利用强化学习进行 5G 网络的合作式定位
本文提出了一种新的协作车辆定位和无线电环境建图的方法,其中包括多模型概率假设密度滤波器和地图融合例程,能够考虑不同类型的物体和不同的视野,模拟结果证明了所提出方法的性能。
Aug, 2019
本文提出了一种基于深度强化学习的无监督无线定位方法,通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中,以克服使用未标记数据进行定位时奖励的获取难题,并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入,为 IoT 数据的空间化提供了新思路。
Apr, 2020
分析利用毫米波技术的二步式定位方法在城市环境下利用到达时间、到达角度和离开角度从多个节点获得的信号,以及利用具有无线电环境映射(REM)的网络定位附近散射体的性能,并提出梯度辅助粒子滤波(GAPF)估计器来解决 UE 位置估计中的问题,该估计器的性能与 Cramer-Rao bound(CRB)相匹配。
May, 2018
本文介绍了一种基于强化学习信息融合框架(RL-IFF)的新型解决方案,通过将到达角度(AoA)与 RSSI 基于粒子滤波和 IMU 基于 Dead Reckoning(PDR)框架相结合,旨在解决 Bluetooth Low Energy 在智能城市中室内动态跟踪 / 定位方法的无法靠谱的问题,实验证明其性能优于同类方案。
Oct, 2022
本文介绍了如何通过利用 mmWave 频谱和窄波束天线技术,采用基于地图的技术,以及数据融合、机器学习和协作定位等方法来实现 5G 和未来移动通信系统中厘米级精度的位置定位。
Feb, 2021
基于强化学习的创新解决方案可以解决城市区域自主车辆的路径规划问题,同时考虑驾驶时间和数据传输需求,通过优先选择高带宽道路来满足数据传输要求,并最小化驾驶时间,相较于不考虑交通和带宽的基准路线规划方法,该解决方案表现更好。
Sep, 2023
本文提出一种整合了机器学习和协调波束成形技术的解决方案,以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战,并支持高度移动的毫米波应用,同时实现可靠的覆盖、低延迟和可忽略的训练开销。
Apr, 2018
本研究提出了一种新颖的自我监督深度强化学习方法,其利用通道脉冲响应作为状态,并预测修正以最小化纠正后和估计范围之间的误差,实验结果证明其性能与最先进的监督方法相当,克服了数据依赖性和泛化性不足的限制,在解决实际可扩展的 UWB 范围误差方面具有很大潜力。
Mar, 2024
利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位,通过测试不同的机器学习模型和无线技术,评估室内环境下的定位精度和稳定性。
Feb, 2024