Core Concepts
Ein neuartiges Rahmenwerk zur Informationsfusion aus mehreren Quellen, das die Heterogenität der Fingerabdruckverteilung in Mehrpunkt-NLOS-Szenarien effektiv adressiert und eine präzise Lokalisierung ermöglicht.
Abstract
Das Papier präsentiert einen neuartigen Ansatz zur Mehrpunkt-NLOS-Lokalisierung, der als "Autosync Multi-Domain NLOS Localization (AMDNLoc)" bezeichnet wird. Dieser Ansatz umfasst die folgenden Schlüsselaspekte:
Zwei-Stufen-Matched-Filter zur Extraktion von parallelen Merkmalsintervallen aus dem Kanalfrequenzgang (CFR), um die CFR-Verteilung zu klassifizieren.
Iteratives zentroidsbasiertes Clustering zur Partitionierung der Winkel-Verzögerungs-Kanalamplitudenmatrix (ADCAM) basierend auf Leistung, Winkel und Verzögerung.
Kombination der Klassifikationsbereiche aus CFR und ADCAM, um eine einheitliche Fingerabdruckverteilung sicherzustellen.
Entfernung von Sonderproben durch Datensäuberung und Einführung eines segmentspezifischen linearen Klassifikator-Arrays, das mit einem Deep Residual Network für die Merkmalsextraktion und -fusion gekoppelt ist, um die Fingerabdrücke inversiv auf Koordinaten in den jeweiligen Regionen abzubilden.
Die Ergebnisse zeigen, dass AMDNLoc eine beeindruckende Genauigkeit von 1,46 Metern auf typischen Datensätzen für drahtlose KI-Forschung erreicht und Interpretierbarkeit, Anpassungsfähigkeit und Skalierbarkeit in verschiedenen Szenarien bietet.
Stats
Die Lokalisierungsgenauigkeit von AMDNLoc beträgt 1,46 Meter auf typischen Datensätzen für drahtlose KI-Forschung.
Quotes
"AMDNLoc erreicht eine beeindruckende Genauigkeit von 1,46 Metern auf typischen Datensätzen für drahtlose KI-Forschung und bietet Interpretierbarkeit, Anpassungsfähigkeit und Skalierbarkeit in verschiedenen Szenarien."