[論文レビュー] On Time-of-Arrival Estimation in NB-IoT Systems

Sha Hu, Xuhong Li+1 more|arXiv (Cornell University)|Nov 10, 2017

Indoor and Outdoor Localization Technologies参考文献 8被引用数 3

ひとこと要約

本稿では、ノイズに弱い低SNR環境下でもロバストな到着時刻（ToA）推定を実現するため、NB-IoTシステム向けにSAGEに基づくToA推定アルゴリズムを提案する。この手法は、正規化された自己相関および相互相関指標を用いて、マルチパス遅延とチャネル利得を同時に推定する。推定されたパスからの干渉を段階的に抑制することで、反復的に推定値を改善し、低SNR条件下でも安定したToA推定を達成する。

ABSTRACT

We consider time-of-arrival (ToA) estimation of a first arrival-path for a device working in narrowband Internet-of-Things (NB-IoT) systems. Due to a limited 180 KHz bandwidth used in NB-IoT, the time-domain auto-correlation function (ACF) of transmitted NB positioning reference signal (NPRS) has a wide main lobe. Without considering that, the performance of ToA estimation can be degraded for two reasons. Firstly, under multiple-path channel environments, the NPRS corresponding to different received paths are superimposed on each other, and so are the cross-correlations corresponding to them. Secondly, the measured peak-to-average-power-ratio (PAPR) used for detecting the presence of NPRS is inaccurate. Therefore, in this paper we propose a space-alternating generalized expectation-maximization (SAGE) based method to jointly estimate the number of channel taps, the channel coefficients and the corresponding delays in NB-IoT systems, with considering the imperfect ACF of NPRS. Such a proposed method only uses the time-domain cross-correlations between the received signal and the transmitted NPRS, and has a low complexity. We show through simulations that, the ToA estimation of the proposed method performs close to the maximum likelihood (ML) estimation for a single-path channel, and significantly outperforms a traditional ToA estimator that uses signal-to-noise (SNR) or power thresholds based estimation.

研究の動機と目的

• マルチパス伝播によって劣化するNB-IoTシステムにおける到着時刻推定精度の向上。
• 低複雑性のNB-IoT受信機設計において、遅延と利得の同時推定の課題に対処すること。
• 既に推定済みのマルチパス成分からの干渉を抑制することで、パス検出を向上させる反復的アルゴリズムの開発。
• 事前知識が全くない状況においても、パス遅延とチャネルゲインのロバストな初期推定を提供すること。

提案手法

• 初期遅延推定値は、相互相関R[d]の大きさを並べ替え、その中からL個の最大値を選択し、初期パス遅延d̃ℓとして形成する。
• アルゴリズムは正規化された自己相関γ(d)を用いてチャネルインパルス応答をモデル化し、検出済みパスからの干渉を抑制する。
• 各SAGE反復において、推定利得h̃ℓを用いて、既に検出済みパスの寄与分を差し引くことで、残差相関R̃[d]を更新する。
• 利得推定値は、局所的なウィンドウ内での相関ベースの平均化処理を経て、ノイズレベルに基づくスケーリングを施して推定誤差を低減する。
• ノイズ分散推定値σ̃²は、残差相関の平均パワーから計算され、利得正規化をガイドする。
• アルゴリズムは収束するまで、パス固有の更新を逐次的に行いながら、遅延と利得を反復的に更新する。

実験結果

リサーチクエスチョン

• RQ1 訓練シーケンスが限られているNB-IoTシステムにおいて、遅延とチャネル利得の同時推定をどのように改善できるか？
• RQ2 低SNR領域において、強いマルチパス成分からの干渉がToA推定精度に与える影響は何か？
• RQ3 SAGEに類似した更新を用いた反復的干渉キャンセリングは、非反復的手法に比べて遅延推定性能を向上させることができるか？
• RQ4 事前知識がなくとも、相互相関および自己相関指標を用いた初期推定と推定値の精練は、どの程度有効か？
• RQ5 ノイズ分散推定値は、反復的ToA精錬過程における利得推定の安定化にどのような役割を果たすか？

主な発見

• 相互相関R[d]の大きさのうち、L個の最大値を選択することで、初期パス遅延推定が正確に実現され、反復処理の信頼性の高い出発点が得られる。
• 反復的精錬により、既に検出済みパスからの干渉を抑制することで、遅延および利得推定が著しく改善される。
• ノイズ分散推定値σ̃²は、残差相関のパワーから計算され、利得推定の正規化に用いられ、低SNR条件下での推定誤差が低減される。
• 利得推定ステップでは、ピーク周辺の対称的ウィンドウ内での局所的平均化処理が実施され、ノイズに対するロバスト性が向上する。
• 最終的な利得推定値は、推定ノイズパワーと信号パワーに依存するゲイン補正係数を用いてさらに精錬され、推定精度が向上する。
• アルゴリズムはM反復で収束し、各パスが逐次的に更新されることで、遅延および利得の安定的かつ高精度な推定が実現される。