DQLEL：面向能耗优化的视距/非视距 UWB 节点选择的深度 Q 学习
网络与互联网体系结构
2022-06-08 v2 机器学习
信号处理
摘要
物联网（IoT）的最新进展引发了人们对室内定位的浓厚兴趣，旨在提供可靠、准确且节能的室内导航/定位系统。超宽带（UWB）技术已成为满足上述需求的潜在候选者。尽管 UWB 技术因使用宽频谱而能提升室内定位精度，但其高效实现仍面临关键挑战。一方面，实现高精度定位依赖于对非视距（NLoS）链路的识别/抑制，导致定位框架复杂性显著增加。另一方面，UWB 信标电池寿命有限，在部分信标位于关键位置的实际场景中尤为棘手。为应对这些挑战，我们引入了一种高效的节点选择框架，在不使用复杂 NLoS 抑制方法的情况下提升定位精度，同时保持 UWB 信标剩余电池寿命的平衡。该框架称为深度 Q 学习能耗优化视距/非视距（DQLEL）UWB 节点选择框架，移动用户被自主训练以基于二维到达时间差（TDoA）框架确定用于定位的最优 UWB 信标集合。所提出的 DQLEL 框架的有效性从链路条件、UWB 信标剩余电池寿命偏差、定位误差和累积奖励等方面进行评估。仿真结果表明，所提出的 DQLEL 框架在上述各方面均显著优于同类方法。
引用
@article{arxiv.2108.13157,
title = {DQLEL: Deep Q-Learning for Energy-Optimized LoS/NLoS UWB Node Selection},
author = {Zohreh Hajiakhondi-Meybodi and Arash Mohammadi and Ming Hou and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2108.13157},
year = {2022}
}