基于高斯过程信道特征似然建模的位置跟踪
信号处理
2022-03-25 v1 机器学习
摘要
近期的定位框架利用复杂信道测量（CMs）的空间信息来估计准确位置，即便在多径传播场景下亦如此。最先进的基于 CM 指纹（FP）的方法采用卷积神经网络（CNN）来提取空间信息。然而，它们需要空间上密集的数据集（伴随较高的采集与维护成本）才能良好工作——而这在实际应用中很少见。若此类数据不可用（或其质量较低），我们无法补偿基于 CNN 的 FP 的性能下降，因为它们不提供统计位置估计，从而阻碍了在观测层面上与其他信息源的融合。我们提出了一种新颖的定位框架，能很好地适应仅包含环境中强多径传播特定区域 CMs 的稀疏数据集。我们的框架将 CMs 压缩为信息性特征以揭示空间信息。随后它为每个特征回归高斯过程（GPs），其隐含基于距离相关协方差核的统计观测模型。我们的框架在粒子滤波中将训练好的 GPs 与视距距离及动力学模型相结合。我们的测量表明，在真实工业室内环境采集的空间稀疏数据上，我们的方法优于最先进的 CNN 指纹方法（0.52 m 对比 1.3 m MAE）。
引用
@article{arxiv.2203.13110,
title = {Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes},
author = {Sebastian Kram and Christopher Kraus and Tobias Feigl and Maximilian Stahlke and Jörg Robert and Christopher Mutschler},
journal= {arXiv preprint arXiv:2203.13110},
year = {2022}
}
备注
10 pages, 8 figures