使用多径信道信息的认知室内定位和跟踪
摘要：本文提出了一种鲁棒且准确的定位系统，该系统可以像视觉大脑一样适应周围环境的行为，模仿其过滤掉杂波并将注意力集中在活动和相关信息上的能力。特别是在以严酷的多径传播为特征的室内环境中，在合理的基础设施需求的约束下，仍然很难稳健地达到所需的精度水平。在这样的环境中，必须将相关信息与无关信息分开，并为用于定位的测量获得适当的不确定性模型。
论文的目标是通过将人类认知的四项基本原则，即感知-行动周期 (PAC)、记忆、注意力和智能，应用到定位系统中来更接近地实现这一目标。为了满足所有这些原则，多路径辅助室内导航和跟踪 (MINT) 的概念与 Simon Haykin 及其同事开发的认知动态系统 (CDS) 的原则交织在一起。
MINT 利用镜面反射多路径分量 (MPC)，这些分量可以使用已知的平面图关联到局部几何形状。通过这种方式，MPC 可以被视为来自额外虚拟源的信号——所谓的虚拟锚点 (V As)——它们是物理锚点 w.r.t. 的镜像。平面图的特征。因此，利用无线电信号中包含的附加位置相关信息。该位置相关信息基于基于几何的随机信道模型 (GSCM) 的位置误差的 Cramér Rao 下界 (CRLB) 进行量化，以考虑几何相关的 MPC 以及随机建模的扩散/密集多路径 (DM) ).它表明信号与干扰加噪声比 (SINR) 量化了与位置相关的信息量。
然而，平面图的不准确性和由此产生的 V As 不确定性在这个阶段没有被考虑。因此，本文引入了概率 MINT，其目的是 (i) 消除对精确已知的先验平面图的要求，以及 (ii) 应对环境表示中的不确定性。在概率 MINT 中，V As 包含在基于几何的概率环境模型 (GPEM) 中。在连续的步骤中，该算法被扩展为概率多路径辅助的基于特征的同步定位和映射 (SLAM) 方法，该方法可以在没有任何平面图先验知识的情况下运行。
GSCM 和 GPEM 代表开发的认知定位系统的内置存储器。相比之下，注意力是由算法本身执行的，它可以分离相关信息和不相关信息，并将注意力集中在记忆的模型参数上。
使用基于认知控制器 (CC) 的传输波形自适应关闭 PAC 支持此分离过程，并且还有助于 (i) 从周围环境中获取新的位置相关信息的功能和 (ii) 抑制额外的噪声。所有这些特征的相互作用是认知定位算法智能行为的关键促进因素。
1 引言
1.1 这篇论文是关于什么的？
1.2 室内定位。
1.2.1 传统室内定位。
有前途的室内定位候选系统要么使用提供针对多路径补救措施的传感技术，要么融合来自多个信息源的信息 [8-11]。在 [1,12] 中可以找到关于不同室内定位方法和所用技术的全面概述。这些技术可以根据传感器使用的物理原理进行分类：
(i) 光学方法，例如飞行时间 (ToF) 相机，
(ii) 声学方法，例如使用 ToA 的超声波测量，
(iii) 惯性测量，例如惯性测量单元 (IMU) 中包含的加速度测量，用于航位推算和
(iv) 基于无线电的测量，例如GPS 使用 TDoA。
[9] 中提供了网络中信息融合的理论分析和解释的通用框架。在那里，代理人通过利用所谓的空间和时间合作来推断来自不同来源的信息来确定他们的位置。所提出的框架建立了对基于 Fisher 信息矩阵 (FIM) [13,14] 的导航网络联合信息演化的深刻理解。在本论文中，我们专注于基于无线电的方法，尤其是使用超宽带 (UWB) 信号的方法 [15-17]，因为它们具有出色的时间分辨率，有助于分离多径分量 (MPC) [18]。在继续介绍可以主动利用这些 MPC 的定位方法之前，我们简要概述了“传统”基于无线电的室内定位系统。
1.2.2 多路径辅助室内定位 - 相关工作。
1.2.3 使用多径信道信息的同时定位和映射 (SLAM)
在 MINT 中，测量不确定性已经根据 CRLB 分析的结果进行了适当处理，但是没有考虑平面图的不准确性和由此产生的 VAs 不确定性。因此，下一步要采取的是将 VAs 作为随机变量 (RVs) 与代理位置一起引入，如图 1.1 所示。自然地，这会导致同步定位和映射 (SLAM) 方法能够学习未知的环境地图，即平面图。
SLAM [60,61] 都是关于使用不确定数据推断代理的姿势（包括位置）和周围环境（由地图或提取的地图特征表示）。不确定性表现在不同的层面上：测量数据可能来自不同的传感器，从而导致不同的测量方差。当这些数据由算法处理时，该算法需要通过两种类型的不确定性来考虑这种异质性：（i）使用数据关联（DA）将测量值与其各自的来源相关联，以及（ii）根据各自的测量值加权（可能是先验未知的）传感器不确定性。
一般来说，有两大类基于特征的 SLAM 方法，(a) 基于向量的特征映射和相反 (b) 基于集合的特征映射 [62-64]。基于 (a) 的方法应用 DA 和随后的贝叶斯过滤意味着 (i) 和 (ii) 中的不确定性以某种方式彼此分离。基于 (b) 的方法在使用随机有限集 (RFS) [65、66] 的贝叶斯方法中包含 (i) 和 (ii) 中的两种类型的不确定性。在 [67] 中可以找到 RFS 的广泛数学处理。由于提取的测量参数和地图特征以及 DA 的顺序没有明确定义，自然也应该考虑它们的不确定性，而不仅仅是传感器模型中的不确定性。第一种不确定性可能导致地图特征不一致，从而导致明显的代理位置错误。因此一个有意义的概率对其不确定性进行推理 [68] 非常重要。 RFS 将是描述地图特征的自然选择。
在经典的基于特征的 SLAM 实现中，通过使用允许测量原点分辨率的传感器，可以减轻大部分测量原点的不确定性。在激光扫描仪的流行示例中，获得了以相应角度 w.r.t 标记的特征的距离估计。代理人的姿势。独立于物理测量原理，这被称为测距传感器设置，广泛用于机器人技术 [70、71]。
本论文（以及 [O8] 中的工作）的目的是 (i) 消除精确已知的先验平面图的要求，以及 (ii) 应对 VAs 给出的环境表示中的不确定性，如图 1.1 所示，其中 VAs 的边缘 PDF 由红色误差椭圆表示。为了保持对代理的要求简单，只考虑单天线终端。因此，每个时间步长每个锚点（环境中已知位置的节点）只有一个信号可用。使用在线估计的通道特征，来自过去估计的代理位置的测量被有效地融合，产生使用多径通道信息的基于概率特征的 SLAM。所需的有关环境的空间一致信息嵌入在 MPC 和相关的 VAs 中。随着时间的推移，根据移动代理的接收信号估计的 MPC 提供空间一致的几何数据，用于跟踪和更新平面图特征，即 VA 位置。在线估计漫射多径 (DM) 对 VAs 的范围不确定性的影响，可以有效地选择 V As，可以可靠地更新并用于代理跟踪。这是与现有的基于无线电的 SLAM 方法（如 [72、73]）的关键区别。位置相关的多路径信息的重要性及其对 DA 的内在需求也是 [O8] 中的方法基于更“简单”的基于矢量的特征映射方法而不是使用 RFS 的基于集合的特征映射方法的原因统计。
1.3 认知动态系统（CDS）。
1.4 本论文的研究问题。
1.5 本文的组织和贡献。
1.5.1 本论文的组织。
1.5.2 本论文的贡献总结。
1.5.3 收录论文的贡献。
1.5.4 收录论文列表
2 基于认知几何的随机环境模型
本章详细介绍了平面图的特点，即虚拟锚点（V As）和多径信道模型。同时，定义了周围环境和认知定位系统的整体概率模型，为后续章节提供了基础。
2.1 基于几何的概率环境模型（GPEM）
从发射天线发射的电磁波，放置在一个封闭的房间（以墙壁为界），正在传播到接收天线，假设是远场条件。对于此设置，平面波表示波动方程的解，其唯一性是通过引入边界条件产生的。在一个房间里，这些条件由墙壁的反射特性决定 [37]。求解具有这种边界条件的波动方程，可以得到发射机和接收机之间的多径信道脉冲响应，如 [37] 中针对声波所述。为满足墙壁上电磁波的边界条件，发射器/源的虚拟源模型可用于描述墙壁上电磁波的行为。
2.1.1 A-Priori 已知平面图 - 精确的虚拟锚 (VA) 位置。
2.1.2 具有不确定性的先验已知平面图 - 概率 VA 位置
2.2 基于几何的随机通道和信号模型 (GSCM)。
2.2.1 MPC 信号参数估计。
2.2.2 多径信道信息初探。
2.3 概率几何位置模型。
2.3.1 代理位置概率密度函数的计算 (PDF)。
2.4 认知定位和跟踪系统。
2.4.1 多路径辅助定位作为 CDS。
2.4.2 信息措施。
3 多路径辅助定位的 Cram´ er Rao 下界 (CRLB)
本章针对MINT推导并分析了位置误差的CRLB。对于第 2.1.1 节中解释的测量设置，以下场景用于深入了解不同的影响：（i）多路径同步，锚点和代理之间的时钟偏移已知，（ii）多路径 NSync 未知时钟 -锚点和代理之间的偏移量，以及可选的各个锚点之间的偏移量，以及（iii）多路径合作与代理、单站测量和可能的额外固定锚点之间的合作。脉冲无线电 UWB 的时钟同步已显示可实现 1 ns 数量级的同步精度，这仍然会导致较大的定位误差 [100]。因此，我们根据接收到的信号和先验已知平面图联合估计时钟偏移。在这种情况下，只有 MPC 到达时间之间的差异携带与位置相关的信息，而不是同步情况下的 ToA。
如前所述，多径辅助室内定位的目标是在存在 DM 和 A WGN 的情况下，利用 V A 位置 {ak} 的知识，根据接收信号模型 (2.1) 估计代理的位置 p。因此，该参数表示通过传输信号观察到的环境，CRLB 指出了环境模型参数与代理位置估计之间的联系，即它强调了 CDS 一致的环境和信号参数记忆的重要性，如图所示在图 2.3 中第二层的右侧。本节基于 [O7] 的工作。
3.1 问题表述。
3.2 似然函数。
3.3 信号模型参数的 Fisher 信息矩阵 (FIM)。
3.3.1 一般情况。
3.3.2 正交多径分量 (MPC)：固定功率延迟分布 (PDP)。
3.3.3 MPC 之间的路径重叠：PDP。
3.3.4 正交 MPC：非平稳 PDP。
3.3.5 定位误差范围
3.4 空间延迟梯度。
3.4.1 双基地场景。
3.4.2 单一场景。
3.5 CRLB 位置错误。
3.5.1 多路径同步 CRLB 的推导。
3.5.2 多路径-NSync 的 CRLB 的推导。
3.5.3 Multipath-Coop 的 CRLB 推导。
3.6 附加分析。
3.6.1 推导贝叶斯 Cram´er Rao 下界 (BCRLB) 考虑锚点和 VAs 的不确定性。
3.6.2 具有未知噪声协方差矩阵的 CRLB。
3.7 结果
3.7.1 测量数据验证：多路径同步。
3.7.2 合成环境。
3.8章小结与结论
4 使用多径信道信息定位
本章基于[O4]的工作，介绍了一种利用多径信道信息和先验平面图知识的定位算法。该方法可用于为第 5 章和第 6 章中描述的跟踪算法找到代理的初始位置。似然函数的计算可以解释为具有先验布局规划信息的位置相关信道估计问题。使用布局规划知识，使用光线追踪 [1] 为每个锚点计算 V As 的集合。为了找到代理的实际位置，确定性和 DM 以及 A WGN 噪声参数都针对代理位置假设进行了估计。
在现实场景中，布局规划具有不确定性，通过使用 (2.10) 中第 2.3 节所述的 VA 位置的概率公式来考虑这些不确定性。因此，应通过边际化来考虑 V As 的不确定性。在本章中，忽略了 V A 位置的不确定性。它将在 5.1.4 节中跟踪过滤器的上下文中重新介绍。
4.1 代理位置的最大似然 (ML) 估计器。
4.1.1 似然函数的评估。
4.1.2 ML 估计器的实现。
4.2 绩效评估。
4.2.1 测量设置。
4.2.2 绩效结果的讨论。
4.3 章小结与结论。
5 使用多径信道信息的位置跟踪
本章介绍了使用多径信道信息进行位置跟踪的不同状态空间估计器。这些状态空间估计器可以细分为以下几组：
1. 在预期延迟（代理和 V As 之间）和估计的 MPC 延迟之间进行 DA 的估计器。假设高斯状态空间和测量噪声，但非线性测量方程 d(a(j) n,k, pn)，卡尔曼滤波器，如扩展卡尔曼滤波器 (EKF) 或无迹卡尔曼滤波器 (UKF)，是正确选择状态空间滤波器。
2. 估计器使用整个接收信号向量 r(j) 的似然函数 (3.5)，而无需明确地进行 DA。为了处理非线性和非高斯似然模型，如第 4 节所述，使用了 PF。与 EKF 或 UKF [108、109] 相比，这些估计量更稳健，但另一方面，它们具有更高的计算复杂度。
3. 为了保持基于 PF 的方法的稳健性，但具有低计算复杂性的额外好处，使用了将 PF 方法与 EKF 或 UKF（和 DA）相结合的混合滤波器 [110]。这种混合方法需要更少的粒子来表示状态空间的后验分布。
5.1 使用数据关联 (DA) 的多径辅助室内导航和跟踪 (MINT)。
5.1.1 数据关联。
5.1.2 状态空间和测量模型。
5.1.3 SINR 和范围不确定性估计。
5.1.4 将 VAs 整合到状态空间中。
5.2 MINT 没有 DA。
5.2.1 使用整个接收信号的顺序蒙特卡洛方法。
5.2.2 低复杂度方法：EKF/UKF 粒子滤波。
5.3 多路径同步的后验 Cram´ er Rao 下界 (PCRLB) 的推导。
5.4 正在进行的工作：概率 MINT 与贝叶斯通道估计。
5.5 结果
5.5.1 测量设置
5.5.2 绩效结果的讨论
5.6 章总结和结论
6 使用多路径信道信息的同时定位和映射 (SLAM)
(5.18) 中的扩展状态空间模型和 (5.20) 中的测量模型是 (2.9) 中考虑平面图不确定性的概率环境模型的公式。然而，是否可以从当前和过去的测量中在线学习平面图尚未讨论，即如何设计一种完全不需要先验平面图知识的算法。本节重点介绍基于概率特征的同时定位和映射（SLAM），其中 VAs 作为相应的锚点作为平面图的代表性特征。自然地，这代表了从概率 MINT 到“完全”认知定位系统的下一步，首先学习周围环境并建立 GPEM 和 GSCM 记忆。本节介绍的工作部分基于 [O8]。
6.1 通用 SLAM 公式
6.2 特征检测：VA 发现
6.2.1 总体方案
6.2.2 Range-Bancroft 方法
6.2.3 粒子过滤方法
6.2.4 正在进行的工作：另一种方法
6.2.5 初始化新的 Vas
6.3 SLAM 算法的结果
6.3.1 测量设置
6.3.2 绩效结果的讨论
6.4章小结与结论
7 使用多路径信道信息的认知跟踪
回顾前面的章节，可以发现我们已经具备了 2.4 节中介绍的认知 MINT 系统的几乎所有要素。图 7.1 说明了这种认知跟踪/定位算法的示意图。该系统能够在线调整其行为以适应环境，即通过以下原则给予感知注意力：
• 在认知感知器(CP) 侧，GSCM 和GPEM 存储器使用接收到的信号rn(t, θcontrol,n) 和认知控制器(CC) 选择的波形参数进行更新。
• 在实际的传感周期中，注意力通过认知控制器 (CC) 使用控制参数 θcontrol,n 放在 V As 的潜在集合上以及它们存储在 GSCM 和 GPEM 中的参数。这些模型参数显示在图 7.1 的认知感知器 (CP) 侧。
现在的问题是，“如何通过接收到的信号控制环境信息流，并在接下来的感知周期中将认知注意力放在相关特征上？”答案在于 CC 以及感知器和控制器之间的反馈和前馈信息，如图 7.1 所示。本节介绍的认知控制算法基于[79]。在那里，提出了所谓的认知强化学习（RL）算法的推导和该算法获得贝尔曼最优性的证明。
7.1 强化学习 (RL)
7.2 学习和规划：算法
7.2.1 从应用行动中学习
7.2.2 改善收敛行为的规划
7.3 波形库
7.4 结果
7.4.1 测量设置
7.4.2 初始实验设置
7.4.3 绩效结果的讨论
7.5 章总结和结论
8 结论
正如本文开头所述，在室内环境中进行准确而稳健的定位是一项具有挑战性的任务，尤其是由于密集的多径环境。通过我们之前的工作，我们已经表明，即使对基础设施要求最低，也可以令人满意地实现这两个属性。此方法中使用位置相关信息，该信息基于通过 CRLB 分析获得的见解和先前的平面图知识。然而，仍然需要准确的平面图知识，这在实践中并不总是可用的。因此，不可避免地 (i) 取消对精确已知的先验平面图的要求，以及 (ii) 应对环境表示中的不确定性，即平面图特征。这些目标本质上与相关信道信息耦合，因此，(iii) 位置相关信息（嵌入在多路径信道中）的有效在线学习对于正确概率考虑平面图的观察特征（V As ).为了在高噪声水平的情况下改善相关和不相关信道信息之间的分离，已经假设波形参数的认知控制可以为稳健定位和跟踪提供最终成分。
本论文用理论结果和使用实际测量的广泛模拟结果证实了所有这些目标都可以实现。基于对 GSCM 和 GPEM 的严格数学分析，给出了算法证明，使用多径信道信息可以高精度地同时定位和建图。因此，第 1.4 节中提出的研究问题得到了回答：
随时间收集的多径信道分量中包含的环境几何特征的空间一致信息可用于推断平面图特征的概率模型（V As）并在线学习 V As 的相应可靠性措施。这可以在事先不了解平面图的情况下开始实现。
主动感知环境，即 Tx 端波形自适应，是增加相关信息量（即与位置相关的多径信息）并将算法注意力集中在相关环境特征（一组特定的 V作为）。
由此产生的认知多路径辅助同步定位和映射算法具有以下详细特征：
• 几何概率环境模型 (GPEM) 的稳健在线学习
• 对测量中的异常值和错误数据关联的鲁棒性由 V As 的概率建模促进
• 通过在线学习几何随机信道模型 (GSCM) 的参数实现对信道特性的局部适应
• 基于感知注意力，控制器的注意力集中在认知控制 (CC) 实现的相关信道和环境特征上
这使我们得出以下最终结论：所有概念——GPEM、GSCM 和 CC——交织在一起有助于在恶劣的室内环境中定位和跟踪系统达到所需的稳健性和准确性水平。
A 用于 MPC 的 CRLB 129
A.1FIM 的推导
A.1.1 MPC 延迟的一般情况
A.1.2 正交 MPC
A.1.3 考虑未知噪声统计
A.1.4 扩散多径 (DM) PDP w.r.t. 的导数它的参数
A.2 VA 位置 w.r.t. 的雅可比矩阵锚点位置
A.3 单静态设置的延迟梯度
A.4 多路径-NSync CRLB 的推导
A.5 Multipath-Coop CRLB 的推导。
B 模拟结果 Multipath-Coop
B.1 问题公式
B.2 状态空间和测量模型
B.3 结果
C SINR 矩量估计方法的见解