[论文解读] 5G mmWave Cooperative Positioning and Mapping using Multi-Model PHD Filter and Map Fusion

Hyowon Kim, Karl Granström+4 more|arXiv (Cornell University)|Aug 26, 2019

Indoor and Outdoor Localization Technologies被引用 14

一句话总结

该论文提出了一种基于多模型概率假设密度（PHD）滤波与地图融合的协作式5G毫米波定位与建图框架，用于处理车载网络中多样的目标类型和有限视场（FoV）问题。通过将Rao-Blackwell化粒子滤波与一种基于加权算术平均的新型异步地图融合策略相结合，该方法在存在多径效应、虚警及数据关联系难题的情况下，仍能实现高精度的联合定位与环境建图。

ABSTRACT

5G millimeter wave (mmWave) signals can enable accurate positioning in vehicular networks when the base station and vehicles are equipped with large antenna arrays. However, radio-based positioning suffers from multipath signals generated by different types of objects in the physical environment. Multipath can be turned into a benefit, by building up a radio map (comprising the number of objects, object type, and object state) and using this map to exploit all available signal paths for positioning. We propose a new method for cooperative vehicle positioning and mapping of the radio environment, comprising a multiple-model probability hypothesis density filter and a map fusion routine, which is able to consider different types of objects and different fields of views. Simulation results demonstrate the performance of the proposed method.

研究动机与目标

• 解决在5G毫米波车载网络中，由于不同物体引起的多径信号导致定位性能下降的准确协作定位与建图挑战。
• 通过使用多模型PHD滤波而非运动模型，对多种物体类型（基站BS、车辆天线VA、散射点SP）进行建模，克服传统SLAM方法的局限性。
• 设计一种新型异步地图融合技术，通过将地图空间分解并为子集分配融合权重，以应对车辆间视场（FoV）差异的问题。
• 实现单基站定位，减少对预先同步的依赖，通过重用从毫米波信号中提取的无线电地图。
• 为Rao-Blackwell化粒子滤波提供理论基础明确的似然计算，以提升在杂波和虚假检测存在下的车辆状态估计精度。

提出的方法

• 采用联合车辆-地图后验密度的Rao-Blackwell化（RB）表示，使用粒子滤波进行车辆状态估计，多模型PHD滤波进行地图估计。
• 实现支持三种物体类型（基站BS、车辆天线VA、散射点SP）独立测量模型的多模型PHD滤波，实现对不同信号分量的联合跟踪。
• 推导出随机有限集（RFS）似然的闭式表达式，用于更新粒子权重，提升计算效率与估计精度。
• 应用改进的算术平均（AA）融合规则，并引入视场感知的融合权重：将地图空间划分为互不相交的子集，每辆车辆的贡献根据其视场覆盖范围分配权重。
• 使用CKF（容积卡尔曼滤波）计算PHD更新分量，包括状态预测、协方差更新及通过有限差分近似计算的卡尔曼增益。
• 在基站处执行异步地图融合，各车辆通过多次交互逐步贡献至全局地图，确保所有车辆均可访问融合后的地图。

实验结果

研究问题

• RQ1 如何利用5G毫米波信号同时估计车辆位置与环境物体（包括BS、车辆天线和散射点）？
• RQ2 在测量数据无来源标签且受杂波影响的情况下，如何有效处理协作式毫米波定位中的数据关联系与虚假检测问题？
• RQ3 当车辆视场有限且存在重叠，且每辆车仅能观测环境子集时，如何实现有效的地图融合？
• RQ4 在复杂城市环境中，能否通过考虑不同信号传播模型（如直射、反射）的多模型PHD滤波优于单模型方法？
• RQ5 视场感知融合权重对协作定位系统中全局无线电地图的精度与收敛性有何影响？

主要发现

• 所提出的多模型PHD滤波器能有效跟踪具有不同信号特征的多种物体类型（BS、VA、SP），相比单模型方法显著提升了地图精度。
• 具有视场感知融合权重的异步地图融合策略，结合加权算术平均，显著增强了地图一致性并降低了定位误差，尤其在稀疏覆盖场景下表现突出。
• RFS似然的理论推导使得粒子权重更新更加精确，从而提升了车辆状态估计精度并减少了发散现象。
• 仿真结果表明，所提方法在高多径与高虚警条件下，相比基线方法，实现了更低的位置估计误差与更高的地图精度。
• 异步地图融合协议使每辆车均可在无需同步通信或预先协调的情况下，贡献并受益于全局地图。
• 该方法实现了单基站定位，减少了对外部同步的依赖，适用于真实车载网络环境。