[论文解读] Adaptive Frequency Band Selection for Accurate and Fast Positioning utilizing SOPs

Nicolas Souli, Panayiotis Kolios+1 more|arXiv (Cornell University)|Jun 9, 2022

Advanced Adaptive Filtering Techniques参考文献 26被引用 2

一句话总结

本文提出了一种基于知识梯度（KG）优化的自适应频带选择（FSA）算法，以实现通过机会信号（SOPs）和惯性测量实现快速、高精度的相对定位。通过基于接收信号强度（RSS）和贝叶斯信念更新，智能选择最具信息量的频带，RPS+FSA方法在保持高定位精度的同时降低了计算负载，并在实时无人机飞行测试中验证了亚20米误差和接近实时的性能表现。

ABSTRACT

Signals of opportunity (SOPs) are a promising technique that can be used for relative positioning in areas where global navigation satellite system (GNSS) information is unreliable or unavailable. This technique processes features of the various signals transmitted over a broad wireless spectrum to enable a receiver to position itself in space. This work examines the frequency selection problem in order to achieve fast and accurate positioning using only the received signal strength (RSS) of the surrounding signals. Starting with a prior belief, the problem of searching for a frequency band that best matches a predicted location trajectory is investigated. To maximize the accuracy of the position estimate, a ranking-and-selection problem is mathematically formulated. A knowledge-gradient (KG) algorithm from optimal learning theory is proposed that uses correlations in the Bayesian prior beliefs of the frequency band values to dramatically reduce the algorithm's processing time. The technique is experimentally tested for a practical scenario of an unmanned aerial vehicle (UAV) moving around a GPS-denied environment, with obtained results demonstrating its validity and practical applicability.

研究动机与目标

• 解决在使用机会信号（SOPs）和接收信号强度（RSS）进行实时相对定位时面临的高计算成本挑战。
• 在不牺牲精度的前提下，减少大规模RSS基定位系统中的处理时间和内存占用。
• 开发一种高效的在线算法，通过贝叶斯优化自适应选择最具信息量的频带用于定位。
• 实现在实际无人机导航场景中知识梯度（KG）算法的实时部署。

提出的方法

• 将频带选择问题建模为最优学习理论中的排序与选择问题。
• 应用知识梯度（KG）算法，根据对频带定位精度的贝叶斯先验信念对频带进行排序。
• 使用线性和非线性模型表示频带间信号强度的相关性，提升信念更新效率。
• 引入子集策略（SP），通过仅聚焦于最具前景的频带进一步降低计算负载。
• 采用增强FSA的相对定位系统（RPS+FSA），实现实时动态频带选择与位置估计。
• 通过配备软件定义无线电（SDR）、惯性测量单元（IMU）和Jetson Nano的无人机，采集0–3000 MHz频段的RSS数据对方法进行验证。

实验结果

研究问题

• RQ1 如何优化频带选择，以在SOP基定位中最小化定位误差的同时降低计算成本？
• RQ2 知识梯度（KG）算法能否高效适配于计算资源有限的实时大规模RSS基定位？
• RQ3 在频带选择中，使用线性模型与非线性模型进行信念表示有何影响？
• RQ4 自适应频带选择对无人机导航中的实时性能和精度有何影响？
• RQ5 子集策略（SP）在不降低定位精度的前提下，能在多大程度上提升计算效率？

主要发现

• 基于非线性KG的模型将平均估计误差降低至20米以内，优于线性模型，后者在某些情况下误差高达20米。
• 子集策略（SP）显著降低了计算时间，同时相比全带扫描还减少了估计误差。
• RPS+FSA算法实现了实时定位性能，使KG算法在GPS拒止环境中的无人机实际部署成为可能。
• 使用RPS+FSA估计的轨迹与GPS+IMU的真值轨迹高度一致，图6中展示了视觉上的对齐效果。
• 该方法通过降低内存和处理需求，实现了对大规模RSS数据集的高效利用，使KG基优化在实时场景中成为可行方案。