基于Pareto优化的移动节点定位：算法与基本性能极限

网络节点位置的准确估计至关重要，例如在定位、地理路由和车载网络中。不幸的是，基于测距或基于速度和角度测量的典型定位技术固有地受限。为克服特定定位技术的局限性，融合多个异构传感器信息是一种吸引人的策略。本文研究移动节点位置多重测量的线性融合的基本性能，并提出一种新的分布式递归位置估计器。我们研究了参数和后验情况下的Cramér-Rao下界。所提出的估计器结合了来自测距、速度和角度测量的信息，通过Pareto优化问题联合融合，同时最小化定位误差的均值和方差。该方法的一个显著特征是它采用非常简单的移动性动态模型，因此适用于大量场景并提供良好性能。主要挑战是刻画建模Fisher信息矩阵和Pareto优化问题所需的统计信息。所提分析通过蒙特卡洛仿真验证，并与几种常用于定位和传感器融合的基于Kalman的滤波器比较。仿真结果表明，在不对运动模型作假设时，所提估计器优于基于扩展Kalman滤波的传统方法。在此类场景中，所提方法实现更好性能，但代价是计算复杂度增加。