JUNO：用于UWB室内定位的快速启动强化学习节点选择框架
信号处理
2022-05-18 v1 机器学习
摘要
超宽带（UWB）是赋能物联网（IoT）概念在室内环境中实现可靠、节能和高精度监测、筛查和定位的关键技术之一。然而，由于移动用户与 UWB 信标之间的非视距（NLoS）连接，基于 UWB 的定位系统性能可能会显著下降。为了减轻非视距连接的破坏性影响，我们致力于开发一个强化学习（RL）锚点选择框架，该框架能够有效应对室内环境的动态特性。然而，在此背景下，现有的 RL 模型缺乏良好的泛化能力，无法应用于新环境。此外，传统 RL 模型需要很长时间才能达到最优策略。为了应对这些挑战，我们提出了快速启动强化学习 UWB 节点选择（JUNO）框架，该框架无需依赖复杂的非视距识别/缓解方法即可执行实时位置预测。所提出的 JUNO 框架的有效性通过定位误差进行评估，其中移动用户在超密集室内环境中随机移动，且建立非视距连接的概率很高。仿真结果证实了所提框架相较于现有最优方法的有效性。
引用
@article{arxiv.2205.08422,
title = {JUNO: Jump-Start Reinforcement Learning-based Node Selection for UWB Indoor Localization},
author = {Zohreh Hajiakhondi-Meybodi and Ming Hou and Arash Mohammadi},
journal= {arXiv preprint arXiv:2205.08422},
year = {2022}
}