NLOS UWB 通道中直接路径组件缺失的检测
该论文描述了一种用于 UWB 定位系统的 NLOS(非直射视线)抑制方法,该方法将定位对象与构成系统基础设施的锚定点之间的传播条件分类为 LOS(直射视线)、NLOS 和严重 NLOS。通过首次信号成分功率测量进行非直射视线检测,并据此估计每个类别的平均 NLOS 到达时间偏差和偏差标准差。使用基于扩展卡尔曼滤波器(EKF)的算法来定位标签,NLOS 抑制方法通过纠正在 NLOS 条件下获得的测量结果并降低其在标签位置估计过程中的重要性。该论文包括了该方法的描述以及进行的实验结果。
Mar, 2024
该研究使用多普勒雷达技术进行非直达测距,利用时序多普勒速度和位置信息进行 NLOS 检测与跟踪,成功实现对动态环境中隐藏物体的检测、分类和追踪,适用于大规模的汽车场景且成本低廉。
Dec, 2019
提出了一种基于特征的高斯分布和广义高斯分布 Non-Line-of-Sight 检测算法,可用于改善所提供的数据库中 NLoS 和 LoS 信号不平衡造成的定位不精确度问题,比 SVM、DT、NB 和 NN 算法效果更好。
Apr, 2023
本文探讨了非直线视距(NLOS)定位中使用三种不同的输入表征(单无线电路径特征、无线电链路特征和基于图像的表征)以及两种卷积神经网络,并测量了各种特征的可用性对模型性能的影响。该研究的收获在于激发了未来构建更高效神经网络的工作,并提供了对 NLOS 定位有用的应用特征。
Apr, 2023
提出了一种新颖的 Fine-Tuned attribute Weighted Naive Bayes (FT-WNB) 分类器以用于室内定位系统中的 UltraWide Bandwidth 信号的 Line-of-Sight (LoS) 和 Non-Line-of-Sight (NLoS) 的识别,其性能比现有的最先进的机器学习方法在该场景下显著更好。
Apr, 2023
在搜索与救援(SAR)场景中,困人的检测是普适计算中面临的重大挑战,本研究采用机器学习技术来解决这个问题,通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视(NLOS)场景中识别个体,实验结果表明所提出的方法在静态数据和动态数据上分别获得了 88.37% 和 87.20% 的分类准确性,对 SAR 行动中科学家和工程师做出即时决策具有积极意义。
Feb, 2024
本文介绍了一种采用 5G 车到车(V2X)通信实现的无人驾驶和半自动驾驶技术,利用毫米波技术在通信方面广泛应用于车辆网络应用。文章提出了一种结合机器学习的中继机制来实现基于毫米波基站的广播信息传输,包括通过 LOS 节点中继机来将信息传输到 NLOS 的车辆。通过在信号覆盖区域内实现机器学习,实现更快速的信息传输,更广泛的带宽覆盖范围,提高了在 NLOS 区域内车辆的收益。
Dec, 2020
此篇论文关注毫米波通信系统中的信道识别技术,设计了基于特征值的信道识别方案,以及探索了 CDL 信道识别。实验结果表明,该方案在完美 CSI 条件下可以实现 99.88%的识别准确性,在 SNR = 16 dB 的噪声下具有 95%以上的阈值,而且基于 EMEV 特征的新架构将减少约 90%的总开销。
Apr, 2022
该研究探讨了在非直观传输环境下基于超宽带技术的测距方法,提出了一种基于核主成分分析的新型测距方法,经实际测试证明,该方法表现优异。
Nov, 2015
本文提出了一种基于变分贝叶斯的半监督深度学习方法,用于 UWB 定位系统的误差校正,通过融合深度学习技术和统计工具,实现从有标记和未标记的数据样本中高效地累积知识,相较于其他全监督方法,即使在低监督比例下,也取得了更好的性能。
May, 2023