موقعیت یابی دستگاه های بی سیم با معیار میانه خطای کمترین مربعات وزن دهی شده در حضور سیگنال های مسیر غیر مستقیم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده برق دانشگاه پدافند هوایی خاتم الانبیاء(ص)

2 دانشگاه پدافند هوایی خاتم الانبیا (ص)

3 مخابرات-سیستم، دانشکده برق و کامپیوتر، گروه مخابرات دانشگاه سیستان و بلوچستان

چکیده

در این مقاله، یک روش موقعیت­یابی مبتنی بر دستگاه بر اساس روش خطای کمترین مربعات وزن­دهی شده ارائه می­شود. مهم­ترین چالش در تخمین موقعیت، اثر سیگنال­های مسیر غیر مستقیم در گره­های مرجع است که منجر به داده­های خارج از محدوده و در نهایت کاهش دقت تخمین می­شود. برای این منظور، یک روش جدید از طریق ترکیب روش شناسایی و حذف سیگنال­های مسیر غیر مستقیم و روش وزن­دهی گره­های مرجع ارائه خواهد شد. چالش دیگر موقعیت­یابی، وابستگی شدید سیگنال­های مسیر غیر مستقیم به محیط انتشار سیگنال است. به همین دلیل به‌دست آوردن یک تابع توزیع برای تحلیل رفتار این پدیده بسیار پیچیده و زمان­بر است به خصوص در روش­های تخمین مبتنی بر دستگاه که فرآیند تخمین موقعیت در دستگاه­های هدف متحرک با طول عمر باتری محدود صورت می­پذیرد. بنابراین در این مقاله، یک روش شناسایی سیگنال­های مسیر غیر مستقیم و وزن­دهی گره­های مرجع با پیچیدگی محاسباتی کم که بی­نیاز از داشتن دانش اولیه درباره توابع توزیع بایاس سیگنال­های مسیر غیر مستقیم است، معرفی خواهد شد. در این روش، از تعداد تکرار­های گره­های مرجع در گروه­های تخمین مختلف به عنوان معیاری برای شناسایی سیگنال­های مسیر غیر مستقیم و وزن­دهی گره­های مرجع استفاده خواهد شد. در نهایت با داشتن وزن­های گره­های مرجع، موقعیت دستگاه هدف توسط یک مسئله بهینه­سازی غیرخطی مقید پیاده­سازی و به کمک روش لاگرانژ حل می­شود. نتایج شبیه­سازی نشان می­دهد که روش پیشنهادی عملکرد تخمین موقعیت را نسبت به روش­های خطی و غیرخطی غیر وزنی بهبود می­دهد. در روش پیشنهادی 35 درصد از خطاها مقداری کمتر از 25/0 متر دارند که نسبت به روش­های دیگر بهبود حدود 30 درصدی را نشان می‌دهد. هم­چنین 95 درصد از خطاها کمتر از 2 متر هستند و در مقایسه با روش­هایی که وزن­دهی در آن­ها انجام نمی­شود، دقت تخمین حداقل 20 درصد افزایش می­یابد. هم­چنین در مواردی که تعداد گره­های مرجع یا تعداد گروه­های تخمین کمتری در دسترس است، روش پیشنهادی قابلیت اطمینان بالاتری در تخمین موقعیت دارد. زمانی که حداقل 35 درصد از گره­های مرجع دارای سیگنال­های مسیر مستقیم هستند، دقت موقعیت­یابی در روش ارائه شده بهبود قابل ملاحظه­ای دارد.

کلیدواژه‌ها


 
[1]   M. Anarfarhad, M. R. Mosavi, and A. A. Abedi, “Enhancing Vector Tracking Accuracy of GPS in Weak Signal Condition Based on Adaptive Strong Tracking Kalman Filter,” Journal of Electronical & Cyber Defence, vol. 6, no. 3, pp. 1-12, 2016.
[2]   F. Zafari, A. Gkelias, and K. Leung, “A survey of indoor localization systems and technologies,” 2017.
[3]   H. Chen, G. Wang, and X. Wu, “Cooperative Multiple Target Nodes Localization Using TOA in Mixed LOS/NLOS Environments,” IEEE Sensors Journal, 2019.
[4]   Y.-T. Chan, W.-Y. Tsui, H.-C. So, and P.-c. Ching, “Time-of-Arrival Based Localization Under NLOS Conditions,” vol. 55, no. 1, pp. 17-24, 2006.
[5]   P.-C. Chen, “A Non-Line-of-Sight Error Mitigation Algorithm in Location Estimation,” In Wireless Communications and Networking Conference (WCNC), pp. 316-320, 1999.
[6]   W. Li, Y. Jia, J. Du, and J. Zhang, “Distributed multiple-model estimation for simultaneous localization and tracking with NLOS mitigation,” vol. 62, no. 6, pp. 2824-2830, 2013.##
[7]   R. M. Vaghefi, J. Schloemann, and R. M. Buehrer, “NLOS mitigation in TOA-based localization using semidefinite programming,” In Wireless Positioning Navigation and Communication (WPNC), pp. 1-6, 2013.##
[8]   E. García, P. Poudereux, Á. Hernández, J. Ureña, and D. Guald, “A Robust UWB Indoor Positioning System for Highly Complex Environments,” In Industrial Technology (ICIT), IEEE, pp . 3386-3391, 2015.#3
[9]   P. Ling, C. Shen, K. Zhang, H. Jiao, L. Zheng, and X. Deng, “An Improved NLOS Error Elimination Algorithm for Indoor Ultra-Wideband Localization,” In SENSORS, 2017 IEEE, pp. 1-3, 2017.##
[10] N. Garcia, H. Wymeersch, E. G. Larsson, A. M. Haimovich, and M. Coulon, “Direct Localization for Massive MIMO,” vol. 65, no. 10, pp.                    2475-2487, 2017.##
 [11] C. Geng, X. Yuan, and H. Huang, “Exploiting Channel Correlations for NLOS ToA Localization with Multivariate Gaussian Mixture Models,” IEEE Wireless Communications Letters, 2019.##
 [12] J. Hua, Z. Zheng, B. Jiang, K. Zhou, and G. Zhong, “A Study on Residual Weighting Algorithm for Mobile Localization,” vol. 12, no. 5, 2013.##
[13] C.-H. Park and J.-H. Chang, “Robust       LMedS-Based WLS and Tukey-Based EKF Algorithms Under LOS/NLOS Mixture Conditions,” IEEE Access, vol. 7, pp.  148198-148207, 2019.##
14] R. Casas, A. Marco, J. Guerrero, and J. Falco, “Robust Estimator for Non-Line-of-Sight Error Mitigation in Indoor Localization,” vol. 2006, pp. 156-156, 2006.##