[论文解读] 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 3

一句话总结

该论文提出了一种基于SAGE的窄带物联网（NB-IoT）系统到达时间（ToA）估计算法，通过归一化自相关和互相关度量联合估计多径时延与信道增益。该方法通过抑制先前检测到的路径干扰，迭代地优化估计结果，在低信噪比（SNR）条件下仍能实现鲁棒的ToA估计。

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.

研究动机与目标

• 提升受多径传播影响的NB-IoT系统中到达时间估计的准确性。
• 解决低SNR、低复杂度NB-IoT接收机设计中联合时延与幅度估计的挑战。
• 开发一种迭代算法，通过抑制已估计多径分量的干扰来增强路径检测能力。
• 在无先验知识条件下，提供路径时延与信道增益的鲁棒初始估计。

提出的方法

• 通过排序互相关R[d]的幅度并选择L个最大值作为初始路径时延d̃ℓ，形成初始时延估计。
• 利用归一化自相关γ(d)建模信道冲激响应，并抑制已检测路径的干扰。
• 在每次SAGE迭代中，通过已估计的幅度h̃ℓ减去先前检测路径的贡献，更新残差相关性R̃[d]。
• 利用局部窗口内的相关性平均过程对幅度估计进行优化，随后通过信噪比水平信息进行缩放，以降低估计误差。
• 通过残差相关性的平均功率计算噪声方差估计σ̃²，用于指导幅度归一化。
• 算法通过迭代更新路径时延与幅度，直至收敛，且各路径的更新按顺序依次进行。

实验结果

研究问题

• RQ1 在训练序列有限的NB-IoT系统中，如何改进联合到达时间与信道幅度估计？
• RQ2 在低SNR环境下，强多径分量的干扰对ToA估计精度有何影响？
• RQ3 与非迭代方法相比，使用类似SAGE的更新策略进行迭代干扰消除是否能提升时延估计性能？
• RQ4 在无先验知识条件下，互相关与自相关度量在初始化与优化路径估计方面的有效性如何？
• RQ5 噪声方差估计在迭代ToA优化过程中对稳定幅度估计起到何种作用？

主要发现

• 通过选择互相关R[d]的L个最大幅度值，算法能够实现准确的初始路径时延估计，为迭代提供可靠起点。
• 通过抑制先前检测路径的干扰，迭代优化显著提升了时延与幅度估计的准确性。
• 噪声方差估计σ̃²由残差相关性功率计算得出，并用于归一化幅度估计，从而在低SNR条件下降低误差。
• 幅度估计步骤采用以峰值为中心的对称窗口内局部平均过程，提高了对噪声的鲁棒性。
• 最终的幅度估计通过依赖于估计噪声功率与信号功率的增益校正因子进一步优化，提升了估计精度。
• 算法通过M次迭代收敛，各路径按顺序依次更新，确保了时延与幅度估计的稳定与准确。