[论文解读] NLOS Mitigation Using Sparsity Feature And Iterative Methods

Abbas Abolfathi, Fereidoon Behnia+1 more|arXiv (Cornell University)|Mar 19, 2018

Indoor and Outdoor Localization Technologies参考文献 11被引用 5

一句话总结

本文提出SRNI，一种新颖的非视距（NLOS）误差抑制算法，将非视距误差建模为稀疏异常值，并通过迭代阈值法（IMAT）求解由此产生的欠定系统，从而提升定位精度。通过利用NLOS误差中的稀疏性，SRNI即使在基站数量较少的情况下也能实现高精度定位，并且在大规模基站组合下仍保持快速计算速度。

ABSTRACT

Well-known methods are employed to localize mobile station (MS) using line of sight (LOS) measurements. These methods may result in large error if they are fed with non LOS (NLOS) measurements. Our proposed algorithm, referred to as Sparse Recovery of NLOS using IMAT (SRNI), considers NLOS as unknown variables and solves the resultant underdetermined system emphasizing on its sparsity feature based on IMAT methods. Simulations are conducted to investigate the performance of SRNI in comparison of other conventional algorithms. Results demonstrate that SRNI is fast enough to deal with large combination of BSs and also accurate in lower number of BSs

研究动机与目标

• 为解决移动台（MS）定位系统中非视距（NLOS）测量引入的显著定位误差问题。
• 将NLOS误差建模为由到达时间（TOA）或到达时间差（TDOA）测量推导出的欠定方程组中的稀疏异常值。
• 开发一种快速且精确的算法，利用稀疏性与迭代阈值法实现鲁棒的NLOS误差抑制。
• 在定位精度与计算效率方面优于传统定位算法，尤其在基站配置稀疏的情况下表现更优。

提出的方法

• 该算法将移动台定位问题建模为一个欠定系统，其中NLOS误差被视为未知的稀疏变量。
• 应用迭代硬阈值（IHT）方法，并特别改进为IMAT（用于NLOS的迭代阈值法），以恢复稀疏误差向量。
• 通过在每次迭代中最小化残差误差并强制对NLOS分量施加稀疏性，迭代估计移动台的位置。
• 稀疏性假设的合理性在于：通常仅有少数基站经历NLOS传播，因此误差向量在测量域中呈现稀疏特性。
• 算法在每次迭代中交替进行位置估计与稀疏误差校正，以逐步优化解。
• 该方法计算效率高，且能良好地扩展至基站数量，适用于实时应用。

实验结果

研究问题

• RQ1 基于稀疏性的建模能否有效表征移动台定位中的NLOS误差？
• RQ2 在基站数量变化的情况下，所提出的SRNI算法在定位精度方面相较于传统方法表现如何？
• RQ3 在存在稀疏NLOS误差的情况下，迭代阈值方法在收敛速度与鲁棒性方面改善程度如何？
• RQ4 当仅提供少量基站时，该算法是否仍能保持高精度？

主要发现

• SRNI在定位精度方面显著优于传统方法，尤其在基站数量有限的场景中表现突出。
• 该算法表现出快速收敛与低计算复杂度，即使在大规模基站组合下也能实现实时处理。
• 由于其基于稀疏性的公式设计，SRNI能有效隔离并抑制NLOS误差，显著降低其对定位估计的影响。
• 仿真结果表明，SRNI在仅少数基站可用时仍能保持高精度，优于传统的最小二乘法及其他迭代方法。