基于机器学习的定位估计中的不确定性
网络与互联网体系结构
2021-06-07 v1 信号处理
摘要
UE 定位已证明其在众多用例中的意义，从紧急呼叫定位到工业 IoT 中新出现的用例。为支持大量用例，基于无线电接入技术（RAT）的定位自 3GPP 规范第 9 版起便得到支持，该版本具有基于小区标识（CID）和增强型 CID（E-CID）的基本定位方法。此后，多种定位技术与方案被提出并集成到 3GPP 规范中。在评估定位技术性能时，可实现的精度（二维或三维）迄今为止一直是主要指标。随着第 16 版新空口（NR）定位的出现，可以配置具有宽带宽的定位参考信号（PRS），这自然有助于提升定位精度。然而，在利于定位的理想条件下改进才明显。在实际非理想条件且定位精度受严重影响时，估计位置估计中的不确定性变得重要，并能就位置估计的可靠性提供重要见解。为确定位置估计中的不确定性，我们借助机器学习（ML）技术，其提供了确定已训练模型预测不确定性/可靠性的方法。因此，本工作中我们提出将高斯过程（GP）和随机森林（RF）等 ML 方法与基于 RAT 的定位测量相结合，以预测 UE 的位置，同时评估估计位置的不确定性。结果表明，GP 和 RF 不仅达到令人满意的定位精度，还给出了 UE 预测位置的可靠不确定性评估。
引用
@article{arxiv.2106.02370,
title = {Uncertainty in Position Estimation Using Machine Learning},
author = {Yuxin Zhao and Deep Shrestha},
journal= {arXiv preprint arXiv:2106.02370},
year = {2021}
}