel estimation yield a considerable computational load that prohibits a real-time deployment. The thesis investigates the possibility of using artificial neural networks trained to estimate the number of multipath components and corresponding delays in a noisy measurement of a channel impulse response. The artificial neural network-based delay estimator provides a superresolution performance and faster runtime than the classical approaches. The precision of the trained artificial neural network architecture is evaluated and compared to the Cramer-Rao lower bound theoretical limit and classical channel estimation algorithms.