Die Studie befasst sich mit der Verbesserung der Genauigkeit von UWB-basierten Innenraumortungssystemen, die auf der Zeitmessung der Signallaufzeit (Time Difference of Arrival, TDoA) basieren. In realen Umgebungen führen Mehrwegeausbreitung und Nicht-Sichtverbindungen (Non-Line-of-Sight, NLoS) zu Messfehlern, die die Positionsschätzung beeinträchtigen.
Um dieses Problem anzugehen, wird ein unüberwachter maschineller Lernansatz vorgeschlagen, der auf dem Deep Embedded Clustering (DEC)-Algorithmus basiert. Dieser Ansatz verwendet zunächst einen Autoencoder, um die Merkmale der Kanalimpulsantworten (Channel Impulse Response, CIR) zu extrahieren, bevor sie in mehrere Cluster eingeteilt werden. Anschließend wird die Qualität dieser Cluster anhand des Abstands zwischen dem ersten Pfad und dem Hauptpfad bewertet. Nur Signale aus Hochqualitätsclustern werden dann für die Positionsberechnung verwendet.
Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz die mittlere absolute Positionsabweichung (Mean Absolute Error, MAE) um 23,1% und den 95. Perzentilwehler um 45,2% im Vergleich zur Verwendung aller Ankersignale reduziert. In Bereichen mit starker Mehrwegeausbreitung sind die Verbesserungen sogar noch deutlicher, mit einer Reduzierung des MAE um 26,6% und des 95. Perzentilwehlers um 49,3%.
Im Vergleich zu traditionellen Clustering-Algorithmen wie k-Means und Gaussian Mixture Models (GMM) zeigt der DEC-basierte Ansatz eine überlegene Leistung, da er die Signale aus Hochqualitätsclustern effektiver von denen aus Niedrigqualitätsclustern trennt.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Phuong Bich ... at arxiv.org 04-11-2024
https://arxiv.org/pdf/2404.06824.pdfDeeper Inquiries